[发明专利]训练神经网络的方法、图像识别方法及图像识别装置

说明书

本公开提供了一种训练神经网络的方法、图像识别方法及图像识别装置，可用于人工智能领域或其他领域，该训练神经网络的方法包括：多尺度特征提取网络，用于提取训练图像的多层图像特征；多尺度特征融合网络，用于基于多层图像特征各自的层级权重对多层图像特征进行加权融合，得到融合图像特征，并且基于融合图像特征确定图像识别特征，多层图像特征各自的层级权重与多层图像特征各自对识别结果的影响程度正相关，融合图像特征的维度大于多层图像特征各自维度之和；以及分类器，用于基于图像识别特征确定训练图像的识别结果；其中，上述方法包括：通过调整神经网络的参数使得针对输入的训练图像的识别结果趋近于训练图像的标注结果。

技术领域

本公开涉及人工智能技术领域，更具体地，涉及一种训练神经网络的方法、图像识别方法及图像识别装置。

背景技术

随着科技的快速发展，人工智能技术在图像方面得到很快的发展。计算机可以根据图像表现出的不同语义信息将对其进行图像识别。在早期阶段需要人工对图像进行特征的提取，再将提取到的特征输入到分类器中进行图像的分类，该方法主要以浅层次结构模型为主，图像识别的准确率不高。深度学习的出现不再需要人工提取特征，采用特征学习的方法采集特征从而进行图像识别。

在实现本公开构思的过程中，申请人发现相关技术中至少存在如下问题，现有的深度学习模型仅使用单一特征网络对图像进行识别，并没有充分考虑不同层特征对于图像识别的影响，从而影响图像识别的准确性。

发明内容

有鉴于此，本公开提供了一种训练神经网络的方法、图像识别方法及图像识别装置，以至少部分解决现有技术没有充分考虑不同层特征对于图像识别的影响，影响图像识别的准确性的问题。

本公开的一个方面提供了训练神经网络的方法，包括：多尺度特征提取网络，用于提取训练图像的多层图像特征；多尺度特征融合网络，用于基于多层图像特征各自的层级权重对多层图像特征进行加权融合，得到融合图像特征，并且基于融合图像特征确定图像识别特征，多层图像特征各自的层级权重与多层图像特征各自对识别结果的影响程度正相关，融合图像特征的维度大于多层图像特征各自维度之和；以及分类器，用于基于图像识别特征确定训练图像的识别结果；其中，上述方法包括：通过调整神经网络的参数使得针对输入的训练图像的识别结果趋近于训练图像的标注结果。

本公开的一个方面提供了一种图像识别方法，包括：获取输入图像；以及利用经训练的神经网络处理输入图像，得到针对输入图像的识别结果；其中，神经网络包括：多尺度特征提取网络，用于提取训练图像的多层图像特征；多尺度特征融合网络，用于基于多层图像特征各自的层级权重对多层图像特征进行加权融合，得到融合图像特征，并且基于融合图像特征确定图像识别特征，多层图像特征各自的层级权重与多层图像特征各自对识别结果的影响程度正相关，融合图像特征的维度大于多层图像特征各自维度之和；以及分类器，用于基于图像识别特征确定训练图像的识别结果；其中，神经网络通过如下方式进行训练：通过调整神经网络的参数使得针对输入的训练图像的识别结果趋近于训练图像的标注结果。

本公开的一个方面提供了一种图像识别装置，包括：图像获取模块、图像识别模块。其中，图像获取模块用于获取输入图像；以及图像识别模块用于利用经训练的神经网络处理输入图像，得到针对输入图像的识别结果；其中，神经网络包括：多尺度特征提取网络，用于提取训练图像的多层图像特征；多尺度特征融合网络，用于基于多层图像特征各自的层级权重对多层图像特征进行加权融合，得到融合图像特征，并且基于融合图像特征确定图像识别特征，多层图像特征各自的层级权重与多层图像特征各自对识别结果的影响程度正相关，融合图像特征的维度大于多层图像特征各自维度之和；以及分类器，用于基于图像识别特征确定训练图像的识别结果；其中，神经网络通过如下方式进行训练：通过调整神经网络的参数使得针对输入的训练图像的识别结果趋近于训练图像的标注结果。

本公开的另一方面提供了一种电子设备，包括一个或多个处理器以及存储装置，其中，存储装置用于存储可执行指令，可执行指令在被处理器执行时，实现如上的神经网络训练方法和/或图像识别方法。