[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

说明书

本发明提供了一种图像识别方法、装置、电子设备和计算机可读介质，涉及图像识别的技术领域，该方法包括：获取测试样本，测试样本中包括测试范例图像和待识别图像，其中，测试范例图像中物体的类别包括待识别图像中物体的类别；对测试范例图像进行特征提取，得到特征集合，特征集合中包括多个子向量，子向量为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子向量映射为对应类型的子分类器，并通过子分类器确定进而得到目标分类器，并从而通过目标分类器对待识别图像进行图像识别，分段分类器映射模型为通过小样本学习之后得到的模型，本发明所所提供的方法使得传统的细粒度级别图像识别技术不再依赖于海量细粒度级别图像。

技术领域

本发明涉及图像识别的技术领域，尤其是涉及一种图像识别方法、装置、电子设备和计算机可读介质。

背景技术

随着人工智能技术的快速发展，图像识别和图像检测技术也正在顺势发展，图像识别和图像检测技术已经广泛应用到生活中，例如，图像识别技术。图像识别技术可以用来识别图像中所包含物体的种类，例如，图像中所包含物体是狗还是猫等等。随着图像识别技术的快速发展，另外一种图像识别技术也应运而生，即，细粒度级别图像识别技术。

细粒度级别图像识别技术一直是计算机视觉领域的一项重要研究课题，目前该方面研究主要侧重在如何寻找细粒度级别图像中具备分辨能力的物体部件(object parts)区域，或，构造适用于细粒度级别图像识别任务的新型网络模型。但无论上述何种深度学习方法均需依赖于海量细粒度级别图像，如此便限制了细粒度级别图像识别的发展及其在现实场景下的应用。

发明内容

有鉴于此，本发明的目的在于提供一种图像识别方法、装置、电子设备和计算机可读介质，该方法使得传统的细粒度级别图像识别技术不再依赖于海量细粒度级别图像。

第一方面，本发明实施例提供了一种图像识别方法，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，从而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通过小样本学习之后得到的模型。

进一步地，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。

进一步地，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。

进一步地，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，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。