[发明专利]一种基于混合神经网络模型的图像识别方法、装置及设备

说明书

本发明公开了一种基于混合神经网络模型的图像识别方法、装置、设备以及计算机可读存储介质，包括：将待识别图像输入至卷积自编码器中进行预处理；利用基于迁移学习构建的特性提取器提取预处理后的待识别图像的图像特征；利用长短期记忆网络模型提取所述预处理后的待识别图像的内部时序特征；利用特征融合门及特征筛选门，对所述图像特征与所述内部时序特征融合筛选，得到所述识别图像的目标特征；利用softmax分类器对所述目标特征进行分类，得到所述待识别图像的分类结果。本发明所提供的方法、装置、设备以及计算机可读存储介质，可以大大减少训练神经网络模型需要的图像数量，同时提高了图像识别的精确度。

技术领域

本发明涉及图像识别技术领域，特别是涉及一种基于混合神经网络模型的图像识别方法、装置、设备以及计算机可读存储介质。

背景技术

近年来，图像识别技术发展迅速，尤其是深度学习使得图像识别的精度大大提高。利用深度学习识别日常生活用品可以帮我们解决很多简单而又繁琐的人工分类问题。也可以解决物品管理分类难的问题。

然而，由于深度学习是需要大量带标注样本来实现的。而实际现实中我们要获取大量带标记的样本是非常耗费人力，物力的。所以单纯采用传统的神经网络模型很难训练一个识别精确度很高的神经网络模型。

综上所述可以看出，如何在提高图像识别精度的同时降低神经网络模型的训练难度是目前有待解决的问题。

发明内容

本发明的目的是提供一种基于混合神经网络模型的图像识别方法、装置、设备以及计算机可读存储介质，以解决现有技术中深度学习网络的识别精度高但训练复杂，而传统神经网络模型训练简单但图像识别精度较低的问题。

为解决上述技术问题，本发明提供一种基于混合神经网络模型的图像识别方法，包括：将待识别图像输入至卷积自编码器中进行预处理；利用基于迁移学习构建的特性提取器提取预处理后的待识别图像的图像特征；利用长短期记忆网络模型提取所述预处理后的待识别图像的内部时序特征；利用特征融合门及特征筛选门，对所述图像特征与所述内部时序特征融合筛选，得到所述识别图像的目标特征；利用softmax分类器对所述目标特征进行分类，得到所述待识别图像的分类结果。

优选地，所述将待识别图像输入至卷积自编码器中进行预处理包括：

将所述待识别图像转换为224×224像素大小的目标待识别图像后，利用所述卷积自编码器对所述目标待识别图像进行去噪处理；

其中，所述卷积自编码器包括一个编码器与一个解码器；所述编码器为采用三层卷积及三层池化交叉处理后利用全连接层提取特征的模型；所述解码器为采用三层上采样及三层卷积进行图像解压重构的模型。

优选地，所述基于迁移学习构建的特征提取器提取预处理处理后的待识别图像的图像特征包括：

将去噪处理后的待识别图像输入至预先完成训练的Google Net模型中，提取所述待识别图像的第一图像特征；

将去噪处理后的待识别图像输入至预先完成训练的VGG16模型中，提取所述待识别图像的第二图像特征。

优选地，所述利用特征融合门及特征筛选内，对所述图像特征与所述内部时序特征融合筛选，得到所述识别图像的目标特征包括：

将所述第一图像特征、所述第二图像特征以及所述内部时序特征输入至所述特征融合门中，得到融合特征；

将所述融合特征输入至所述特征筛选门中，利用主成分分析法提取主要特征后，利用两层全连接层将所述主要特征压缩为所述目标特征。

优选地，所述将待识别图像输入至卷积自编码器中进行预处理前还包括：

将预先完成标记的家居图像集输入至预先构建的初始卷积自编码器中进行预处理；