[发明专利]图像识别方法、装置、计算机设备和存储介质

权利要求书

1.一种图像识别方法，其特征在于，所述方法包括：

获取待处理图像；

采用预设的识别模型对所述待处理图像的每个局部区域分别进行特征提取，并将每个所述局部区域对应的提取结果采用注意力机制配置相应的权重，得到表征所述待处理图像的多个局部特征的识别向量；所述识别模型为采用注意力机制，且采用密集损失函数进行训练所得到的模型，所述密集损失函数中包括多个损失函数，每个所述损失函数均对应一个局部区域；

对所述识别向量进行图像识别，得到识别结果；

其中，所述识别模型包括基础特征提取网络、局部特征划分单元和注意力单元；所述采用预设的识别模型对所述待处理图像的每个局部区域分别进行特征提取，并将每个所述局部区域对应的提取结果采用注意力机制配置相应的权重，得到表征所述待处理图像的多个局部特征的识别向量，包括：

采用所述基础特征提取网络对所述待处理图像进行特征提取，得到综合特征图；

采用所述局部特征划分单元对所述综合特征图的每个局部区域分别进行特征提取，得到多个局部特征图；

采用所述注意力单元对所述综合特征图和所述多个局部特征图进行处理，对所述多个局部特征图采用注意力机制配置相应的权重，并通过全连接层输出所述识别向量。

2.根据权利要求1所述的方法，其特征在于，所述采用所述注意力单元对所述综合特征图和所述多个局部特征图进行处理，对所述多个局部特征图采用注意力机制配置相应的权重，并通过全连接层输出所述识别向量，包括：

采用所述注意力单元对所述综合特征图进行处理，得到注意力图；

将多个所述局部特征图和所述注意力图进行融合处理，对所述多个局部特征图采用注意力机制配置相应的权重，通过全连接层输出所述识别向量。

3.根据权利要求2所述的方法，其特征在于，所述将多个所述局部特征图和所述注意力图进行融合处理，对所述多个局部特征图采用注意力机制配置相应的权重，通过全连接层输出所述识别向量，包括：

将每个所述局部特征图分别与所述注意力图相乘，得到每个所述局部特征图对应的加权特征向量；

将多个所述加权特征向量串联，并通过所述全连接层输出所述识别向量。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述采用预设的识别模型对所述待处理图像的每个局部区域分别进行特征提取，并将每个所述局部区域对应的提取结果采用注意力机制配置相应的权重，得到表征所述待处理图像的多个局部特征的识别向量之前，包括：

将多个训练图像输入预设的初始识别模型，得到多个局部训练特征图和训练注意力图；

使用所述训练注意力图对所述多个局部训练特征图进行加权处理，得到加权局部训练特征图；

根据每个所述加权局部训练特征图，和对应的每个所述训练图像的标注信息之间的密集损失函数，对所述初始识别模型进行训练，得到所述识别模型；所述密集损失函数中包括多个分类损失函数，每个所述分类损失函数对应图像不同的局部区域。

5.根据权利要求1至3任一项所述的方法，其特征在于，所述采用预设的识别模型对所述待处理图像的每个局部区域分别进行特征提取，并将每个所述局部区域对应的提取结果采用注意力机制配置相应的权重，得到表征所述待处理图像的多个局部特征的识别向量之前，包括：

将多个训练图像输入预设的初始识别模型，得到多个局部训练特征图、训练注意力图和初始识别向量；

使用所述训练注意力图对所述多个局部训练特征图进行加权处理，得到加权局部训练特征图；

根据每个所述加权局部训练特征图，和对应的每个所述训练图像的标注信息之间的密集损失函数，以及根据所述初始识别向量和所述训练图像的标注信息之间的损失函数，对所述初始识别模型进行训练，得到所述识别模型；所述密集损失函数中包括多个分类损失函数，每个所述分类损失函数对应图像不同的局部区域；所述初始识别向量为多个所述加权局部训练特征图进行融合处理所输出的向量。

6.根据权利要求2或3所述的方法，其特征在于，所述注意力图的长度和宽度相同。