[发明专利]基于深度学习的图像识别方法、装置和计算机设备

说明书

技术领域

本申请涉及深度学习技术领域，尤其涉及一种基于深度学习的图像识别方法、装置和计算机设备。

背景技术

深度学习的概念源于人工神经网络的研究，深度学习是机器学习中一种基于对数据进行表征学习的方法，观测值(例如一幅图像)可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。

深度学习作为一门理论和实践相结合的学科，在新的算法理论不断涌现的同时，各种深度学习框架也不断出现在人们视野。但是，现有相关技术中，深度学习框架主要提供了计算引擎部分的功能，提供的功能比较单一，用户体验较差。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种基于深度学习的图像识别方法，以实现提供一种深度学习框架的整体解决方案，方便用户获得深度学习模型，进而可以实现通过获得的深度学习模型对接收的图像数据进行识别，提高图像识别的精度，增强用户体验。

本申请的第二个目的在于提出一种基于深度学习的图像识别装置。

本申请的第三个目的在于提出一种计算机设备。

本申请的第四个目的在于提出一种非临时性计算机可读存储介质。

本申请的第五个目的在于提出一种计算机程序产品。

为达上述目的，本申请第一方面实施例提出了一种基于深度学习的图像识别方法，包括：对待学习的图像数据进行图像预处理；利用深度学习引擎对处理后的图像数据进行训练，获得至少两个深度学习模型；从训练获得的深度学习模型中，按照在验证集合上的识别精度由高到低的顺序选择预定数量的深度学习模型，所述预定数量小于训练获得的深度学习模型的个数；将选择的深度学习模型提供给用户；获得所述用户选择的深度学习模型，并通过所述用户选择的深度学习模型对接收的图像数据进行识别。

本申请实施例提供的基于深度学习的图像识别方法中，对待学习的图像数据进行图像预处理之后，利用深度学习引擎对处理后的图像数据进行训练，获得至少两个深度学习模型，然后从训练获得的深度学习模型中，按照在验证集合上的识别精度由高到低的顺序选择预定数量的深度学习模型，将选择的深度学习模型提供给用户，在获得用户选择的深度学习模型之后，通过上述用户选择的深度学习模型对接收的图像数据进行识别，从而可以实现提供一种深度学习框架的整体解决方案，方便用户获得深度学习模型，进而可以实现通过获得的深度学习模型对接收的图像数据进行识别，提高图像识别的精度，增强用户体验。

为达上述目的，本申请第二方面实施例提出了一种基于深度学习的图像识别装置，包括：图像预处理模块，用于对待学习的图像数据进行图像预处理；训练模块，用于利用深度学习引擎对所述图像预处理模块处理后的图像数据进行训练，获得至少两个深度学习模型；模型筛选模块，用于从所述训练模块训练获得的深度学习模型中，按照在验证集合上的识别精度由高到低的顺序选择预定数量的深度学习模型，所述预定数量小于训练获得的深度学习模型的个数；提供模块，用于将所述模型筛选模块选择的深度学习模型提供给用户；识别模块，用于获得所述用户选择的深度学习模型，并通过所述用户选择的深度学习模型对接收的图像数据进行识别。

本申请实施例提供的基于深度学习的图像识别装置中，图像预处理模块对待学习的图像数据进行图像预处理之后，训练模块利用深度学习引擎对处理后的图像数据进行训练，获得至少两个深度学习模型，然后模型筛选模块从训练获得的深度学习模型中，按照在验证集合上的识别精度由高到低的顺序选择预定数量的深度学习模型，提供模块将选择的深度学习模型提供给用户，在获得用户选择的深度学习模型之后，识别模块通过上述用户选择的深度学习模型对接收的图像数据进行识别，从而可以实现提供一种深度学习框架的整体解决方案，方便用户获得深度学习模型，进而可以实现通过获得的深度学习模型对接收的图像数据进行识别，提高图像识别的精度，增强用户体验。

为达上述目的，本申请第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上所述的方法。

为了实现上述目的，本申请第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法。