[发明专利]一种图像识别方法、装置、计算设备及存储介质

权利要求书

1.一种图像识别方法，其特征在于，该方法包括：

获取待检测的图像；

将所述待检测的图像输入到预先训练完成的卷积神经网络模型中，通过所述卷积神经网络模型确定所述图像的特征图像，并根据所述特征图像确定所述图像的识别结果；

所述卷积神经网络模型，包括第一卷积单元、第二卷积单元和第三卷积单元；所述第一卷积单元为所述卷积神经网络模型中的前N个卷积层，所述第二卷积单元为所述卷积神经网络模型中的最后的M个卷积层；所述第三卷积单元为所述卷积神经网络模型中除所述第一卷积单元和所述第二卷积单元外的P个卷积层；N，M，P为正整数；

所述第一卷积单元中的N个卷积层中的卷积核为权值矩阵共享的卷积核；所述第二卷积单元中的M个卷积层中的卷积核为权值矩阵共享的卷积核；所述第三卷积单元的每个卷积层中的卷积核包括至少一个权值矩阵不共享的卷积核和至少一个权值矩阵共享的卷积核；针对一个卷积层，所述权值矩阵不共享卷积核的个数占卷积核的总个数的比例，与所述卷积层的深度负相关。

2.根据权利要求1所述的方法，其特征在于，所述第三卷积单元的每个卷积层的卷积核按同一原则分为L组；通过所述L组卷积核分别对每个卷积层进行卷积后，获得L组输出的特征图像；将所述L组输出的特征图像线性叠加在一起，获得所述第三卷积单元的输出结果；L为正整数。

3.根据权利要求2所述的方法，其特征在于，所述L组卷积核中的R组卷积核为权值矩阵不共享的卷积核；所述L组卷积核中的L-R组卷积核为权值矩阵共享的卷积核；R为正整数，且R小于L。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述至少一个权值不共享的卷积核包括所述待检测的图像的位置特征；所述将所述 待检测的图像输入到预先训练完成的卷积神经网络模型之前，还包括：

对所述待检测的图像中的至少一个特征的位置进行定位；所述至少一个特征为根据所述卷积神经网络模型确定的；

将所述图像中至少一个特征的位置调整至所述卷积神经网络模型中所述特征对应的位置。

5.一种图像识别装置，其特征在于，该装置包括：

获取模块，用于获取待检测的图像；

处理模块，用于将所述待检测的图像输入到预先训练完成的卷积神经网络模型中，通过所述卷积神经网络模型确定所述图像的特征图像，并根据所述特征图像确定所述图像的识别结果；所述卷积神经网络模型，包括第一卷积单元、第二卷积单元和第三卷积单元；所述第一卷积单元为所述卷积神经网络模型中的前N个卷积层，所述第二卷积单元为所述卷积神经网络模型中的最后的M个卷积层；所述第三卷积单元为所述卷积神经网络模型中除所述第一卷积单元和所述第二卷积单元外的P个卷积层；N，M，P为正整数；所述第一卷积单元中的N个卷积层中的卷积核为权值矩阵共享的卷积核；所述第二卷积单元中的M个卷积层中的卷积核为权值矩阵共享的卷积核；所述第三卷积单元的每个卷积层中的卷积核包括至少一个权值矩阵不共享的卷积核和至少一个权值矩阵共享的卷积核；针对一个卷积层，所述权值矩阵不共享卷积核的个数占卷积核的总个数的比例，与所述卷积层的深度负相关。

6.根据权利要求5所述的装置，其特征在于，所述第三卷积单元的每个卷积层的卷积核按同一原则分为L组；通过所述L组卷积核分别对每个卷积层进行卷积后，获得L组输出的特征图像；将所述L组输出的特征图像线性叠加在一起，获得所述第三卷积单元的输出结果；L为正整数。

7.根据权利要求6所述的装置，其特征在于，所述L组卷积核中的R组卷积核为权值矩阵不共享的卷积核；所述L组卷积核中的L-R组卷积核为权值矩阵共享的卷积核；R为正整数，且R小于L。

8.根据权利要求5-7任一项所述的装置，其特征在于，所述处理模块，还用于：

对所述待检测的图像中的至少一个特征的位置进行定位；所述至少一个特征为根据所述卷积神经网络模型确定的；将所述图像中至少一个特征的位置调整至所述卷积神经网络模型中所述特征对应的位置。