[发明专利]图像识别方法和装置、存储介质及电子设备

权利要求书

1.一种图像识别方法，其特征在于，包括：

获取目标图像，其中，所述目标图像是对目标对象进行扫描得到的待识别图像；

将所述目标图像输入目标神经网络模型，通过所述目标神经网络模型中的目标视野分类模型从所述目标图像中确定出M个可疑视野图像，通过所述目标神经网络模型中的目标全片分类模型对所述M个可疑视野图像进行预测，得到所述目标图像的预测图像标签，其中，所述M大于或等于1，所述M个可疑视野图像是所述目标图像中预测可疑概率大于或等于预设概率阈值的视野图像；

其中，所述目标神经网络模型是使用训练样本图像和训练视野图像对待训练神经网络模型进行训练、直到满足以下收敛条件所得到的模型：所述训练样本图像的已知图像标签与目标可疑视野图像的预测视野标签之间满足第一损失条件，所述目标可疑视野图像是通过所述待训练神经网络模型中的待训练视野分类模型确定的所述训练样本图像中预测可疑概率最大的可疑视野图像。

2.根据权利要求1所述的方法，其特征在于，所述收敛条件还包括：

所述训练样本图像的已知图像标签与通过所述待训练神经网络模型中的待训练全片分类模型确定的所述训练样本图像的预测图像标签之间满足第二损失条件，所述训练视野图像的已知视野标签与通过所述待训练神经网络模型中的所述待训练视野分类模型确定的所述训练视野图像的预测视野标签之间满足第三损失条件。

3.根据权利要求2所述的方法，其特征在于，在所述将所述目标图像输入目标神经网络模型之前，所述方法还包括：

获取所述训练样本图像和所述训练视野图像；

通过所述训练样本图像和所述训练视野图像，对所述待训练神经网络模型中的所述待训练视野分类模型和待训练全片分类模型进行多轮联合训练，得到所述目标神经网络模型，其中，在训练的过程中，若所述待训练神经网络模型不满足所述收敛条件，调整所述待训练视野分类模型和所述待训练全片分类模型中的参数，若所述待训练神经网络模型满足所述收敛条件，结束训练，将结束训练时的所述待训练神经网络模型确定为所述目标神经网络模型，并将结束训练时的所述待训练视野分类模型和所述待训练全片分类模型分别确定为所述目标神经网络模型中的所述目标视野分类模型和所述目标全片分类模型。

4.根据权利要求3所述的方法，其特征在于，所述通过所述训练样本图像和所述训练视野图像，对所述待训练神经网络模型中的所述待训练视野分类模型和所述待训练全片分类模型进行多轮联合训练，包括：

通过以下步骤对所述待训练神经网络模型中的所述待训练视野分类模型和所述待训练全片分类模型进行第i轮联合训练，其中，i为大于或等于1的正整数，第0轮训练得到的视野分类模型和全片分类模型为所述待训练神经网络模型中未经训练的所述待训练视野分类模型和所述待训练全片分类模型，包括：

将所述训练视野图像输入第i-1轮训练得到的视野分类模型，得到第i轮训练确定的所述训练视野图像的预测视野标签；

将所述训练样本图像输入所述第i-1轮训练得到的视野分类模型和第i-1轮训练得到的全片分类模型，得到第i轮训练确定的所述目标可疑视野图像的预测视野标签，以及第i轮训练确定的所述训练样本图像的预测图像标签；

在所述第i轮训练确定的所述训练视野图像的预测视野标签、所述第i轮训练确定的所述目标可疑视野图像的预测视野标签，以及所述第i轮训练确定的所述训练样本图像的预测图像标签满足所述收敛条件的情况下，结束训练，并将所述第i-1轮训练得到的所述视野分类模型和所述全片分类模型分别确定为所述目标神经网络模型中的所述目标视野分类模型和所述目标全片分类模型。