[发明专利]图像识别方法、装置、电子设备及存储介质

说明书

本公开关于一种图像识别方法、装置、电子设备和存储介质，属于计算机技术领域。包括：将待识别图像输入至第一图像识别模型中，第一图像识别模型为添加了全连接层的图像识别模型，全连接层中的每个第一节点与第一图像识别模型中全连接层的上一层的每个第二节点相连；通过每个第二节点，获取待识别图像的第一特征向量；通过每个第一节点将第一特征向量进行加权处理，得到第二特征向量；根据第二特征向量，确定待识别图像的第二类别。通过每个第一节点将每个第二节点输出的第一特征向量进行加权处理，使得第一图像识别模型在识别待识别图像的图像特征时，可以结合先验知识对待识别图像进行图像特征提取，进而提高了图像识别模型的准确率。

技术领域

本公开涉及计算机技术领域，尤其涉及一种图像识别方法装置、电子设备及存储介质。

背景技术

随着计算机技术的发展，深度学习技术应用也越来越广泛，通过深度学习技术可以训练出多种神经网络模型，通过神经网络模型可以完成多种识别操作。例如，神经网络模型为图像识别模型时，可以通过图像识别模型对输入的待识别图像进行识别，得到图像识别结果。

相关技术中，在对图像识别模型进行训练时，获取样本图像的类别和该样本图像的图像特征，进而根据该图像特征和图像类别对神经网络模型进行训练，得到图像识别模型。

上述相关技术中，由于图像识别模型的训练过程中，只根据已知类别的样本图像进行训练，导致图像识别模型只能根已知的类别对待识别图像进行分类识别，而待识别图像可能为未知类别的图像，这种情况下，图像识别模型只能将该待识别图像识别为模型训练过程中的已知类别，导致识别错误，图像识别的准确率低。

发明内容

本公开提供一种图像识别方法装置、电子设备及存储介质，能够克服图像识别模型只能将该待识别图像识别为模型训练过程中的已知类别，导致识别错误，图像识别的准确率低的问题。

一方面，提供一种图像识别方法，包括：

将待识别图像输入至第一图像识别模型中，所述第一图像识别模型为添加了全连接层的图像识别模型，所述全连接层中的每个第一节点与所述第一图像识别模型中所述全连接层的上一层的每个第二节点相连；

通过所述每个第二节点，获取所述待识别图像的第一特征向量，所述第一特征向量为根据所述第一图像识别模型在训练过程中已知的第一类别提取的第一特征向量；

通过所述每个第一节点将所述每个第二节点输出的第一特征向量进行加权处理，得到第二特征向量；

根据所述第二特征向量，确定所述待识别图像的第二类别，所述第二类别与已知的第一类别不同。

在一种可能的实现方式中，所述将待识别图像输入至第一图像识别模型中之前，所述方法还包括：

获取第一样本图像和用于识别所述第一类别的第二图像识别模型，所述第一样本图像的类别为第一类别；

根据所述第一样本图像和所述第二图像识别模型，确定所述第二图像识别模型的分类损失函数和参数正则化损失函数；

在所述第二图像识别模型中加入所述全连接层，得到第三图像识别模型，以及，根据所述第一样本图像和所述第三图像识别模型，确定所述第三图像模型的词向量损失函数；

基于所述分类损失函数、所述参数正则化损失函数、所述词向量正则化损失函数和所述第一样本图像，对所述第三图像识别模型进行迭代训练，得到所述第一图像识别模型。

在另一种可能的实现方式中，所述根据所述第一样本图像和所述第三图像识别模型，确定所述第三图像模型的词向量损失函数，包括：

根据所述第一样本图像的第一类别，确定所述第一类别对应的第一词向量；

根据所述第一词向量，确定所述全连接层的参数向量与所述第一词向量的差值，得到所述词向量损失函数。