[发明专利]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，所述方法包括：

获取待识别图像；通过训练后的神经网络模型，获取所述待识别图像在目标图像组中的匹配结果，所述目标图像组包括至少一个图像；所述训练后的神经网络模型是根据神经网络模型的总损失值训练得到的，所述总损失值由第一损失值和第二损失值确定，所述第一损失值通过所述神经网络模型对标注样本集群进行处理得到，所述第二损失值通过所述神经网络模型对无标注样本集群进行处理得到，所述标注样本集群包括一个或多个已标注的图像，所述无标注样本集群包括一个或多个未被标注的图像；

若所述匹配结果指示所述目标图像组中存在与所述待识别图像匹配的目标图像，则输出所述目标图像。

2.如权利要求1所述的方法，其特征在于，所述通过训练后的神经网络模型，获取所述待识别图像在目标图像组中的匹配结果之前，还包括：

通过所述神经网络模型对所述标注样本集群进行处理得到第一特征值，并通过第一预设损失函数对所述第一特征值进行处理得到所述第一损失值；

通过所述神经网络模型对所述无标注样本集群进行处理得到第二特征值，并通过第二预设损失函数对所述第二特征值进行处理得到所述第二损失值；

根据所述第一损失值和所述第二损失值得到所述神经网络模型的总损失值；

将所述总损失值回传到所述神经网络模型中，以对所述神经网络模型进行训练，得到所述训练后的神经网络模型。

3.如权利要求2所述的方法，其特征在于，所述标注样本集群包括多个正常标注三元组和多个困难标注三元组，各个所述标注三元组包括第一目标图像，相似图像以及不相似图像，所述第一目标图像为标注三元组集群中用户标注的任一图像，所述相似图像为所述标注三元组集群中用户标注的与所述第一目标图像之间的相似度最大的图像，所述不相似图像为所述标注三元组集群中用户标注的与所述第一目标图像之间的相似度最小的图像，所述正常标注三元组的可信度高于所述困难标注三元组的可信度；所述第一损失值包括正常损失值和困难损失值；

所述通过所述神经网络模型对所述标注样本集群进行处理得到第一特征值，并通过第一预设损失函数对所述第一特征值进行处理得到所述第一损失值，包括：

通过所述神经网络模型对各个所述正常标注三元组进行处理得到正常特征值，并通过所述第一预设损失函数对各个所述正常特征值进行处理得到正常损失值；

通过所述神经网络模型对各个所述困难标注三元组进行处理得到困难特征值，并通过所述第一预设损失函数对各个所述困难特征值进行处理得到困难损失值。

4.如权利要求3所述的方法，其特征在于，所述通过所述神经网络模型对所述标注样本集群进行处理得到第一特征值，并通过第一预设损失函数对所述第一特征值进行处理得到所述第一损失值之前，还包括：

通过所述神经网络模型分别对所述标注三元组集群中的各个标注三元组进行处理得到第三特征值，并通过所述第一预设损失函数对各个所述第三特征值进行处理得到第三损失值；

在所述标注三元组集群中选取所述多个正常标注三元组和所述多个困难标注三元组，其中，任一正常标注三元组的损失值均小于任一困难标注三元组的损失值，所述多个正常标注三元组的数量与所述多个困难标注三元组的数量的比值为第一预设比例。

5.如权利要求2所述的方法，其特征在于，所述无标注样本集群包括多个第一样本对，各个所述第一样本对包括第二目标图像以及增强图像，所述第二目标图像为图像集群中的任一图像，所述增强图像为对所述第二目标图像进行图像增强处理后得到的图像；

所述通过所述神经网络模型对所述无标注样本集群进行处理得到第二特征值，并通过第二预设损失函数对所述第二特征值进行处理得到所述第二损失值，包括：

通过所述神经网络模型对各个所述第二目标图像进行处理，得到采样特征值；

通过所述神经网络模型对各个所述增强图像进行处理，得到增强特征值；

通过所述第二预设损失函数对各个所述采样特征值和各个所述增强特征值进行处理，得到所述第二损失值。