模型训练方法、图像识别方法、装置以及计算机存储介质与流程

本申请涉及计算机图像处理领域，特别是涉及一种模型训练方法、图像识别方法、图像识别装置以及计算机存储介质。

背景技术：

1、随着计算机图像处理技术的不断发展，图像应用领域也越来越广泛，涉及生物医学、军事、机器视觉等多个应用领域。图像处理技术是用计算机对图像信息进行处理的技术，主要包括图像增强和复原，图像识别，图像分割、图像编码、模板匹配等。

2、图像识别是也称为图像分类，是一种计算机视觉技术，是人工智能的一个重要领域。允许机器识别和分类数字图像或视频中的对象。该技术使用人工智能和机器学习算法来学习图像中的模式和特征，以准确识别它们。该技术在各个行业都有广泛的应用，包括制造业、医疗保健、零售业、农业和安全。

3、图像识别的目的是通过识别和分类图像中的对象，使机器能够像人类一样解释视觉数据。图像识别算法使用深度学习和神经网络来处理数字图像并识别图像中的模式和特征。这些算法在大型图像数据集上进行训练，以学习不同对象的模式和特征。然后使用经过训练的模型将新图像准确地分类为不同的类别。

4、图像识别在对目标进行检测时，由于小目标的尺寸过小，在图像中占的像素点数量也少，因此难以提取到小尺寸目标的特征，从而图像识别模型通常更侧重于学习到大尺寸目标的特征，从而影响了对于小尺寸目标的图像识别准确率。

技术实现思路

1、本申请主要解决的技术问题是如何提高图像识别模型对于小目标样本的识别准确率，对此，本申请提供一种模型训练方法、图像识别方法、图像识别装置以及计算机可读存储介质。

2、为解决上述技术问题，本申请采用的一个技术方案是：提供一种模型训练方法，该方法包括：获取待训练图像；将待训练图像从第一分辨率缩小至第二分辨率；获取待训练的图像识别模型预设的第三分辨率，第三分辨率为待训练的图像识别模型中输入网络的图像大小；将第二分辨率的待训练图像放大为第三分辨率的小目标特征图像；利用第三分辨率的小目标特征图像对图像识别模型进行训练。

3、其中，将待训练图像从第一分辨率缩小至第二分辨率，包括：获取每一待训练图像的随机概率，并与预设概率进行比较；若随机概率小于预设概率，则将对应的待训练图像从第一分辨率缩小至第二分辨率。

4、其中，利用第三分辨率的小目标特征图像对图像识别模型进行训练，包括：将未缩小的第一分辨率的待训练图像缩放至第三分辨率得到第一训练图像；利用第三分辨率的小目标特征图像与第一训练图像对图像识别模型进行训练。

5、其中，第一分辨率包括待训练图像的长与宽；基于待训练图像中最小的长与宽得到第二分辨率。

6、其中，基于待训练图像中最小的长与宽得到第二分辨率，包括：

7、获取待训练图像中最小的长与宽两者之间的最大值作为初始长与初始宽；基于初始长和第一随机数得到预设长；基于初始宽和第二随机数得到预设宽；基于预设长与预设宽得到第二分辨率。

8、其中，在利用第三分辨率的小目标特征图像对图像识别模型进行训练之后，还包括：判断训练次数是否满足预设次数；若不满足，则继续获取待训练图像对图像识别模型进行训练。

9、其中，在获取若干待训练图像之后，还包括：对待训练图像进行数据增强。

10、为解决上述技术问题，本申请采用的一个技术方案是：提供一种图像识别方法，该方法包括：获取待识别图像；将待识别图像输入预先训练的图像识别模型，其中图像识别模型使用上述的模型训练方法训练所得；获取图像识别模型输出的图像类别。

11、为解决上述技术问题，本申请采用的另一个技术方案是：提供一种图像识别装置，该图像识别装置包括处理器和存储器，存储器与处理器耦接，存储器存储有程序数据，处理器用于执行程序数据以实现如上述的模型训练方法，和/或图像识别方法。

12、为解决上述技术问题，本申请采用的另一个技术方案是：提供一种计算机可读存储介质，该计算机可读存储介质存储有程序数据，程序数据在被执行时，用于实现上述的模型训练方法，和/或图像识别方法。

13、本申请的有益效果是：区别于现有技术的情况，本发明提供的模型训练方法应用于图像识别装置，图像识别装置获取待训练图像；将待训练图像从第一分辨率缩小至第二分辨率；获取待训练的图像识别模型预设的第三分辨率，第三分辨率为待训练的图像识别模型中输入网络的图像大小；将第二分辨率的待训练图像放大为第三分辨率的小目标特征图像；利用第三分辨率的小目标特征图像对图像识别模型进行训练。通过上述方式，与常规的图像识别方法相比，本申请采用的在图像识别装置中对待训练图像进行分辨率缩小，再放大到图像识别模型所需的分辨率的方式，能够在第一次缩小时使得大目标图像更加具有小目标特征，从而在不改变图像识别模型的结构的情况下使得图像识别模型能够在识别图像时提升识别小目标样本的精确度。同时本申请基于已有的大目标样本得到的小目标样本对图像识别模型进行训练，可以减少直接采集并标注小目标样本的数据采集标注成本，且不需要改变图像识别模型的推理和部署方式，无需从头训练样本，从而减少了模型训练的成本。

技术特征：

1.一种模型训练方法，其特征在于，所述模型训练方法包括：

2.根据权利要求1所述的模型训练方法，其特征在于，

3.根据权利要求2所述的模型训练方法，其特征在于，

4.根据权利要求1所述的模型训练方法，其特征在于，

5.根据权利要求4所述的模型训练方法，其特征在于，

6.根据权利要求1所述的模型训练方法，其特征在于，

7.根据权利要求1所述的模型训练方法，其特征在于，

8.一种图像识别方法，其特征在于，所述图像识别方法包括：

9.一种图像识别装置，其特征在于，所述图像识别装置包括存储器以及与所述存储器耦接的处理器；

10.一种计算机存储介质，其特征在于，所述计算机存储介质用于存储程序数据，所述程序数据在被计算机执行时，用以实现如权利要求1至7任一项所述的模型训练方法，和/或权利要求8所述的图像识别方法。

技术总结
本申请提供一种模型训练方法、图像识别方法、装置以及计算机存储介质。所述模型训练方法包括：获取待训练图像；将待训练图像从第一分辨率缩小至第二分辨率；获取待训练的图像识别模型预设的第三分辨率，第三分辨率为待训练的图像识别模型中输入网络的图像大小；将第二分辨率的待训练图像放大为第三分辨率的小目标特征图像；利用第三分辨率的小目标特征图像对图像识别模型进行训练。通过上述方式，本申请能够通过将包含有大目标的待训练图像的分辨率进行缩小，从而实现使用基于已有的大目标标注的数据得到的更加具有小目标特征的样本对图像识别模型进行训练，在不影响大目标识别的基础上提高模型对于小目标样本的识别能力。

技术研发人员：殷俊,尚守望,郑春煌,程德强,鲁逸峰,周祥明,张朋,蔡丹平,张学涵,傅凯,汪志强
受保护的技术使用者：浙江大华技术股份有限公司
技术研发日：
技术公布日：2024/1/15