[发明专利]图像识别方法、装置、设备以及存储介质

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：

对样本数据集进行均匀采样，得到第一样本图像，所述样本数据集包括至少两个类别的样本图像；

基于所述至少两个类别的第一采样概率，对所述样本数据集中第一类别的样本图像进行采样，得到第二样本图像，所述第一采样概率与所述样本数据集中对应类别的样本图像的数量负相关；

基于第二采样概率，对所述样本数据集中第二类别的样本图像进行采样，得到第三样本图像，所述至少两个类别均对应于同一个所述第二采样概率；

基于所述第一样本图像、所述第二样本图像、所述第三样本图像以及各个样本图像的参考标签，对图像识别模型进行训练，所述参考标签用于表示对应样本图像的类别。

2.根据权利要求1所述的方法，其特征在于，所述图像识别模型包括多个分支网络，各个分支网络具有相同的网络结构，所述基于所述第一样本图像、所述第二样本图像、所述第三样本图像以及各个样本图像的参考标签，对图像识别模型进行训练包括：

通过所述各个分支网络，分别对各个样本图像进行标签预测，得到所述各个样本图像的预测标签；

基于所述各个样本图像的预测标签与对应的参考标签之间的第一差异信息，对所述图像识别模型进行训练。

3.根据权利要求2所述的方法，其特征在于，所述基于所述各个样本图像的预测标签与对应的参考标签之间的第一差异信息，对所述图像识别模型进行训练包括：

将所述各个样本图像的预测标签与对应的参考标签之间的第一差异信息进行融合，得到第一损失值；

基于所述第一损失值，对所述图像识别模型进行训练。

4.根据权利要求3所述的方法，其特征在于，所述将所述各个样本图像的预测标签与对应的参考标签之间的第一差异信息进行融合，得到第一损失值包括：

采用第一权重、第二权重和第三权重，将所述各个样本图像的预测标签与对应的参考标签之间的第一差异信息进行加权求和，得到所述第一损失值，所述第一权重与所述图像识别模型已迭代周期的数量和总迭代周期的数量的比值负相关，所述第二权重与所述第一权重之和为目标数值，所述第三权重大于所述第一权重。

5.根据权利要求2所述的方法，其特征在于，所述通过所述各个分支网络，分别对各个样本图像进行标签预测，得到所述各个样本图像的预测标签包括：

通过第一分支网络，对所述第一样本图像进行特征提取，得到所述第一样本图像的特征；基于所述第一样本图像的特征，获取所述第一样本图像的预测标签；

通过第二分支网络，对所述第二样本图像进行特征提取，得到所述第二样本图像的特征；基于所述第二样本图像的特征，获取所述第二样本图像的预测标签；

通过第三分支网络，对所述第三样本图像进行特征提取，得到所述第三样本图像的特征；基于所述第三样本图像的特征，获取所述第三样本图像的预测标签。

6.根据权利要求5所述的方法，其特征在于，所述基于各个样本图像的预测标签与对应的参考标签之间的第一差异信息，对所述图像识别模型进行训练之前，所述方法还包括：

基于所述第一样本图像的特征、所述第二样本图像的特征以及所述第三样本图像的特征，获取预测排序信息，所述预测排序信息用于表示不同样本图像之间的相关性；

基于所述各个样本图像的参考标签，获取监督排序信息；

基于各个样本图像的预测标签与对应的参考标签之间的第一差异信息，对所述图像识别模型进行训练包括：

基于所述第一差异信息和第二差异信息，对所述图像识别模型进行训练，所述第二差异信息为所述预测排序信息和所述监督排序信息之间的差异信息。

7.根据权利要求6所述的方法，其特征在于，所述基于所述第一样本图像的特征、所述第二样本图像的特征以及所述第三样本图像的特征，获取预测排序信息包括：

将所述第一样本图像的特征、所述第二样本图像的特征以及所述第三样本图像的特征进行拼接，得到拼接特征；

对所述拼接特征进行全连接处理和归一化处理，得到所述预测排序信息。