[发明专利]一种图像识别方法、系统、介质及电子设备

说明书

本公开提供了一种图像识别方法、系统、介质及电子设备，获取待识别的图像；对获取的图像进行预处理；对预处理后的图像进行特征提取；根据提取的特征和预设卷积神经网络，得到图像识别结果；其中，预设卷积神经网络包括特征增强模块，特征增强模块总损失为区分性损失同多样性损失与第一预设系数乘积的差值，卷积神经网络模型的总损失为特征增强总损失与第二预设系数的乘积再与交叉熵损失的加和；本公开通过设置特征增强模块，使得学习到的特征具有较好的区分性和多样性，提升了细粒度分类的精度。

技术领域

本公开涉及图像处理技术领域，特别涉及一种图像识别方法、系统、介质及电子设备。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

图像的细粒度分类由于其具有广泛的应用场景已受到越来越多研究者的关注。不同于传统的图像识别任务对大类(例如狗和猫的图像)进行区分，细粒度分类的重点是对大类中的小类(例如泰迪和牧羊犬的图像)进行进一步的细致分类。

传统的图像分类方法大致可以分为基于手工设计特征的方法和基于深度学习的方法。对于早期的基于手工设计特征的方法，由于特征的表述能力有限，导致分类效果难以令人满意。相比较传统的手工设计特征的方法，深度神经网路具有强大的特征学习能力，已成为图像识别的主流方法。然而目前的细粒度分类任务对于深度学习模型仍具有一定的挑战性。在细粒度分类任务中，图像具有更加相似的外观和特征，加之采集中存在姿态、视角、光照、遮挡、背景干扰等影响，导致数据呈现类间差异性大、类内差异性小的现象，从而增加了分类任务的难度。

发明人发现，现有的深度学习方法在提取特征时，大多聚焦于学习更好的目标表示，忽略了目标之间区分性信息的学习，降低了细粒度分类的精度；另外，学习多样性的特征有利于获取互补信息进一步提升分类精度，现有方法忽略了这一点，限制了分类性能的提升。

发明内容

为了解决现有技术的不足，本公开提供了一种图像识别方法、系统、介质及电子设备，通过设置特征增强模块，使得学习到的特征具有较好的区分性和多样性，提升了细粒度分类的精度。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种图像识别方法。

一种图像识别方法，包括以下过程：

获取待识别的图像；

对获取的图像进行预处理；

对预处理后的图像进行特征提取；

根据提取的特征和预设卷积神经网络，得到图像识别结果；

其中，预设卷积神经网络包括特征增强模块，特征增强模块总损失为区分性损失同多样性损失与第一预设系数乘积的差值，卷积神经网络模型的总损失为特征增强总损失与第二预设系数的乘积再与交叉熵损失的加和。

进一步的，根据提取到的特征得到特征图，计算特征图得分最大值所对应类别为预测类别，根据预测类别与真实标签类别进行交叉熵损失计算。

进一步的，区分性损失的获取，包括：

根据提取到的特征得到特征图，将特征图输入到区分性损失函数中，首先进入到se-attention中来获得让神经网络重点关注对当前任务有用的特征通道，然后分别进入到全局最大池化与全局平均池化后，得到不同类的特征值，任两个类之间取差值的平方，得到区分性损失。

更进一步的，将经过se-attention得到的结果进行全局平均池化，获取每个通道中的特征值的均值；将经过se-attention得到的结果进行全局最大池化，得到每个通道中特征值最大的明显的特征；

将经过全局最大池化与全局平均池化获得的结果作为特征，计算任两个不同类的特征值的最小二乘，得到区分性损失。