[发明专利]图像识别方法及云端系统

权利要求书

1.一种图像识别方法，其特征在于，包括：

获取待识别图像；

利用预设的深度神经网络识别所述待识别图像，得到所述待识别图像的识别结果；

所述预设的深度神经网络是通过分阶段训练得到的；所述预设的深度神经网络包括训练好的特征提取网络和分类器，所述预设的深度神经网络的分阶段训练，包括：

对初始化的特征提取网络和分类器进行第一阶段训练，得到第一特征提取网络和训练好的分类器；

对所述第一特征提取网络进行第二阶段训练，得到训练好的特征提取网络；

其中，对所述第一特征提取网络进行第二阶段训练，得到训练好的特征提取网络包括：基于第一训练阶段得到的深度神经网络特征提取网络，再次利用前向传导算法对图像样本进行图像特征的提取，并根据预设的图像标签和图像特征向量与其对应的类中心向量的欧氏距离计算损失值，以及利用后向传导算法实现对第一阶段训练得到的深度神经网络特征提取网络中参数的再次优化，直至训练收敛；其中，根据训练好的分类器确定各类图像特征向量的类中心向量，在进行第二阶段训练时，各类图像特征向量的类中心向量固定不变。

2.如权利要求1所述的方法，其特征在于，所述第二阶段训练的训练目标为，图像样本的特征向量x_i与其对应的图像类别的类中心向量W_j间的夹角的余弦值大于等于预设值，所述夹角的余弦值cosθ_i为：

3.如权利要求1所述的方法，其特征在于，所述对所述第一特征提取网络进行第二阶段训练，得到训练好的特征提取网络，包括：

利用预设的损失函数对所述第一特征提取网络进行训练，得到训练好的特征提取网络；

所述预设的损失函数L_j的计算公式为，

其中，W_j为图像样本的特征向量x_i(i＝1，…，n)对应的图像类别的类中心向量，所述预设的损失函数的类中心向量与第一阶段训练中的损失函数的类中心向量相同。

4.一种图像识别云端系统，其特征在于，包括：

接口设备，用于获取待识别图像；

深度神经网络，用于利用预设的深度神经网络识别所述待识别图像，得到所述待识别图像的识别结果；以及

所述预设的深度神经网络是通过分阶段训练得到的；

还包括训练器，所述训练器用于训练初始化的深度神经网络中的特征提取网络和分类器，得到预设的深度神经网络，所述预设的深度神经网络的分阶段训练，包括：

对初始化的特征提取网络和分类器进行第一阶段训练，得到第一特征提取网络和训练好的分类器；

对所述第一特征提取网络进行第二阶段训练，得到训练好的特征提取网络；

其中，对所述第一特征提取网络进行第二阶段训练，得到训练好的特征提取网络包括：基于第一训练阶段得到的深度神经网络特征提取网络，再次利用前向传导算法对图像样本进行图像特征的提取，并根据预设的图像标签和图像特征向量与其对应的类中心向量的欧氏距离计算损失值，以及利用后向传导算法实现对第一阶段训练得到的深度神经网络特征提取网络中参数的再次优化，直至训练收敛；其中，根据训练好的分类器确定各类图像特征向量的类中心向量，在进行第二阶段训练时，各类图像特征向量的类中心向量固定不变。

5.如权利要求4所述的云端系统，其特征在于，所述第二阶段训练的训练目标为，图像样本的特征向量x_i与其对应的图像类别的类中心向量W_j间的夹角的余弦值大于等于预设值，所述夹角的余弦值cosθ_i为：