[发明专利]基于深度学习的图像识别方法、装置、设备及存储介质

权利要求书

1.一种基于深度学习的图像识别方法，其特征在于，所述基于深度学习的图像识别方法包括以下步骤：

接收训练图像，获取所述训练图像的类别标签和二值分割标签，并对所述训练图像进行特征提取，得到特征空间；

通过预设卷积神经网络，对所述特征空间进行注意力预测，得到目标热图，并根据所述目标热图和所述二值分割标签，得到分割损失值；

获取所述特征空间对应的嵌入向量，所述类别标签对应的类别中心，并通过预设损失函数，计算所述类别中心与所述嵌入向量之间的距离损失值；

对所述嵌入向量进行整合，得到图像类别，计算图像类别与所述类别标签之间的类别损失值，并根据所述分割损失值，所述距离损失值以及所述类别损失值，对所述预设卷积神经网络进行参数调整，以完成模型训练。

2.如权利要求1所述的基于深度学习的图像识别方法，其特征在于，所述对所述训练图像进行特征提取，得到特征空间的步骤包括：

将所述训练图像输入预设深度残差网络，通过所述预设深度残差网络对所述训练图像进行特征提取，得到预设大小的特征空间。

3.如权利要求1所述的基于深度学习的图像识别方法，其特征在于，所述通过预设卷积神经网络，对所述特征空间进行注意力预测，得到目标热图的步骤包括：

通过预设卷积神经网络，对所述特征空间进行注意力预测，得到所述特征空间的不同区域的注意力数值；

通过预设非线性函数将所述注意力数值限定在预设区间，得到目标热图。

4.如权利要求1所述的基于深度学习的图像识别方法，其特征在于，所述根据所述目标热图和所述二值分割标签，得到分割损失值的步骤包括：

对所述二值分割标签对应的二值图进行缩放操作，以使所述缩放操作后的二值图的尺寸与所述目标热图的尺寸相同；

将所述目标热图与所述二值图进行对比，得到分割损失值。

5.如权利要求1所述的基于深度学习的图像识别方法，其特征在于，所述获取所述特征空间对应的嵌入向量的步骤包括：

根据所述目标热图中的注意力数值，对所述特征空间的不同区域进行加权处理；

对所述加权处理后的特征空间进行全局平均池化，得到所述特征空间对应的嵌入向量。

6.如权利要求1所述的基于深度学习的图像识别方法，其特征在于，所述通过预设损失函数，计算所述类别中心与所述嵌入向量之间的距离损失值的步骤包括：

通过预设损失函数，将所述嵌入向量向所述类别标签对应的类别中心靠拢，并在靠拢完成后，计算所述类别中心与靠拢完成后的嵌入向量之间的距离损失值。

7.如权利要求1所述的基于深度学习的图像识别方法，其特征在于，所述对所述预设卷积神经网络进行参数调整，以完成模型训练的步骤之后，包括：

接收测试图像，并将所述测试图像输入所述预设卷积神经网络，得到测试向量；

获取所述预设卷积神经网络的特征中心，并将所述测试向量与所述特征中心进行对比；

根据对比结果，确定所述特征中心中距离所述测试向量最近的目标特征中心，并将所述目标特征中心对应的目标图像类别作为所述测试图像的图像类别。

8.一种基于深度学习的图像识别装置，其特征在于，所述基于深度学习的图像识别装置包括：

特征提取模型，用于接收训练图像，获取所述训练图像的类别标签和二值分割标签，并对所述训练图像进行特征提取，得到特征空间；

分割损失值计算模型，用于通过预设卷积神经网络，对所述特征空间进行注意力预测，得到目标热图，并根据所述目标热图和所述二值分割标签，得到分割损失值；

距离损失值计算模型，用于获取所述特征空间对应的嵌入向量，所述类别标签对应的类别中心，并通过预设损失函数，计算所述类别中心与所述嵌入向量之间的距离损失值；

调参模型，用于对所述嵌入向量进行整合，得到图像类别，计算图像类别与所述类别标签之间的类别损失值，并根据所述分割损失值，所述距离损失值以及所述类别损失值，对所述预设卷积神经网络进行参数调整，以完成模型训练。