技术特征：
1.一种图像识别方法，其特征在于，所述方法包括：对目标图像进行特征提取，得到图像特征；基于所述图像特征，确定所述目标图像所属的目标知识类，并获取所述目标知识类下的样本特征；将所述图像特征与所获取的样本特征进行融合，得到融合特征；基于所述融合特征对所述目标图像进行识别，得到图像识别结果。2.根据权利要求1所述的方法，其特征在于，各知识类下的样本特征存储于样本特征空间，所述样本特征空间中还包括各知识下的样本特征的特征中心；所述基于所述图像特征，确定所述目标图像所属的目标知识类，包括：确定所述图像特征与各特征中心的第一相似度，并将第一相似度的最大值对应的知识类作为所述目标图像所属的目标知识类。3.根据权利要求2所述的方法，其特征在于，所述样本特征存储空间为基于知识类的个数、每个知识类下的样本特征的数量、每个样本特征的维度构建的存储空间，且所述样本特征存储空间中的样本特征以各知识类对应的特征中心作为索引。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：对所述融合特征进行池化处理，并将池化处理后得到的特征与所述目标知识类下的各样本特征进行汇总，得到第一特征矩阵；对所述第一特征矩阵进行矩阵分解，得到分解特征，所述分解特征的数量等于所述目标知识类下的样本特征的数量；将所述目标知识类下的样本特征替换为所述分解特征，以更新所述目标知识类下的样本特征。5.根据权利要求1所述的方法，其特征在于，所述将所述图像特征与所获取的样本特征进行融合，得到融合特征，包括：确定所述图像特征与各样本特征的第二相似度；基于所述第二相似度，对各样本特征进行加权处理，得到样本加权特征；将所述图像特征与所述样本加权特征进行融合，得到融合特征。6.根据权利要求5所述的方法，其特征在于，所述基于所述第二相似度，对各样本特征进行加权处理，得到样本加权特征，包括：将所述图像特征与各样本特征的第二相似度汇总为相似度矩阵；将各样本特征汇总为第二特征矩阵；将所述相似度矩阵与所述第二特征矩阵相乘，得到样本加权特征。7.根据权利要求1所述的方法，其特征在于，所述对目标图像进行特征提取，得到图像特征，包括：将目标图像输入至预先训练的图像识别模型，得到所述图像识别模型中的特征提取网络所提取的图像特征，所述特征提取网络包括用于提取至少一个尺度的图像特征的至少一个特征提取层；以及，所述基于所述融合特征对所述目标图像进行识别，得到图像识别结果，包括：将所述融合特征输入至所述图像识别模型的识别网络，以通过所述识别网络对所述目标图像进行识别，得到图像识别结果。
8.一种图像识别装置，其特征在于，所述装置包括：提取单元，被配置成对目标图像进行特征提取，得到图像特征；获取单元，被配置成基于所述图像特征，确定所述目标图像所属的目标知识类，并获取所述目标知识类下的样本特征；融合单元，被配置成将所述图像特征与所获取的样本特征进行融合，得到融合特征；识别单元，被配置成基于所述融合特征对所述目标图像进行识别，得到图像识别结果。9.一种电子设备，其特征在于，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
技术总结
本申请实施例公开了图像识别方法、装置、电子设备和计算机可读介质。该方法的实施例包括：对目标图像进行特征提取，得到图像特征；基于所述图像特征，确定所述目标图像所属的目标知识类，并获取所述目标知识类下的样本特征；将所述图像特征与所获取的样本特征进行融合，得到融合特征；基于所述融合特征对所述目标图像进行识别，得到图像识别结果。该实施方式提高了图像识别模型的泛化性。高了图像识别模型的泛化性。高了图像识别模型的泛化性。
技术研发人员：刘迎飞 汪天才
受保护的技术使用者：北京迈格威科技有限公司
技术研发日：2021.12.02
技术公布日：2022/4/22