[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

说明书

本申请适用于图像识别技术领域，提供了基于卷积神经网络模型的图像识别方法、装置及终端设备，其中，上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，上述图像识别方法包括：将待识别图像输入到经训练的上述卷积神经网络模型，通过上述卷积神经网络模型对待识别图像依次进行特征提取和识别，得到识别结果。本申请可以降低卷积神经网络模型提取全局特征的计算量，提高模型效率。

技术领域

本申请属于图像识别技术领域，尤其涉及基于卷积神经网络模型的图像识别方法、装置、终端设备以及计算机可读存储介质。

背景技术

特征提取和匹配是许多计算机视觉应用中的一个重要任务，广泛运用在图像检索、目标检测等图像识别任务中。其中，在对图像进行特征提取时，图像特征包括全局特征和局部特征，全局特征是指图像的整体属性，局部特征则是从图像局部区域抽取的特征。

现有技术中，由于卷积运算具有良好的硬件支持，因此广泛采用卷积神经网络提取图像的全局特征，但基于卷积神经网络无法一次捕获全局信息，需要多个卷积层叠加增大感受野，使得模型的参数量和计算量随之增大。

发明内容

本申请实施例提供了基于卷积神经网络模型的图像识别方法、装置及终端设备，可以降低卷积神经网络模型进行全局特征提取时的计算量，从而提高模型效率。

第一方面，本申请实施例提供了一种基于卷积神经网络模型的图像识别方法，上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，上述图像识别方法包括：

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

第二方面，本申请实施例提供了一种卷积神经网络模型训练方法，包括：

获取构建的卷积神经网络模型，并将样本图像输入到上述卷积神经网络进行训练，直至上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，上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。

第三方面，本申请实施例提供了一种图像识别装置，包括：

输入模块和经训练的卷积神经网络模型，上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；

上述输入模块，用于将待识别图像输入到上述卷积神经网络模型；

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

第四方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于卷积神经网络模型的图像识别方法或上述第二方面所述的卷积神经网络模型训练方法的步骤。

第五方面，本申请实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中所述的基于卷积神经网络模型的图像识别方法或上述第二方面所述的卷积神经网络模型训练方法的步骤。

第六方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的基于卷积神经网络模型的图像识别方法或上述第二方面所述的卷积神经网络模型训练方法。

本申请实施例与现有技术相比存在的有益效果是：