[发明专利]图像类别的识别方法、装置和电子设备

说明书

本公开公开了图像类别的识别方法、装置和电子设备，涉及人工智能技术领域，尤其涉及计算机视觉、深度学习技术领域。具体实现方案为：获取光谱图像；基于光谱图像对图像识别模型进行训练，由图像识别模型获取每个像素点的光谱语义特征、每个像素点与每个类别的最小距离、每个像素点的第一光谱与每个类别的第二光谱之间的光谱距离，基于拼接特征进行分类识别，输出每个像素点的识别概率；基于第二像素点的识别概率，确定并基于损失函数调整图像识别模型；从目标图像识别模型输出的第一像素点在每个类别下的识别概率中识别最大识别概率，并将最大识别概率对应的类别确定为第一像素点对应的目标类别，需要的样本数量较少，标注成本较低。

技术领域

本公开涉及计算机技术领域，尤其涉及一种图像类别的识别方法、装置、电子设备、存储介质和计算机程序产品。

背景技术

目前，光谱图像在地理测绘、土地利用监测、城市规划等领域中得到了广泛应用，尤其高光谱图像因其频段数量多、频谱范围宽、包含地物信息丰富等特点，被广泛应用于图像类别识别。然而，相关技术中的图像类别的识别方法，在模型训练阶段需要依赖较多的标注数据，标注成本较高。

发明内容

提供了一种图像类别的识别方法、装置、电子设备、存储介质和计算机程序产品。

根据第一方面，提供了一种图像类别的识别方法，包括：获取光谱图像，其中，所述光谱图像包括待识别的第一像素点和每个类别对应的标记为样本的第二像素点；基于所述光谱图像对图像识别模型进行训练，由所述图像识别模型获取每个像素点的光谱语义特征、每个像素点与每个类别的最小距离、每个像素点的第一光谱与每个类别的第二光谱之间的光谱距离，对所述光谱语义特征、所述最小距离和所述光谱距离进行拼接，得到拼接特征，并基于所述拼接特征进行分类识别，输出每个像素点在每个类别下的识别概率；基于所述第二像素点的识别概率，确定所述图像识别模型的损失函数，并基于所述损失函数调整所述图像识别模型，并返回基于所述光谱图像继续对调整后的图像识别模型进行训练，直至训练结束生成目标图像识别模型；从所述目标图像识别模型输出的所述第一像素点在每个类别下的识别概率中识别最大识别概率，并将所述最大识别概率对应的类别确定为所述第一像素点对应的目标类别。

根据第二方面，提供了一种图像类别的识别装置，包括：获取模块，用于获取光谱图像，其中，所述光谱图像包括待识别的第一像素点和每个类别对应的标记为样本的第二像素点；

训练模块，用于基于所述光谱图像对图像识别模型进行训练，由所述图像识别模型获取每个像素点的光谱语义特征、每个像素点与每个类别的最小距离、每个像素点的第一光谱与每个类别的第二光谱之间的光谱距离，对所述光谱语义特征、所述最小距离和所述光谱距离进行拼接，得到拼接特征，并基于所述拼接特征进行分类识别，输出每个像素点在每个类别下的识别概率；所述训练模块，还用于基于所述第二像素点的识别概率，确定所述图像识别模型的损失函数，并基于所述损失函数调整所述图像识别模型，并返回基于所述光谱图像继续对调整后的图像识别模型进行训练，直至训练结束生成目标图像识别模型；识别模块，用于从所述目标图像识别模型输出的所述第一像素点在每个类别下的识别概率中识别最大识别概率，并将所述最大识别概率对应的类别确定为所述第一像素点对应的目标类别。

根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开第一方面所述的图像类别的识别方法。

根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开第一方面所述的图像类别的识别方法。

根据第五方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现本公开第一方面所述的图像类别的识别方法。