[發明專利]一種圖像識別方法、裝置、電子設備和計算機可讀介質

有效

• 申請號: 201810443324.0
• 申請日: 2018-05-10
• 公開（公告）號: CN108681746B
• 公開（公告）日: 2021-01-12
• 發明（設計）人: 魏秀參
• 申請（專利權）人: 北京邁格威科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京超凡志成知識產權代理事務所(普通合伙) 11371
• 代理人: 鄧超

本發明提供了一種圖像識別方法、裝置、電子設備和計算機可讀介質，涉及圖像識別的技術領域，該方法包括：獲取測試樣本，測試樣本中包括測試范例圖像和待識別圖像，其中，測試范例圖像中物體的類別包括待識別圖像中物體的類別；對測試范例圖像進行特征提取，得到特征集合，特征集合中包括多個子向量，子向量為范例圖像中物體的部件特征向量；通過分段分類器映射模型將每個子向量映射為對應類型的子分類器，并通過子分類器確定進而得到目標分類器，并從而通過目標分類器對待識別圖像進行圖像識別，分段分類器映射模型為通過小樣本學習之后得到的模型，本發明所所提供的方法使得傳統的細粒度級別圖像識別技術不再依賴于海量細粒度級別圖像。

技術領域

本發明涉及圖像識別的技術領域，尤其是涉及一種圖像識別方法、裝置、電子設備和計算機可讀介質。

背景技術

隨著人工智能技術的快速發展，圖像識別和圖像檢測技術也正在順勢發展，圖像識別和圖像檢測技術已經廣泛應用到生活中，例如，圖像識別技術。圖像識別技術可以用來識別圖像中所包含物體的種類，例如，圖像中所包含物體是狗還是貓等等。隨著圖像識別技術的快速發展，另外一種圖像識別技術也應運而生，即，細粒度級別圖像識別技術。

細粒度級別圖像識別技術一直是計算機視覺領域的一項重要研究課題，目前該方面研究主要側重在如何尋找細粒度級別圖像中具備分辨能力的物體部件(object parts)區域，或，構造適用于細粒度級別圖像識別任務的新型網絡模型。但無論上述何種深度學習方法均需依賴于海量細粒度級別圖像，如此便限制了細粒度級別圖像識別的發展及其在現實場景下的應用。

發明內容

有鑒于此，本發明的目的在于提供一種圖像識別方法、裝置、電子設備和計算機可讀介質，該方法使得傳統的細粒度級別圖像識別技術不再依賴于海量細粒度級別圖像。

第一方面，本發明實施例提供了一種圖像識別方法，包括：獲取測試樣本，所述測試樣本中包括測試范例圖像和待識別圖像，其中，所述測試范例圖像中物體的類別包括所述待識別圖像中物體的類別；對所述測試范例圖像進行特征提取，得到特征集合，所述特征集合中包括多個子向量，所述子向量為所述范例圖像中物體的部件特征向量；通過分段分類器映射模型將每個所述子向量映射為對應類型的子分類器，并通過所述子分類器確定目標分類器，從而通過所述目標分類器對所述待識別圖像進行圖像識別，其中，所述分段分類器映射模型為通過小樣本學習之后得到的模型。

進一步地，所述測試范例圖像中的物體的類別為至少一個；對所述測試范例圖像進行特征提取，得到特征集合包括：對所述測試范例圖像中類別為A_i的測試范例圖像進行特征提取，得到特征集合X_i，其中，類別A_i為多個類別中的第i類別，i依次取1至k，k為所述測試范例圖像的類別數量；通過分段分類器映射模型將每個所述子向量映射為對應類型的子分類器，進而得到目標分類器包括：通過所述分段分類器映射模型將所述特征集合Xi中的每個子向量映射為對應類型的子分類器，并通過所述子分類器確定目標分類器F_i。

進一步地，通過所述分段分類器映射模型將所述特征集合Xi中的每個子向量映射為對應類型的子分類器，并通過所述子分類器確定目標分類器F_i包括：通過所述分段分類器映射模型中的分段分類映射函數將所述特征集合Xi中的每個子向量映射為對應類型的子分類器，得到多個子分類器；將所述多個子分類器進行級聯，得到所述目標分類器F_i。

進一步地，通過所述分段分類器映射模型中的分段分類映射函數將所述特征集合Xi中的每個子向量映射為對應類型的子分類器包括：通過公式將所述特征集合X_i中的第t個子向量映射為對應類型的子分類器，其中，表示所述特征集合X_i中的第t個子向量所對應的子分類器，表示所述分段分類映射函數，t依次取1至n_B，n_B為所述特征集合X_i中子向量的個數。