[发明专利]图像识别方法、装置、设备和介质

说明书

提供了一种图像识别方法，涉及人工智能领域。该方法包括：将第一图像输入第一分支网络，得到第一图像特征，所述第一图像特征包括利用所述第一分支网络提高所述第一图像的分辨率后所提取的特征；将第二图像输入第二分支网络，得到第二图像特征所述第二图像的分辨率大于所述第一图像的分辨率；计算所述第一图像特征与所述第二图像特征之间的相似度；若相似度高于预设值，则将所述已知对象作为所述第一图像的识别结果；其中，所述第一分支网络和所述第二分支网络预先通过联合损失函数同时训练获得，所述联合损失函数包括用于处理所述第一分支网络和所述第二分支网络各自的中间特征和/或输出结果的N个损失函数，N大于或等于2。

技术领域

本公开涉及人工智能领域，更具体地，涉及一种图像识别方法、装置、设备、介质和程序产品。

背景技术

图像识别技术是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，例如车牌识别、人脸识别和医学影像分析等应用场景中使用。

在实现本公开发明构思的过程中，发明人发现：现有的图像识别技术大多是基于图像采集环境良好的前提下进行分析的，对待识别图像的分辨率要求较高，而对于低分辨率图像的识别结果并不准确。

发明内容

鉴于上述问题，本公开提供了减轻由于使用低分辨率图像产生的信息提取不足和识别误差的图像识别方法、装置、设备、介质和程序产品。

本公开实施例的一个方面，提供了一种图像识别方法，包括：将第一图像输入第一分支网络，得到第一图像特征，所述第一图像特征包括利用所述第一分支网络提高所述第一图像的分辨率后所提取的特征；将第二图像输入第二分支网络，得到第二图像特征，所述第二图像中包括已知对象，所述第二图像的分辨率大于所述第一图像的分辨率；计算所述第一图像特征与所述第二图像特征之间的相似度；若相似度高于预设值，则将所述已知对象作为所述第一图像的识别结果；其中，所述第一分支网络和所述第二分支网络预先通过联合损失函数同时训练获得，所述联合损失函数包括用于处理所述第一分支网络和所述第二分支网络各自的中间特征和/或输出结果的N个损失函数，N大于或等于2。

根据本公开的实施例，所述第一分支网络包括对抗生成网络，所述将第一图像输入第一分支网络，得到第一图像特征包括：基于所述第一图像确定所述对抗生成网络的输入，得到所述对抗生成网络输出的第三图像，其中，所述第三图像的分辨率大于所述第一图像的分辨率；基于所述第三图像得到所述第一图像特征。

根据本公开的实施例，所述第一分支网络还包括空间变换网络，所述基于所述第三图像得到所述第一图像特征包括：将所述第三图像输入所述空间变换网络，得到第四图像；基于所述第四图像得到所述第一图像特征。

根据本公开的实施例，所述第一分支网络还包括第一特征提取网络，所述基于所述第四图像得到所述第一图像特征包括：将所述第四图像输入所述第一特征提取网络，得到所述第一图像特征。

根据本公开的实施例，所述第二分支网络包括第二特征提取网络，将第二图像输入第二分支网络，得到第二图像特征包括：将所述第二图像输入所述第二特征提取网络，得到所述第二图像特征。

根据本公开的实施例，在训练过程中，所述第一分支网络包括第一分类网络，所述第二分支网络包括第二分类网络，预先通过联合损失函数同时训练获得所述第一分支网络和所述第二分支网络包括：基于所述第一图像特征和所述第二图像特征得到第一损失函数值；基于所述第一分类网络处理所述第一图像特征得到的第一分类结果，得到第二损失函数值；基于所述第二分类网络处理所述第二图像特征得到的第二分类结果，得到第三损失函数值；根据所述第一损失函数值、所述第二损失函数值和所述第三损失函数值得到所述联合损失函数。

根据本公开的实施例，所述联合损失函数中包括与所述第一损失函数值、所述第二损失函数值和所述第三损失函数值分别对应的第一权重、第二权重和第三权重；所述方法还包括：基于所述联合损失函数的结果反向更新所述第一权重、第二权重和第三权重，以及所述第一分支网络和所述第二分支网络。