图像识别与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CN110163369A(43)申请公布日2019.08.23(21)申请号201910423901.4(22)申请日2019.05.21(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)发明人王塑李亮亮杜佳慧刘宇(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.G06N3/08(2006.01)G06K9/00(2006.01)权利要求书3页说明书15页附图4页(54)发明名称图像识别与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与神经网络模型的训练方法、装置和系统。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进行特征提取处理，输出待识别图像在特征空间上的目标图像特征；神经网络模型是基于包括电荷相互作用势能在内的损失函数训练得到的，电荷相互作用势能与特征空间内不同图像特征之间的距离相关，电荷相互作用势能包括：属于同一对象的图像特征之间的电荷吸引势能，以及属于不同对象的图像特征之间的电荷排斥势能；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。采用本方法能够降低图像误识率。CN110163369ACN110163369A权利要求书1/3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进行特征提取处理，输出所述待识别图像在特征空间上的目标图像特征；所述神经网络模型是基于包括电荷相互作用势能在内的损失函数训练得到的，所述电荷相互作用势能与所述特征空间内不同图像特征之间的距离相关，所述电荷相互作用势能包括：属于同一对象的图像特征之间的电荷吸引势能，以及属于不同对象的图像特征之间的电荷排斥势能；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，所述方法还包括：获取各训练样本图像，并将各所述训练样本图像输入初始神经网络模型中，输出各所述训练样本图像的样本图像特征；每个训练样本图像的样本图像特征在特征空间上具有一个对应的A类特征点，所述A类特征点具有与对应训练样本图像相同的对象标签；根据不同A类特征点在特征空间上的位置，获取特征空间上不同特征点之间的距离；根据不同特征点之间的距离和不同特征点所属的对象，计算所述电荷相互作用势能；并基于所述电荷相互作用势能，计算所述初始神经网络模型的损失函数的值；根据所述损失函数的值，对所述初始神经网络模型的待训练参数进行调整，得到所述神经网络模型。3.根据权利要求2所述的方法，其特征在于，所述特征空间上存在A类特征点和B类特征点，所述B类特征点为各个预设参考对象的对象图像特征对应在特征空间上的特征点；所述电荷相互作用势能包括A-B类电荷势能；所述A-B类电荷势能包括：属于同一对象的A类特征点和B类特征点之间的电荷吸引势能，以及属于不同对象的A类特征点和B类特征点之间的电荷排斥势能。4.根据权利要求3所述的方法，其特征在于，所述初始神经网络模型的待训练参数包括：各B类特征点对应的各个预设参考对象的对象图像特征的参数；所述根据不同A类特征点在特征空间上的位置，获取特征空间上不同特征点之间的距离，包括：根据不同A类特征点在特征空间上的位置和不同B类特征点在特征空间上的位置，获取特征空间上A类特征点和B类特征点之间的距离；相应地，所述根据不同特征点之间的距离和不同特征点所属的对象，计算所述电荷相互作用势能，包括：根据A类特征点和B类特征点之间的距离、不同A类特征点所属的对象、不同B类特征点所属的对象，计算属于同一对象的A类特征点和B类特征点之间的电荷吸引势能，以及属于不同对象的A类特征点和B类特征点之间的电荷排斥势能。5.根据权利要求4所述的方法，其特征在于，所述根据A类特征点和B类特征点之间的距离、不同A类特征点所属的对象、不同B类特征点所属的对象，计算属于同一对象的A类特征点和B类特征点之间的电荷吸引势能，以及属于不同对象的A类特征点和B类特征点之间的电荷排斥势能，包括：采用包括的关系式，计算所述电荷相互作用势能；2CN110163369A权利要求书2/3页其中，针对第i个A类特征点和第a个B类特征点，当所述A类特征点和所述B类特征点属于同一对象时，Wi,a取值为-1，为属于同一对象的所述A类特征点和所述B类特征点之间的电荷吸引势能；当所述A类特征点和所述B类特征点属于不同对象时，Wi,a取值为+1，为属于不同对象的所述A类特征点和所述B类特征点之间的电荷排斥势能；R为所述A类特征点和所述B类特征点之间的距离，R0为第一预设距离阈值。6.根据权利要求2所述的方法，其特征