[发明专利]基于卷积神经网络模型的图像识别方法、装置及终端设备

权利要求书

1.一种基于卷积神经网络模型的图像识别方法，其特征在于，所述卷积神经网络模型基于快速傅里叶变换对待识别图像进行频域全局卷积；

所述图像识别方法包括：

将待识别图像输入到经训练的所述卷积神经网络模型，通过所述卷积神经网络模型对所述待识别图像依次进行特征提取和识别，得到识别结果。

2.如权利要求1所述的图像识别方法，其特征在于，所述卷积神经网络模型包括特征提取模块和识别模块，所述通过所述卷积神经网络模型对所述待识别图像依次进行特征提取和识别，得到识别结果，包括：

通过所述特征提取模块对所述待识别图像进行特征提取；

基于所述识别模块对提取到的特征进行识别，得到识别结果。

3.如权利要求2所述的图像识别方法，其特征在于，所述特征提取模块包括第一卷积模块和第二卷积模块，所述第二卷积模块基于快速傅里叶变换对所述待识别图像进行频域全局卷积，所述通过所述特征提取模块对所述待识别图像进行特征提取，包括：

基于所述第一卷积模块对所述待识别图像进行局部特征提取，得到局部特征图；

基于所述第二卷积模块采用快速傅里叶变换对所述局部特征图进行频域全局卷积，得到全局特征图。

4.如权利要求3所述的图像识别方法，其特征在于，所述第二卷积模块包括第一分支和第二分支，所述基于所述第二卷积模块采用快速傅里叶变换对所述局部特征图进行频域全局卷积，得到全局特征图，包括：

将所述局部特征图沿通道方向拆分，得到第一局部特征图和第二局部特征图，并将所述第一局部特征图和所述第二局部特征图分别输入到所述第一分支和所述第二分支；

所述第一分支和所述第二分支分别采用快速傅里叶变换对输入的局部特征图进行频域全局卷积，得到第一全局特征图和第二全局特征图；

将所述第一全局特征图和所述第二全局特征图沿通道方向进行拼接，得到全局特征图。

5.如权利要求4所述的图像识别方法，其特征在于，所述第一分支和所述第二分支分别采用快速傅里叶变换对输入的局部特征图进行频域全局卷积，得到第一全局特征图和第二全局特征图，包括：

所述第一分支基于列维度对所述第一局部特征图和相应的权重矩阵分别进行快速傅里叶变换处理，得到频域的第一局部特征图和权重矩阵；

将所述频域的第一局部特征图和权重矩阵逐点相乘，得到第一频域特征图；

对所述频域的第一特征图进行快速傅里叶逆变换处理，得到第一全局特征图；

所述第二分支基于行维度对所述第二局部特征图和相应的权重矩阵分别进行快速傅里叶变换处理，得到频域的第二局部特征图和权重矩阵；

将所述频域的第二局部特征图和权重矩阵逐点相乘，得到第二频域特征图；

对所述频域的第二特征图进行快速傅里叶逆变换处理，得到第二全局特征图。

6.如权利要求4所述的图像识别方法，其特征在于，所述第二卷积模块还包括位置嵌入模块，在所述将所述局部特征图沿通道方向进行拆分之前，还包括：

通过所述位置嵌入模块对所述局部特征图进行特征提取，得到位置特征图，并将所述位置特征图与所述局部特征图相加，得到包含位置特征的局部特征图。

7.一种卷积神经网络模型训练方法，其特征在于，包括：

获取构建的卷积神经网络模型，并将样本图像输入到所述卷积神经网络进行训练，直至所述卷积神经网络满足预设要求，得到卷积神经网络模型；

其中，所述卷积神经网络基于快速傅里叶变换对样本图像进行频域全局卷积。

8.一种图像识别装置，其特征在于，包括：

输入模块和经训练的卷积神经网络模型，所述卷积神经网络模型基于快速傅里叶变换对待识别图像进行频域全局卷积；

所述输入模块，用于将待识别图像输入到所述卷积神经网络模型；

所述卷积神经网络模型，用于对所述待识别图像依次进行特征提取和识别，得到识别结果。