一种图像识别模型训练方法、图像识别方法及装置与流程

本技术涉及图像处理，特别是涉及一种图像识别模型训练方法、图像识别方法及装置。

背景技术：

1、利用神经网络模型进行图像识别，能够获得图像中包括的对象所属的类别和/或该对象在图像中的位置等。实际应用场景中存在各种难例，神经网络模型难以准确地对难例进行图像识别。以人脸识别场景为例，人脸识别模型难以对人脸被大部分遮挡、模糊或变形等使人脸难以分辨的人脸图像，进行准确地人脸识别。

2、这是由于神经网络模型通常是由清晰且完整的图像训练而来，因此对难例的识别准确度低。但如果仅使用难例来训练神经网络模型，又会使得神经网络模型仅通过图像中的颜色和轮廓等不易区分的特征进行图像识别，同样导致训练后的神经网络模型的识别准确度低。

技术实现思路

1、本技术实施例的目的在于提供一种图像识别模型训练方法、图像识别方法及装置，以实现提高图像识别的准确度。具体技术方案如下：

2、在本技术实施例的第一方面，首先提供了一种图像识别模型训练方法，所述方法包括：

3、获取样本图像和训练标签，所述训练标签为所述样本图像的标准识别结果；

4、利用图像识别网络对所述样本图像进行特征提取，得到特征图，并基于所述特征图确定所述样本图像的图像识别结果；

5、确定所述样本图像的图像质量，所述图像质量用于表示图像中的指定对象的完整程度和/或清晰程度；

6、基于所述图像质量，调整缩放系数的大小；其中，所述图像质量处于质量达标范围的情况下，对所述缩放系数的放大幅度与所述图像质量正相关；所述图像质量处于非质量达标范围的情况下，对所述缩放系数的减小幅度与所述图像质量负相关，所述质量达标范围为困难样本的图像质量范围；

7、基于调整后的缩放系数、所述图像识别结果和所述训练标签，确定损失值，所述权重系数与所述损失值正相关；

8、利用所述损失值调整所述图像识别网络的网络参数，并返回所述利用图像识别网络对所述样本图像进行特征提取的步骤，直至所述图像识别网络收敛时，将当前的图像识别网络作为图像识别模型，所述图像识别模型用于识别图像中的指定对象。

9、可选的，所述确定所述样本图像的图像质量，包括：

10、利用注意力机制对所述特征图进行特征提取，得到重编码特征图；

11、对所述重编码特征图计算二范数，将计算结果作为所述样本图像的图像质量。

12、可选的，所述利用注意力机制对所述特征图进行特征提取，得到重编码特征图，包括：

13、确定所述特征图包括的每个通道的通道权重；

14、分别将所述特征图包括的每个通道的特征与通道权重相乘，得到所述重编码特征图。

15、可选的，所述确定所述特征图包括的每个通道的通道权重，包括：

16、对所述特征图进行全局平均池化处理，得到平均池化特征；

17、利用多层感知器基于所述平均池化特征，确定所述特征图包括的每个通道的第一子权重；

18、对所述特征图进行全局最大池化处理，得到最大池化特征；

19、利用所述多层感知器基于所述最大池化特征，确定所述特征图包括的每个通道的第二子权重；

20、基于所述特征图包括的每个通道的第一子权重和第二子权重，确定该通道的通道权重。

21、可选的，所述基于所述图像质量，调整缩放系数的大小，包括：

22、根据各质量子范围与权重系数之间的预设对应关系，确定所述图像质量所属的质量子范围对应的目标权重系数，其中，所述质量达标范围包括的各质量子范围表示的图像质量与对应的权重系数正相关，非质量达标范围包括的各质量子范围表示的图像质量与对应的权重系数负相关；

23、调整所述缩放系数为所述样本图像的图像质量与所述目标权重系数的乘积。

24、可选的，所述基于调整后的缩放系数、所述图像识别结果和所述训练标签，确定损失值，包括：

25、确定所述图像识别结果和所述训练标签之间的误差；

26、基于所述误差与调整后的缩放系数的乘积，确定所述损失值。

27、在本技术实施例的第二方面，还提供了一种图像识别方法，所述方法包括：

28、获取待识别图像；

29、利用图像识别模型对所述待识别图像进行特征提取，得到特征图，其中，所述图像识别模型为基于第一方面任一项所述的方法训练得到的模型；

30、利用所述图像识别模型基于所述特征图识别所述待识别图像中的指定对象。

31、可选的，在所述利用图像识别模型对所述待识别图像进行特征提取，得到特征图之后，所述方法还包括：

32、利用所述图像识别模型基于所述特征图，确定所述待识别图像的图像质量，所述图像质量用于表示图像中的指定对象的完整程度和/或清晰程度；

33、利用所述图像识别模型判断所述待识别图像的图像质量是否高于预设图像质量；

34、若是，则执行所述利用所述图像识别模型基于所述特征图识别所述待识别图像中的指定对象的步骤；

35、若否，则获取所述图像识别模型输出的指定报错数据。

36、在本技术实施例的第三方面，还提供了一种图像识别模型训练装置，所述装置包括：

37、获取模块，用于获取样本图像和训练标签，所述训练标签为所述样本图像的标准识别结果；

38、识别模块，用于利用图像识别网络对所述获取模块获取的所述样本图像进行特征提取，得到特征图，并基于所述特征图确定所述样本图像的图像识别结果；

39、确定模块，用于确定所述样本图像的图像质量，所述图像质量用于表示图像中的指定对象的完整程度和/或清晰程度；

40、调整模块，用于基于所述确定模块确定的所述图像质量，调整缩放系数的大小；其中，所述图像质量处于质量达标范围的情况下，对所述缩放系数的放大幅度与所述图像质量正相关；所述图像质量处于非质量达标范围的情况下，对所述缩放系数的减小幅度与所述图像质量正相关，所述质量达标范围为困难样本的图像质量范围；

41、所述确定模块，还用于基于所述调整模块调整后的缩放系数、所述识别模块识别的图像识别结果和所述获取模块获取的训练标签，确定损失值，所述权重系数与所述损失值正相关；

42、所述调整模块，还用于利用所述确定模块确定的所述损失值调整所述图像识别网络的网络参数，并调用所述识别模块执行所述利用图像识别网络对对所述获取模块获取的所述样本图像进行特征提取的步骤，直至所述图像识别网络收敛时，将当前的图像识别网络作为图像识别模型，所述图像识别模型用于识别图像中的指定对象。

43、可选的，所述确定模块，具体用于：

44、利用注意力机制对所述特征图进行特征提取，得到重编码特征图；

45、对所述重编码特征图计算二范数，将计算结果作为所述样本图像的图像质量。

46、可选的，所述确定模块，具体用于：

47、确定所述特征图包括的每个通道的通道权重；

48、分别将所述特征图包括的每个通道的特征与通道权重相乘，得到所述重编码特征图。

49、可选的，所述确定模块，具体用于：

50、对所述特征图进行全局平均池化处理，得到平均池化特征；

51、利用多层感知器基于所述平均池化特征，确定所述特征图包括的每个通道的第一子权重；

52、对所述特征图进行全局最大池化处理，得到最大池化特征；

53、利用所述多层感知器基于所述最大池化特征，确定所述特征图包括的每个通道的第二子权重；

54、基于所述特征图包括的每个通道的第一子权重和第二子权重，确定该通道的通道权重。

55、可选的，所述调整模块，具体用于：

56、根据各质量子范围与权重系数之间的预设对应关系，确定所述图像质量所属的质量子范围对应的目标权重系数，其中，所述质量达标范围包括的各质量子范围表示的图像质量与对应的权重系数正相关，非质量达标范围包括的各质量子范围表示的图像质量与对应的权重系数负相关；

57、调整所述缩放系数为所述样本图像的图像质量与所述目标权重系数的乘积。

58、可选的，所述确定模块，具体用于：

59、确定所述图像识别结果和所述训练标签之间的误差；

60、基于所述误差与调整后的缩放系数的乘积，确定所述损失值。

61、在本技术实施例的第四方面，还提供了一种图像识别装置，所述装置包括：

62、获取模块，用于获取待识别图像；

63、特征提取模块，用于利用图像识别模型对所述获取模块获取的所述待识别图像进行特征提取，得到特征图，其中，所述图像识别模型为基于第一方面任一项所述的方法训练得到的模型；

64、识别模块，用于利用所述图像识别模型基于所述特征提取模块提取的所述特征图识别所述待识别图像中的指定对象。

65、可选的，所述装置还包括：

66、确定模块，用于在所述利用图像识别模型对所述待识别图像进行特征提取，得到特征图之后，利用所述图像识别模型基于所述特征图，确定所述待识别图像的图像质量，所述图像质量用于表示图像中的指定对象的完整程度和/或清晰程度；

67、判断模块，用于利用所述图像识别模型判断所述待识别图像的图像质量是否高于预设图像质量；

68、调用模块，用于若所述判断模块的判断结果为是，则调用所述识别模块执行所述利用所述图像识别模型基于所述特征图识别所述待识别图像中的指定对象的步骤；

69、所述获取模块，还用于若所述判断模块的判断结果为否，则获取所述图像识别模型输出的指定报错数据。

70、在本技术实施例的第五方面，还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

71、存储器，用于存放计算机程序；

72、处理器，用于执行存储器上所存放的程序时，实现第一方面或第二方面任一项所述的方法步骤。

73、在本技术实施例的第六方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面或第二方面任一项所述的方法步骤。

74、在本技术实施例的第七方面，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面或第二方面任一项所述的方法步骤。

75、本技术实施例提供的图像识别模型训练方法、图像识别方法及装置，由于样本图像的图像质量处于质量达标范围的情况下，对缩放系数的放大幅度与图像质量正相关，样本图像的图像质量处于非质量达标范围的情况下，对缩放系数的减小幅度与图像质量正相关，从而提高困难样本的缩放系数，减小非困难样本的缩放系数。而且缩放系数与损失值正相关，因此图像识别网络在训练过程中，能够更关注对困难样本的学习。此外，本技术实施例利用图像质量区分图像识别网络对不同样本图像的关注度，而不需要限制样本图像均为困难样本或非困难样本。因此本技术实施例既能结合困难样本和非困难样本训练图像识别网络，还能让图像识别网络更关注对困难样本的学习，使得训练后得到的图像识别模型能够更准确地进行图像识别。