[发明专利]图像识别模型训练方法、装置以及计算机设备

说明书

本发明公开了一种图像识别模型训练方法，该方法包括：将获取的采样图像进行M*N分块；根据预设的Gabor滤波器组对每一分块图像进行空域卷积，获得每一分块图像对应的多个特征图像；对每一分块图像的每个特征图像进行降采样从而得到对应的特征值；将所有分块图像的所有特征值作为输入数据对预设的初始图像识别模型进行训练，得到第一图像识别模型。本发明还提供一种图像识别模型训练装置、计算机设备以及计算机可读存储介质。本发明提供的图像识别模型训练方法、装置、计算机设备及计算机可读存储介质能够在较少采样数据的情况下实现图像识别模型的训练，并且提升了训练后图像识别模型的准确度。

技术领域

本发明涉及图像识别模型训练技术领域，尤其涉及一种图像识别模型训练方法、装置、计算机设备及计算机可读存储介质。

背景技术

随着人工智能技术的发展，基于神经网络的深度学习尤其是得到了广泛的发展和应用，例如，CNN(Convolutional Neural Network,卷积神经网络)模型已经被成功的应用到了多个领域，包括文字识别、人脸识别、姿态识别，还有近期的通用物体识别。CNN模型因为其前馈机制在目标识别领域极为有效，然而，CNN模型的通用性和较强的识别能力也是有代价的，它需要大量的采样数据作为训练样本。但是针对不同的目标类型训练都需要大量的采样数据，但是，有些目标的采样数据并不会那么容易获取到的。因此，由于缺少采样图像的情况下，训练出的CNN模型可能准确性不高，在应用方面常常会受到限制。

发明内容

有鉴于此，本发明提出一种图像识别模型训练方法、装置、计算机设备及计算机可读存储介质，能够将获取的采样图像进行M*N分块，得到分块图像，然后再根据预设的Gabor滤波器组对每一分块图像进行空域卷积，获得每一分块图像对应的多个特征图像；接着对每一分块图像的每个特征图像进行降采样，得到每一分块图像的每个特征图像的特征值；再将所有分块图像的所有特征值作为输入数据对预设的初始图像识别模型进行训练，得到第一图像识别模型。通过以上方式，能够利用少量的采样图像划分为分块图像，然后提取分块图像的特征值用于对初始图像识别模型进行训练，从而在较少采样数据的情况下实现图像识别模型的训练，并且提升了训练后图像识别模型的准确度。

首先，为实现上述目的，本发明提供一种图像识别模型训练方法，所述方法包括：

获取至少一张采样图像，将所述采样图像进行M*N分块，得到分块图像；根据预设的Gabor滤波器组对每一分块图像进行空域卷积，获得每一分块图像对应的多个特征图像；对每一分块图像的每个特征图像进行降采样，得到每一分块图像的每个特征图像的特征值；将所有分块图像的所有特征值作为输入数据对预设的初始图像识别模型进行训练，得到第一图像识别模型。

可选地，所述“根据预设的Gabor滤波器组对每一分块图像进行空域卷积，获得每一分块图像对应的多个特征图像”的步骤包括：根据预设的A尺度，B方向建立Gabor滤波器组，得到A*B滤波器组；将所述A*B滤波器组对每一分块图像进行空域卷积，得到对应于每一分块图像的A*B个特征值图像。

可选地，所述“对每一分块图像的每个特征图像进行降采样，得到每一分块图像的每个特征图像的特征值”步骤包括：根据Max-pooing方式对每一分块图像的A*B个特征值图像进行降采样，从而获得对应每个特征值图像的2*2个特征值。

可选地，所述方法还包括步骤：将所有采样图像作为输入数据对所述第一图像识别模型进行训练，得到最终图像识别模型。

此外，为实现上述目的，本发明还提供一种图像识别模型训练装置，所述装置包括：