[发明专利]目标识别方法、装置、设备和存储介质

说明书

本发明实施例公开了一种目标识别方法、装置、设备和存储介质，该方法包括将通道特征重激活模块和细微特征自增强模块嵌入神经网络结构中生成第一网络模型；将梯度增强交叉熵损失函数连接所述第一网络模型生成第二网络模型；基于小批量随机梯度下降算法对所述第二网络模型进行训练；将训练完毕的第二网络模型进行修改得到推理网络模型；将图像输入所述推理网络模型得到目标识别结果。本方案能够学习识别出更多细微特征，提高了目标识别的准确率。

技术领域

本申请实施例涉及计算机领域，尤其涉及一种目标识别方法、装置、设备和存储介质。

背景技术

目标识别指一个特殊目标（或一种类型的目标）从其它目标（或其它类型的目标）中被区分出来的过程。它既包括两个非常相似目标的识别，也包括一种类型的目标同其他类型目标的识别。随着计算机技术的不断发展，目标识别的应用范围也越来越广泛，如对汽车的车型、花草植物和鸟类等目标进行识别。

现有技术中，可通过对图像进行目标识别以得到对应的目标物，然而现有的目标识别方式中，针对细微特征较多的情况，如对包含多张人脸、多种车型的图像进行目标识别时，无法进行高效、准确的识别，由此也导致了一系列问题的产生，特别在社会突发状况例如疫情高发、公共安全事件等情况下，需要从众多图像中精准识别出高危人员例如确定疑似或确诊病人、重点车辆的行动轨迹进行预警和跟踪，此时如何高效、准确的进行目标识别至关重要。

发明内容

本发明实施例提供了一种目标识别方法、装置、设备和存储介质，能够学习识别出更多细微特征，提高了目标识别的准确率。

第一方面，本发明实施例提供了一种目标识别方法，该方法包括：

将通道特征重激活模块和细微特征自增强模块嵌入神经网络结构中生成第一网络模型；

将梯度增强交叉熵损失函数连接所述第一网络模型生成第二网络模型；

基于小批量随机梯度下降算法对所述第二网络模型进行训练；

将训练完毕的第二网络模型进行修改得到推理网络模型；

将图像输入所述推理网络模型得到目标识别结果。

可选的，将通道特征重激活模块和细微特征自增强模块嵌入神经网络结构中生成第一网络模型，包括：

通过通道特征重激活模块对神经网络结构中输出的特征图按通道重新分配权重；

通过细微特征自增强模块对通道特征重激活模块中输出的特征图的非显著特征进行增强，对显著特征进行抑制。

可选的，所述通过通道特征重激活模块对神经网络结构中输出的特征图按通道重新分配权重，包括：

对神经网络结构中输出的特征图在空间层面进行压缩得到压缩后的特征；

对所述压缩后的特征进行重激活，得到激活后的权重；

对输入的特征图按通道乘以所述激活后的权重。

可选的，所述细微特征自增强模块包括增强掩模和抑制掩模，所述通过细微特征自增强模块对通道特征重激活模块中输出的特征图的非显著特征进行增强，对显著特征进行抑制，包括：

根据增强掩模对通道特征重激活模块中输出的特征图的非显著特征对应的区域进行增强；

根据抑制掩模对通道特征重激活模块中输出的特征图的显著特征对应的区域进行抑制。

可选的，所述将通道特征重激活模块和细微特征自增强模块嵌入神经网络结构中生成第一网络模型，包括：

删除残差网络的全局池化层，将最后一层全连接层修改为卷积核大小为1x1、通道数为C的卷积层，得到特征图；