[发明专利]基于可变形卷积的图像识别方法、装置、计算机设备

权利要求书

1.一种基于可变形卷积的图像识别方法，应用于管理服务器，所述管理服务器至少与一客户端进行通信，其特征在于，所述方法包括：

若接收到用户所输入的可变形卷积神经网络，从预存的训练图像集中获取一张图像作为对所述可变形卷积神经网络进行训练的训练图像；

根据所述训练图像及所述训练图像的目标框对所述可变形卷积神经网络的第一偏置域的参数值进行调整；

根据调整后的所述第一偏置域及所述可变形卷积神经网络的卷积层对所述训练图像进行可变形卷积以得到与所述训练图像对应的训练特征图像；

根据所述训练特征图像、所述训练图像的目标框及目标分类系数对所述可变形卷积神经网络的第二偏置域及全连接层中的参数值进行调整，以得到进行训练后的所述可变形卷积神经网络；

若接收到来自客户端的待识别图像，根据多次训练后的所述可变形卷积神经网络对所述待识别图像进行识别以获取所述待识别图像的识别结果并反馈至所述客户端。

2.根据权利要求1所述的基于可变形卷积的图像识别方法，其特征在于，所述根据所述训练图像及所述训练图像的目标框对所述可变形卷积神经网络的第一偏置域的参数值进行调整，包括：

根据所述第一偏置域中所包含的偏置矩阵对所述训练图像进行卷积以得到所述训练图像的第一特征点信息；

根据所述可变形卷积神经网络所配置的伪框生成规则生成与所述第一特征点信息对应的第一伪框；

根据所述可变形卷积神经网络所配置的第一损失函数、所述第一伪框及所述训练图像的目标框计算得到对应的第一损失值；

根据所述可变形卷积神经网络所配置的梯度计算公式及所述第一损失值对所述第一偏置域中所包含的偏置矩阵的参数值进行调整。

3.根据权利要求2所述的基于可变形卷积的图像识别方法，其特征在于，所述根据所述可变形卷积神经网络所配置的伪框生成规则生成与所述第一特征点信息对应的第一伪框，包括：

从所述第一特征点信息中获取最外侧的特征点的坐标值以生成与所述第一特征点信息对应的第一伪框。

4.根据权利要求2所述的基于可变形卷积的图像识别方法，其特征在于，所述根据所述可变形卷积神经网络所配置的伪框生成规则生成与所述第一特征点信息对应的第一伪框，包括：

从所述第一特征点信息中随机获取部分特征点组成特征点集，从所述特征点集中获取最外侧的特征点的坐标值以生成与所述第一特征点信息对应的第一伪框。

5.根据权利要求2所述的基于可变形卷积的图像识别方法，其特征在于，所述根据所述可变形卷积神经网络所配置的伪框生成规则生成与所述第一特征点信息对应的第一伪框，包括：

计算所述第一特征点信息中所有特征点的坐标值的均值及方差，以坐标值的均值为中心点以坐标值的方差为边界生成与所述第一特征点信息对应的第一伪框。

6.根据权利要求2所述的基于可变形卷积的图像识别方法，其特征在于，所述根据所述训练特征图像、所述训练图像的目标框及目标分类系数对所述可变形卷积神经网络的第二偏置域及全连接层中的参数值进行调整，以得到进行训练后的所述可变形卷积神经网络，包括：

根据所述全连接层对所述训练特征图像进行计算以获取对应的预测分类系数；

根据所述第二偏置域中所包含的偏置矩阵对所述训练特征图像进行卷积以得到所述训练特征图像的第二特征点信息；

根据所述伪框生成规则生成与所述第二特征点信息对应的第二伪框；

根据所述可变形卷积神经网络所配置的第二损失函数、所述第二伪框、所述预测分类系数、所述训练图像的目标框及所述训练图像的目标分类系数计算得到对应的第二损失值；

根据所述梯度计算公式及所述第二损失值对所述第二偏置域中所包含的偏置矩阵的参数值及所述全连接层中的参数值进行调整以得到训练后的所述可变形卷积神经网络。