[发明专利]图像识别方法、装置、电子设备和计算机可读介质

权利要求书

1.一种图像识别方法，包括：

接收目标用户提交的着装图像；

将所述着装图像输入至预先训练的图像识别模型中，得到图像识别结果；

根据所述图像识别结果，生成提示信息；

将所述提示信息发送至与所述目标用户关联的音视频设备；

其中，所述图像识别模型是通过以下步骤训练生成的：

获取样本集，其中，所述样本集中的样本包括：样本图像和样本标签，所述样本标签包括：样本名称、样本类别和样本属性值；

基于样本集，执行如下处理步骤：

将样本集中的至少一个样本包括的样本图像输入至初始神经网络，得到所述至少一个样本中的每个样本对应的图像识别结果，其中，所述图像识别结果包括：图像名称、图像类别和图像属性值；

基于预设的损失函数，确定所述至少一个样本的损失值；

响应于确定损失值小于等于预定阈值，将初始神经网络模型确定为图像识别模型；

其中，所述确定所述至少一个样本的损失值，包括：

基于所述至少一个样本中的每个样本对应的图像识别结果包括的图像名称和所述样本包括的样本名称，生成图像名称评分值和样本名称评分值，得到图像名称评分值组和样本名称评分值组；

基于所述至少一个样本中的每个样本对应的图像识别结果包括的图像类别和所述样本包括的样本类别，生成类别评分值组；

基于所述至少一个样本、所述至少一个样本中的每个样本对应的图像识别结果、所述图像名称评分值组、所述样本名称评分值组和所述类别评分值组，确定所述至少一个样本的损失值；

其中，所述基于所述至少一个样本、所述至少一个样本中的每个样本对应的图像识别结果、所述图像名称评分值组、所述样本名称评分值组和所述类别评分值组，确定所述至少一个样本的损失值，包括：

通过公式，生成所述至少一个样本的损失值：

，

其中，表示所述至少一个样本的损失值，表示初始损失值，表示所述至少一个样本所包括的样本的数量，表示所述至少一个样本中样本的序号，表示预设边界值，表示所述至少一个样本中第个样本对应的样本名称评分值，表示所述至少一个样本中第个样本对应的图像名称评分值，表示预设数值，表示所述至少一个样本中第个样本对应的类别评分值，表示所述至少一个样本中的第个样本所包括的样本属性值，表示所述至少一个样本中的第个样本对应的图像识别结果包括的图像属性值。

2.根据权利要求1所述的方法，其中，所述方法还包括：

响应于确定损失值大于所述预定阈值，调整初始神经网络的网络参数，以及使用未使用过的样本组成样本集，将调整后的初始神经网络作为初始神经网络，再次执行所述处理步骤。

3.根据权利要求1所述的方法，其中，所述图像识别模型包括：特征提取网络、卷积网络和全连接层，所述卷积网络至少包括：第一卷积层和第二卷积层。

4.根据权利要求3所述的方法，其中，所述将所述着装图像输入至预先训练的图像识别模型中，得到图像识别结果，包括：

将所述着装图像输入至所述特征提取网络，得到整体特征序列和所述整体特征序列中目标位置的子特征序列；

将所述整体特征序列分别输入至所述第一卷积层和所述第二卷积层，得到第一特征序列和第二特征序列；

对所述第一特征序列和所述第二特征序列分别进行第一池化处理，得到第一池化特征序列集合；

对所述第一特征序列和所述第二特征序列分别进行第二池化处理，得到第二池化特征序列集合；

基于所述第一池化特征序列集合、所述第二池化特征序列集合和所述子特征序列，生成拼接特征序列；

将所述拼接特征序列输入至所述全连接层，得到图像识别结果。

5.根据权利要求4所述的方法，其中，所述基于所述第一池化特征序列集合、所述第二池化特征序列集合和所述子特征序列，生成拼接特征序列，包括：

将所述第一池化特征序列集合中的每个第一池化特征序列与对应的第二池化特征序列进行特征拼接处理以生成子拼接特征序列，得到子拼接特征序列集合；

将所述子特征序列和所述子拼接特征序列集合中的各个子拼接特征序列进行特征拼接处理，得到拼接特征序列。