[发明专利]一种图像识别方法、装置、设备及存储介质

权利要求书

1.一种图像识别方法，其特征在于，包括：

获取待检测图像，并确定所述待检测图像对应的目标轮廓框图像，所述目标轮廓框图像包含至少一个目标轮廓框；

将所述目标轮廓框图像输入至目标分割网络模型中，获得所述目标分割网络模型输出的各所述目标轮廓框所对应的至少一个目标偏移量，其中，所述目标分割网络模型通过对预先所构建待训练分割网络模型的训练获得；

根据各所述目标偏移量调整所述目标轮廓框中对应的各轮廓点的位置，得到目标图像。

2.根据权利要求1所述的方法，其特征在于，所述确定待检测图像对应的目标轮廓框图像，包括：

将所述待检测图像输入到预确定的检测框确定模型中，得到包含至少一个检测框的检测框图像；

根据各所述检测框的坐标进行轮廓筛选，得到轮廓框图像；

将所述轮廓框图像按照设定尺寸进行缩放，得到目标轮廓框图像。

3.根据权利要求1所述的方法，其特征在于，所述待训练分割网络模型包括设定数量用于轮廓点特征表示确定的轮廓点特征学习模块，所述轮廓点特征学习模块包括循环卷积单元和自注意力机制单元；

相应的，所述目标分割网络模型的确定步骤包括：

将获取的图像训练样本输入给定的待训练分割网络模型，得到所述设定数量的特征预测图像，所述特征预测图像包括至少一个目标轮廓点的特征表示；

对各所述特征预测图像进行特征融合，得到包含至少一个融合轮廓点的特征融合图像；

对所述特征融合图像进行卷积运算，得到各融合轮廓点的预测偏移量；

采用给定的损失函数表达式，结合所述预测偏移量、图像训练样本对应的标准偏移量，确定损失函数；

通过所述损失函数对所述待训练分割网络模型进行反向传播，得到目标分割网络模型。

4.根据权利要求3所述的方法，其特征在于，所述将获取的图像训练样本输入给定的待训练分割网络模型，得到设定数量的特征预测图像，包括：

将待训练分割网络模型的首个轮廓点特征学习模块作为当前轮廓点特征学习模块，图像训练样本作为当前输入数据；

将所述当前输入数据输入到当前轮廓点特征学习模块中，得到特征预测图像；

如果所述当前轮廓点特征学习模块存在下一模块，将所述特征预测图像作为新的当前输入数据，所述当前轮廓点特征学习模块的下一模块作为新的当前轮廓点特征学习模块，返回执行特征预测图像的确定操作。

5.根据权利要求4所述的方法，其特征在于，所述将所述当前输入数据输入到当前轮廓点特征学习模块中，得到特征预测图像，包括：

将所述当前输入数据输入到所述循环卷积单元中，得到卷积特征图像；

将所述卷积特征图像输入到所述自注意力机制单元中，根据所述卷积特征图像的尺寸参数、设定数量的卷积模板及维度转换函数进行矩阵变换，得到变换特征图像；

对所述卷积特征图像和变换特征图像进行通道拼接，得到对应的特征预测图像。

6.根据权利要求5所述的方法，其特征在于，所述根据所述卷积特征图像的尺寸参数、设定数量的卷积模板及维度转换函数进行矩阵变换，得到变换特征图像，包括：

对所述卷积特征图像的尺寸参数中的通道个数进行降维处理，得到降维特征图像；

根据所述降维特征图像及设定数量的卷积模板进行卷积运算，得到设定数量的卷积运算图像；

根据所述维度转换函数对各所述卷积运算图像进行维度变换，并将各维度变换后的卷积运算图像进行综合处理得到维度变换图像；

将所述降维变换图像的尺寸参数中的通道个数进行升维处理，得到升维后的变换特征图像。

7.根据权利要求1所述的方法，其特征在于，所述根据各所述目标偏移量调整目标轮廓框中对应的各轮廓点的位置，得到目标图像，包括：

将目标轮廓框中的各轮廓点按照对应的所述目标偏移量进行移动，得到移动后的各轮廓点；

将包含所述移动后的各轮廓点的图像作为目标图像。