[发明专利]图像识别方法及装置、残差网络模型的构建方法

说明书

本申请公开了一种图像识别方法及装置、残差网络模型的构建方法。其中，该方法包括：获取待识别图像的特征信息；将所述特征信息输入至残差网络模型进行分析，得到分析结果，其中，所述残差网络模型中的每个残差块中包括多个分支，其中，所述多个分支中的指定分支中至少包括选择性卷积核；依据所述分析结果确定所述待识别图像的图像类型。本申请解决了相关技术中由于训练数据不足而导致训练的模型识别效果不佳的技术问题。

技术领域

本申请涉及图像识别领域，具体而言，涉及一种图像识别方法及装置、残差网络模型的构建方法。

背景技术

随着人工智能技术的发展，神经网络模型的应用越来越广泛，由于神经网络模型往往是需要海量的训练数据作为基础的，但是，在实际的应用中，受到各种限制条件的制约，往往会面临训练数据不足的情况，从而无法训练出足够准确有效的模型的问题。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种图像识别方法及装置、残差网络模型的构建方法，以至少解决相关技术中由于训练数据不足而导致训练的模型识别效果不佳的技术问题。

根据本申请实施例的一个方面，提供了一种图像识别方法包括：获取待识别图像的特征信息；将所述特征信息输入至残差网络模型进行分析，得到分析结果，其中，所述残差网络模型中的每个残差块中包括多个分支，其中，所述多个分支中的指定分支中至少包括选择性卷积核；依据所述分析结果确定所述待识别图像的图像类型。

根据本申请实施例的另一方面，还提供了一种残差网络模型的构建方法，包括：对于残差网络模型中的残差块，将所述残差块中第一分支中的指定卷积核替换为选择性卷积核，其中，所述第一分支为除所述残差网络模型中的跳接分支之外的分支，所述跳接分支为所述残差块的输入端和输出端直接连通的分支；在所述残差块中设置与具有所述选择性卷积核的第一分支相同的第二分支，得到目标残差块；基于所述目标残差块确定构建所述残差网络模型。

根据本申请实施例的另一方面，还提供了一种图像识别装置，包括：获取模块，用于获取待识别图像的特征信息；分析模块，用于将所述特征信息输入至残差网络模型进行分析，得到分析结果，其中，所述残差网络模型中的每个残差块中包括多个分支，其中，所述多个分支中的指定分支中至少包括选择性卷积核；确定模块，用于依据所述分析结果确定所述待识别图像的图像类型。

根据本申请实施例的又一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行以上所述的图像识别方法。

根据本申请实施例的再一方面，还提供了一种计算设备，包括：处理器；以及存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：获取待识别图像的特征信息；将所述特征信息输入至残差网络模型进行分析，得到分析结果，其中，所述残差网络模型中的每个残差块中包括多个分支，其中，所述多个分支中的指定分支中至少包括选择性卷积核；依据所述分析结果确定所述待识别图像的图像类型。

在本申请实施例中，由具有选择性卷积核的残差块组成的残差网络模型对图像进行识别，由于残差块中设置了选择性卷积核，因此，可以提取待识别图像中的显著性特征，从而在训练数据较少的情况下，也可以得到比较准确有效的识别结果，进而解决了相关技术中由于训练数据不足而导致训练的模型识别效果不佳的技术问题。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的一种计算机终端的结构示意图；

图2是根据本申请实施例的一种图像识别方法的流程示意图；

图3是根据本申请实施例的一种残差块的结构示意图；