[发明专利]图像识别方法及云端系统

说明书

本申请提供了图像识别方法及云端系统，所述方法包括：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。本申请通过分阶段对DNN进行训练，利用训练好的DNN实现图像识别，避免了现有复杂图像分类系统训练过程中采样环节繁琐、最优超参数选取复杂等不足，同时提升了云端系统识别的准确性和鲁棒性。

技术领域

本申请涉及图像识别技术领域，特别涉及图像识别方法及云端系统。

背景技术

现有基于深度神经网络(DNN：Deep Neural Network)的图像分类系统的工作流程具体为，对图像进行预处理，利用DNN特征提取网络对预处理后的图像进行图像特征向量的提取，以及利用分类器对图像特征向量进行分类，得到图像的分类结果。其中，DNN训练过程为，对图像样本进行预处理，利用DNN特征提取网络对预处理后的图像样本进行图像特征向量的提取，根据提取的图像特征向量和图像标签，利用前向传导算法和损失函数计算损失值，并利用后向传导算法对DNN各层参数进行优化。

在实际应用中，基于DNN的复杂图像分类(例如，人脸识别)系统也得到了广泛的应用，以人脸识别系统为例，基于现有线性分类器(例如，Softmax分类器)和交叉熵定义的损失函数无法保证人脸特征的可区分性，需要通过与已知人脸特征库中的特征进行相似性比对以实现对人脸的识别。现有的解决方案为，人脸识别系统通过各种新的损失函数得到区分度高的人脸特征，具体为，在图像样本训练过程中，根据一种或者联合多种损失函数利用后向传播算法实现对DNN的优化。

现有人脸识别系统在训练过程中存在以下问题：

1)现有人脸识别系统的训练目标为获取用于划分类别的超平面，但忽略了类别内部特征向量的聚集性，以及类别间特征向量的可区分性，因此，现有人脸识别系统的分类准确性和鲁棒性较差；

2)现有人脸识别系统训练过程中的采样环节过于繁琐，例如，在训练过程中需要对图像样本进行精细的选取以达到更优的系统性能；

3)现有人脸识别系统训练过程中采用的最优超参数由于无法遍历所有的情况，因此最优超参数的选取需要通过大量实验获得以达到更优的系统性能。其中，基于权值联合多种损失函数得到新的损失函数，超参数即初始化权值。

发明内容

有鉴于此，本发明实施例期望提供图像识别方法及云端系统，以解决现有复杂图像分类系统的分类准确性和鲁棒性较差，以及训练过程中的采样环节繁琐、最优超参数选取复杂的技术问题。

在一个方面，本申请实施例提供了一种图像识别方法，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。

在另一个方面，本申请实施例提供了一种图像识别云端系统，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。

在另一个方面，本申请实施例提供了一种电子设备，所述电子设备包括：

收发设备，存储器，一个或多个处理器；以及

一个或多个模块，所述一个或多个模块被存储在所述存储器中，并被配置成由所述一个或多个处理器执行，所述一个或多个模块包括用于执行上述方法中各个步骤的指令。