[发明专利]一种图像识别方法、装置、电子设备和计算机可读介质

权利要求书

1.一种图像识别方法，其特征在于，包括：

获取测试样本，所述测试样本中包括测试范例图像和待识别图像，其中，所述测试范例图像中物体的类别包括所述待识别图像中物体的类别；

对所述测试范例图像进行特征提取，得到特征集合，所述特征集合中包括多个子向量，所述子向量为所述范例图像中物体的部件特征向量；

通过分段分类器映射模型将每个所述子向量映射为对应类型的子分类器，并通过所述子分类器确定目标分类器，其中，所述分段分类器映射模型为通过小样本学习之后得到的模型；

通过所述目标分类器对所述待识别图像进行图像识别；

其中，所述分段分类器映射模型为细粒度级别图像识别模型。

2.根据权利要求1所述的方法，其特征在于，所述测试范例图像中的物体的类别为至少一个；

对所述测试范例图像进行特征提取，得到特征集合包括：对所述测试范例图像中类别为A_i的测试范例图像进行特征提取，得到特征集合X_i，其中，类别A_i为多个类别中的第i类别，i依次取1至k，k为所述测试范例图像的类别数量；

通过分段分类器映射模型将每个所述子向量映射为对应类型的子分类器，进而得到目标分类器包括：通过所述分段分类器映射模型将所述特征集合Xi中的每个子向量映射为对应类型的子分类器，并通过所述子分类器确定目标分类器F_i。

3.根据权利要求2所述的方法，其特征在于，通过所述分段分类器映射模型将所述特征集合Xi中的每个子向量映射为对应类型的子分类器，并通过所述子分类器确定目标分类器F_i包括：

通过所述分段分类器映射模型中的分段分类映射函数将所述特征集合Xi中的每个子向量映射为对应类型的子分类器，得到多个子分类器；

将所述多个子分类器进行级联，得到所述目标分类器F_i。

4.根据权利要求3所述的方法，其特征在于，通过所述分段分类器映射模型中的分段分类映射函数将所述特征集合Xi中的每个子向量映射为对应类型的子分类器包括：

通过公式将所述特征集合X_i中的第t个子向量映射为对应类型的子分类器，其中，F_i^t表示所述特征集合X_i中的第t个子向量所对应的子分类器，表示所述分段分类映射函数，t依次取1至n_B，n_B为所述特征集合X_i中子向量的个数。

5.根据权利要求2所述的方法，其特征在于，对所述测试范例图像中类别为A_i的测试范例图像进行特征提取，得到特征集合X_i包括：

对所述测试范例图像中类别为A_i的每个测试范例图像进行特征提取，得到特征集合其中，x_j表示所述类别为A_i的测试范例图像中第j个测试范例图像，N_e为所述测试范例图像中类别为A_i的测试范例图像的数量；

按照公式对特征集合进行计算，得到所述特征集合X_i。

6.根据权利要求1至5中任一项所述的方法，其特征在于，对所述测试范例图像进行特征提取，得到特征集合包括：

通过双线性神经网络对所述测试范例图像进行特征提取，得到所述测试范例图像的双线性特征集合，其中，所述双线性特征集合中包括多个子向量。

7.根据权利要求6所述的方法，其特征在于，通过双线性神经网络对所述测试范例图像进行特征提取，得到所述测试范例图像的双线性特征集合包括：

通过所述双线性神经网络中的第一支特征抽取网络抽取所述测试范例图像的第一双线性特征集合；

通过所述双线性神经网络中的第二支特征抽取网络抽取所述测试范例图像的第二双线性特征集合；

对所述第一双线性特征集合和所述第二双线性特征集合进行外积操作，得到所述测试范例图像的双线性特征集合。