[发明专利]一种小样本图像识别方法及相关设备

权利要求书

1.一种小样本图像识别方法，其特征在于，包括：

获取待识别图像，并将所述待识别图像输入预设识别模型，得到所述待识别图像的Xception特征和所述待识别图像的dense特征，所述预设识别模型基于Xception模型以及dense模型构建；

将所述Xception特征和所述dense特征进行融合，得到融合特征；

将所述预设识别模型预测分数最高的特征的特征类型作为第一特征类型，并根据所述第一特征类型在所述融合特征中筛选出目标特征，以完成所述待识别图像的识别过程。

2.如权利要求1所述的一种小样本图像识别方法，其特征在于，在所述将所述待识别图像输入预设识别模型的步骤之前，还包括：

调用所述Xception模型中至少两层重复的普通卷积与至少一个深度可分离卷积块作为Xception网络；

调用所述dense模型中的block块作为dense网络，被调用的所述block块的数量大于零，且小于所述dense模型中block块的固定值；

基于所述Xception网络和所述dense网络构建初始预设识别模型；

对所述初始预设识别模型进行训练，得到训练后的预设识别模型。

3.如权利要求2所述的一种小样本图像识别方法，其特征在于，所述对所述初始预设识别模型进行训练，得到训练后的预设识别模型的步骤，包括：

将训练图像按相同尺寸分别输入所述初始预设识别模型中的所述Xception网络和所述dense网络，得到所述训练图像不同维度的第一特征和第二特征；

将所述第一特征和所述第二特征进行拼接，得到所述训练图像的融合特征；

基于所述训练图像的融合特征采用Adam优化器完成对所述初始预设识别模型的训练，得到训练后的预设识别模型。

4.如权利要求3所述的一种小样本图像识别方法，其特征在于，在所述将所述预设识别模型预测分数最高的特征的特征类型作为第一特征类型的步骤之前，还包括：

将所述训练图像的融合特征进行Dropout降维处理，得到降维数据；

基于所述降维数据和softmax函数计算所述融合特征中各特征类别的预测分值；

基于所述预测分值确定所述预设识别模型预测分数最高的特征的特征类型。

5.如权利要求3所述的一种小样本图像识别方法，其特征在于，所述基于所述训练图像的融合特征采用Adam优化器完成对所述初始预设识别模型的训练的步骤，包括：

采用Adam优化器通过ImageDataGenerator增强法和早停法基于所述训练图像的融合特征完成对所述初始预设识别模型的训练。

6.如权利要求3所述的一种小样本图像识别方法，其特征在于，在所述将训练图像按相同尺寸分别输入所述初始预设识别模型中的所述Xception网络和所述dense网络，得到所述训练图像不同维度的第一特征和第二特征的步骤之前，还包括：

获取所述训练图像的原始尺寸；

按预设规则修改所述训练图像的原始尺寸，得到满足预设要求的目标尺寸区间，所述预设要求为能够提取到所述训练图像全局以及局部的所有特征，所述预设规则为每次改变10像素的大小。

7.如权利要求5所述的一种小样本图像识别方法，其特征在于，所述获取待识别图像的步骤，包括：

获取初始待识别图像的尺寸数据；

若所述初始待识别图像的尺寸数据处于所述目标尺寸区间内，则将所述初始待识别图像输入所述预设识别模型；

若所述初始待识别图像的尺寸数据不处于所述目标尺寸区间内，则按预设规则修改所述初始待识别图像的尺寸数据，直至修改后的尺寸数据处于所述目标尺寸区间内时，得到所述待识别图像。