[发明专利]图像识别的方法、装置、设备及存储介质

说明书

本公开是关于一种图像识别的方法、装置、设备及存储介质，包括：获取目标识别物的初始识别模型，初始识别模型根据目标识别物的第一数据复杂度的训练数据训练得到，数据复杂度用于表征目标识别物的训练数据的类别数；获取目标识别物的第二数据复杂度的训练数据，第二数据复杂度大于第一数据复杂度；根据初始识别模型，对第二数据复杂度的训练数据进行识别，得到每一个第二数据复杂度的训练数据的识别结果；根据识别结果，在第二数据复杂度的训练数据中获取目标训练数据；利用基于目标训练数据训练得到的目标识别物的识别模型进行图像识别。解决了目标识别物的训练数据的类别单一的问题，使得识别模型的泛化能力提高，进而提高图像识别准确率。

技术领域

本公开涉及人工智能领域，尤其涉及一种图像识别的方法、装置、设备及存储介质。

背景技术

深度学习在视频图像、语音识别、自然语言处理等相关领域得到了广泛应用。以卷积神经网络(convolution neural network,CNN)为例，CNN因其超强的拟合能力以及端到端的全局优化能力，使得机器学习模型的识别准确率大幅提高。虽然使用CNN模型，机器学习模型的识别准确率得到了显著的提升，但一个满足泛化能力的机器学习模型需要依赖种类丰富的训练数据。

相关技术中，目标识别物的训练数据一般是通过搜索引擎搜索获取。但通过在搜索引擎输入目标识别物的搜索关键字搜索出的目标识别物大多是将目标识别物进行美化处理后上传的，经过美化处理后的目标识别物的清晰、显著。使得获取到的目标识别物的训练数据的类别单一，导致使用类别单一的目标识别物的训练数据训练得到的目标识别物的识别模型的泛化能力差、识别模型的图像识别准确率低。

发明内容

本公开提供一种图像识别的方法、装置、设备及存储介质，能够克服相关技术中获取到的目标识别物的训练数据的类别单一，导致使用类别单一的目标识别物的训练数据训练得到的目标识别物的识别模型的泛化能力差、识别模型的图像识别准确率低的问题。

根据本公开实施例的第一方面，提供一种图像识别的方法，包括：获取目标识别物的初始识别模型，所述初始识别模型根据目标识别物的第一数据复杂度的训练数据训练得到，数据复杂度用于表征目标识别物的训练数据的类别数；获取目标识别物的第二数据复杂度的训练数据，所述第二数据复杂度大于所述第一数据复杂度；根据所述初始识别模型，对所述第二数据复杂度的训练数据进行识别，得到每一个第二数据复杂度的训练数据的识别结果；根据所述识别结果，在所述第二数据复杂度的训练数据中获取目标训练数据；利用基于所述目标训练数据训练得到的目标识别物的识别模型进行图像识别。

可选地，所述根据所述识别结果，在所述第二数据复杂度的训练数据中获取目标训练数据，包括：根据所述识别结果，对所述第二数据复杂度的训练数据进行分组，得到多组训练数据；在每一组训练数据中，获取满足参考条件的训练数据；将得到的多组满足参考条件的训练数据作为目标训练数据。

可选地，所述在每一组训练数据中，获取满足参考条件的训练数据，包括：获取每一组训练数据中每一个训练数据的识别结果对应的预测概率；将每一组训练数据中的每一个训练数据根据预测概率进行排序；根据排序结果，获取每一组训练数据中满足参考条件的训练数据。

可选地，所述利用基于所述目标训练数据训练得到的目标识别物的识别模型进行图像识别之前，所述方法还包括：获取标注后的目标训练数据；利用所述标注后的目标训练数据对机器学习模型进行训练，得到目标识别物的识别模型。

可选地，所述利用所述标注后的目标训练数据对机器学习模型进行训练，得到目标识别物的识别模型，包括：当利用所述标注后的目标训练数据对机器学习模型进行训练，得到的所述目标识别物的识别模型包括多个时，获取验证数据；利用多个目标识别物的识别模型分别对所述验证数据进行识别；将识别准确率满足目标识别准确率的目标识别物的识别模型作为目标识别物的标准识别模型。