[发明专利]基于小物体检测的图像识别方法、装置以及介质

权利要求书

1.一种基于小物体检测的图像识别方法，其特征在于，包括：

根据已标注的图像数据对基于小物体检测的识别模型进行迭代训练；

根据所述迭代训练中检测到的小物体的种类，将具有各个所述小物体的种类的已标注的图像数据作为候选图像数据；

将待识别的图像数据及所述候选图像数据输入至经过训练的所述基于小物体检测的识别模型中以提取各个图像数据的特征向量；

根据提取的所述特征向量将待识别图像数据与所述候选图像数据进行相似度匹配，以获得对应待识别的图像数据的识别结果。

2.如权利要求1所述的方法，其特征在于，

所述基于小物体检测的识别模型包括：ReID卷积神经网络和小物体检测网络；

其中，所述ReID卷积神经网络包括：主干网络、头部网络；

所述头部网络包括三元组损失和分类损失两个分支；

其中，所述小物体检测网络包括：与所述ReID卷积神经网络共用的所述主干网络，并具有小物体检测网络的头部网络；

所述小物体检测网络的头部网络包括：回归损失和分类损失两个分支。

3.如权利要求2所述的方法，其特征在于，根据已标注的图像数据对基于小物体检测的识别模型进行迭代训练，具体包括：

每次选择minibatch个已标注的图像数据，提供给所述基于小物体检测的识别模型进行卷积神经网络的迭代训练；

每次迭代后，检测是否迭代训练达到预定的迭代次数n；

如果否，则根据损失函数计算的所述基于小物体检测的识别模型的总体损失，进行反向传播以更新所述基于小物体检测的识别模型的参数，并根据更新了参数的所述基于小物体检测的识别模型进行下一次迭代训练；

如果是，则结束所述迭代训练，并通过所述基于小物体检测的识别模型的小物体检测网络，输出在迭代训练中检测到的所有检测框和对应的置信度。

4.如权利要求3所述的方法，其特征在于，“根据损失函数计算的所述基于小物体检测的识别模型的总体损失，进行反向传播以更新所述基于小物体检测的识别模型的参数”，具体包括：

基于每次选择的minibatch个已标注的图像数据，分别通过损失函数计算所述ReID卷积神经网络的头部网络的分支损失和所述小物体检测网络的头部网络的分支损失；

将两个所述分支损失之和作为所述基于小物体检测的识别模型的总体损失；

根据所述总体损失，利用动量梯度下降法或直接替换法对所述基于小物体检测的识别模型的参数进行一次更新；

其中，所述ReID卷积神经网络的头部网络的分支损失具体包括：三元损失和ID分类的交叉熵损失；

其中，所述小物体检测网络的头部网络的分支损失具体包括：检测框的回归损失和类别的交叉熵损失。

5.如权利要求3所述的方法，其特征在于，根据所述迭代训练中检测到的小物体的种类，将具有各个所述小物体的种类的已标注的图像数据作为候选图像数据，具体包括：

根据所述置信度与预设的阈值的比较，判断对应所述置信度的检测框中的小物体所属的种类；

从所有的已标注的图像数据中筛选出包含各个所述小物体的种类的已标注的图像数据作为候选图像数据。

6.如权利要求2所述的方法，其特征在于，将待识别的图像数据以及所述候选图像数据输入至经过训练的基于小物体检测的识别模型中以提取各个图像数据的特征向量，具体包括：

每张图像数据经过共同的所述主干网络后，由所述小物体检测网络提取输入的每个图像数据的第一特征向量，以及由所述ReID卷积神经网络提取输入的每个图像数据的第二特征向量；

将每个图像数据的第一特征向量和第二特征向量组合成所述图像数据的最终的特征向量；

其中，所有的所述候选图像数据的对应所有的最终的特征向量形成特征向量矩阵。