图像识别和神经网络模型的训练方法、装置和系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110188641A(43)申请公布日2019.08.30(21)申请号201910420357.8(22)申请日2019.05.20(71)申请人北京迈格威科技有限公司地址100190北京市海淀区科学院南路2号融科资讯中心A座316-318(72)发明人王塑王泽荣刘宇赵俊杰杜佳慧肖琳程昌茂(74)专利代理机构北京华进京联知识产权代理有限公司11606代理人朱五云李姣姣(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书6页说明书23页附图9页(54)发明名称图像识别和神经网络模型的训练方法、装置和系统(57)摘要本申请涉及一种图像识别和神经网络模型的训练方法、装置、系统和可读存储介质。该方法包括：获取待识别图像；将待识别图像输入神经网络模型，输出待识别图像的目标图像特征；神经网络模型是基于属于多个训练数据集的各样本图像进行训练的，任意两个训练数据集对应的数据集特征距离之间的差值小于预设阈值；数据集特征距离为数据集类间特征距离或数据集类内特征距离；根据与神经网络模型对应的判定阈值，对目标图像特征进行图像识别处理，得到待识别图像的图像识别结果。针对不同数据集，采用本方法能够可以表现出较为均衡的图像识别性能。CN110188641ACN110188641A权利要求书1/6页1.一种图像识别方法，其特征在于，包括：获取待识别图像；将所述待识别图像输入神经网络模型，输出所述待识别图像的目标图像特征；所述神经网络模型是基于属于多个训练数据集的各样本图像进行训练的，任意两个训练数据集对应的数据集特征距离之间的差值小于预设阈值；所述数据集特征距离为数据集类间特征距离或数据集类内特征距离，所述数据集类间特征距离用于表征属于同一数据集且在特征空间上属于不同类别的任意两个特征点之间的距离，所述数据集类内特征距离用于表征属于同一数据集且在特征空间上属于同一类别的任意两个特征点之间的距离；根据与所述神经网络模型对应的判定阈值，对所述目标图像特征进行图像识别处理，得到所述待识别图像的图像识别结果。2.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括特征提取网络和距离变换网络，所述将所述待识别图像输入神经网络模型，输出所述待识别图像的目标图像特征，包括：将所述待识别图像输入所述特征提取网络进行特征提取处理，得到所述待识别图像的参考图像特征；将所述参考图像特征输入所述距离变换网络，计算所述参考图像特征对应的距离变换系数，以及根据所述距离变换系数，对所述参考图像特征进行距离变换处理，输出距离变换处理后得到的目标图像特征。3.根据权利要求2所述的方法，其特征在于，所述距离变换网络包括至少一个全连接层，所述将所述参考图像特征输入所述距离变换网络，计算所述参考图像特征对应的距离变换系数，以及根据所述距离变换系数，对所述参考图像特征进行距离变换处理，输出距离变换处理后得到的目标图像特征，包括：对所述参考图像特征进行归一化处理，得到归一化处理后的参考图像特征；对所述归一化处理后的参考图像特征输入所述至少一个全连接层进行全连接处理，得到所述参考图像特征对应的距离变换系数；根据所述距离变换系数，对归一化处理前的所述参考图像特征进行距离变换处理，得到所述距离变换处理后得到的目标图像特征。4.根据权利要求2或3所述的方法，其特征在于，所述距离变换网络是由特征距离变换损失在内的损失函数训练得到的；所述特征距离变换损失为期望特征距离和各参考图像特征的变换特征距离之间的损失，所述期望特征距离为变换特征距离的参考值，所述参考图像特征的变换特征距离为所述参考图像特征的样本特征距离和距离变换系数的乘积结果；所述参考图像特征为所述神经网络模型的特征提取网络从样本图像中提取得到的；所述数据集特征距离与属于同一数据集的各参考图像特征的样本特征距离相关；其中，所述样本特征距离为样本类间特征距离或样本类内特征距离；所述样本类间特征距离，表征与所述参考图像特征属于同一数据集且属于不同类别的其它参考图像特征在特征空间中与所述参考图像特征之间的距离；所述样本类内特征距离，表征与所述参考图像特征属于同一数据集且属于同一类别的其它参考图像特征在特征空间中与所述参考图像特征之间的距离。5.根据权利要求4所述的方法，其特征在于，所述特征距离变换损失L采用如下关系式2CN110188641A权利要求书2/6页计算得到：其中，N为样本图像的总数目，xi为第i个样本图像的参考图像特征，F(xi)为第i个样本图像的参考图像特征的距离变换系数，Ri为第i个样本图像的参考图像特征的样本特征距离，Rc为期望特征距离。6.根据