[发明专利]一种图像识别方法、装置、电子设备及可读存储介质

说明书

本申请公开了一种图像识别方法、装置、电子设备及计算机可读存储介质，该方法包括：获取初始分类层、初始图像识别模型和训练集；从训练集中提取第一标签对应的第一训练数据，并确定第一标签在初始分类层中对应的第一类中心向量；利用第一类中心向量生成训练分类层，并利用第一训练数据在显存中训练训练分类层和初始图像识别模型，得到第一分类层；利用第一分类层更新初始分类层，并更新第一标签，直至初始图像识别模型训练完毕，得到图像识别模型；获取待识别图像，并将待识别图像输入图像识别模型，得到识别结果；该方法允许在训练时采用较大的分类层，得到识别准确率更高的识别模型，同时可以降低对GPU设备的要求。

技术领域

本申请涉及深度学习技术领域，特别涉及一种图像识别方法、图像识别装置、电子设备及计算机可读存储介质。

背景技术

人脸识别是深度学习的一项重要技术，在公共安全、金融等多个领域已得到广泛利用。人脸识别任务是一个开集任务，无法在训练时包含所有人的样本，因此其主要靠提取输入的特征向量，用特征向量的相似度来进行身份核验。相关技术在进行人脸识别任务的训练时，通常将其看作分类任务，在特征层后接分类层，用softmax loss等损失函数训练，在实际使用时移除分类层。为了使神经网络提取的特征向量区分性更好，通常训练集包含的类别ID个数越多，所得到的人脸图像识别模型指标越好，然而这也意味着分类层也越大。由于神经网络和分类层主要在GPU(Graphics Processing Unit，图形处理器)设备上训练，而GPU设备的显存通常在2G至32G之间，且无法随意扩展，因此分类层的大小受到图像识别模型大小、图像输入大小等因素的影响，无法使用足够大的分类层，因此训练得到的人脸图像识别模型的识别效果较差，识别准确率较低。若想要使用足够大的分类层，则需要使用显存足够大的GPU设备，因此对GPU设备有较高要求。

因此，相关技术存在的识别准确率较低，对GPU设备要求较高的问题，是本领域技术人员需要解决的技术问题。

发明内容

有鉴于此，本申请的目的在于提供一种图像识别方法、图像识别装置、电子设备及计算机可读存储介质，提高了识别准确率，降低了对GPU设备的要求。

为解决上述技术问题，本申请提供了一种图像识别方法，包括：

获取初始分类层、初始图像识别模型和训练集；

从所述训练集中提取第一标签对应的第一训练数据，并确定所述第一标签在所述初始分类层中对应的第一类中心向量；

利用所述第一类中心向量生成训练分类层，并利用所述第一训练数据在显存中训练所述训练分类层和所述初始图像识别模型，得到第一分类层；

利用所述第一分类层更新所述初始分类层，并更新所述第一标签，直至所述初始图像识别模型训练完毕，得到图像识别模型；

获取待识别图像，并将所述待识别图像输入所述图像识别模型，得到识别结果。

可选地，所述更新所述第一标签，包括：

获取所述训练集对应的所有训练标签；

基于均匀分布从所述训练标签中抽取若干个目标训练标签，并将所述目标训练标签确定为所述第一标签。

可选地，所述利用所述第一类中心向量生成训练分类层，包括：

生成所述第一标签对应的第二标签；

根据所述第二标签对所述第一类中心向量进行排序，得到所述训练分类层。

可选地，所述利用所述第一训练数据在显存中训练所述训练分类层和所述初始图像识别模型，包括：

利用所述第二标签对所述第一训练数据进行标识处理，得到第二训练数据；