[发明专利]一种图像识别方法、装置、电子设备和存储介质

权利要求书

1.一种图像识别方法，其特征在于，该方法包括：

基于已训练的图像分类联合模型中的度量学习嵌入模块，提取待检测图像的第一浅层全局特征，所述第一浅层全局特征表征所述待检测图像的全局基础信息；以及

基于所述图像分类联合模型中的深度语义嵌入模块，提取所述待检测图像的第一深层语义特征，所述第一深层语义特征表征所述待检测图像的图像语义信息；

基于所述图像分类联合模型中的语义预测模块，对所述第一浅层全局特征与所述第一深层语义特征进行特征融合，并基于获得的第一融合特征对所述待检测图像进行多标签分类，获得所述待检测图像的分类结果；

其中，所述图像分类联合模型是通过对所述度量学习嵌入模块与所述深度语义嵌入模块，进行联合训练所得到的。

2.如权利要求1所述的方法，其特征在于，所述基于获得的第一融合特征对所述待检测图像进行多标签分类，还包括：

基于所述度量学习嵌入模块，分别提取图像库中的各个候选图像的第二浅层全局特征；以及，基于所述深度语义嵌入模块，分别提取所述待检测图像的第二深层语义特征；

基于所述语义预测模块，分别对各个第二浅层全局特征与相应的第二深层语义特征进行特征融合，获得所述各个候选图像各自对应的第二融合特征；

分别基于所述第一融合特征，以及所述各个候选图像对应的第二融合特征，确定所述各个候选图像各自与所述待检测图像的相似度；

基于各个相似度确定所述待检测图像对应的相似图像。

3.如权利要求1所述的方法，其特征在于，所述图像分类联合模型还包括：基础卷积模块；在所述基于已训练的图像分类联合模型中的度量学习嵌入模块，提取待检测图像的第一浅层全局特征之前，还包括：

将所述待检测图像输入所述图像分类联合模型中的基础卷积模块，基于所述基础卷积模块对所述待检测图像进行全局特征提取，获得所述待检测图像对应的全局特征图；

所述基于已训练的图像分类联合模型中的度量学习嵌入模块，提取待检测图像的第一浅层全局特征，包括：

基于所述度量学习嵌入模块，对所述全局特征图进行嵌入处理，获得所述待检测图像对应的第一浅层全局特征。

4.如权利要求3所述的方法，其特征在于，所述深度语义嵌入模块包括残差结构组成的卷积层和嵌入层；

所述基于所述图像分类联合模型中的深度语义嵌入模块，提取所述待检测图像的第一深层语义特征，

基于所述深度语义嵌入模块中的卷积层，对所述全局特征图中的语义信息进行特征提取，并基于所述深度语义嵌入模块中的嵌入层，对提取的语义信息进行嵌入处理，获得所述待检测图像对应的第一深层语义特征。

5.如权利要求3所述的方法，其特征在于，所述语义预测模块的学习率高于其他模块的学习率，所述其他模块包括所述基础卷积模块、所述度量学习嵌入模块和所述深度语义嵌入模块。

6.如权利要求4所述的方法，其特征在于，所述基础卷积模块包括多个卷积层；所述基础卷积模块中的卷积层对应的网络参数是基于指定样本库预训练好的参数初始化获得的，所述深度语义嵌入模块中的卷积层对应的网络参数是基于随机初始化获得的。

7.如权利要求1所述的方法，其特征在于，所述图像分类联合模型是通过下列方式训练得到的：

获取训练样本数据集，从所述训练样本数据集中选取训练样本组；

将选取的训练样本组输入所述训练完毕的图像分类联合模型，获取基于所述图像分类联合模型中的度量学习嵌入模块输出的第三浅层全局特征，所述深度语义嵌入模块输出的第三深层语义特征，以及所述语义预测模块输出的分类向量，所述分类向量表示训练样本针对各个分类标签对应的预测概率；

基于所述第三浅层全局特征，所述第三深层语义特征，以及所述分类向量构建目标损失函数，并基于所述目标损失函数对所述图像分类联合模型的网络参数进行多次调整，直至所述图像分类联合模型收敛，输出训练完毕的图像分类联合模型。