[发明专利]识别方法、装置、电子设备及介质

说明书

本发明提供了一种识别方法、装置、电子设备及存储介质，该方法包括：通过识别模型对待识别图像进行处理，得到所述待识别图像对应的初始特征向量；使用特征变换函数对所述初始特征向量进行特征变换，得到所述待识别图像对应的结果特征向量，其中，所述特征变换函数是基于识别错误的测试样本对对应的特征向量对和错误类型确定的；根据所述结果特征向量对所述待识别图像进行识别。本发明可以提高目标识别的准确性。

技术领域

本发明涉及图像识别技术领域，特别是涉及一种识别方法、装置、电子设备及存储介质。

背景技术

目前的识别模型(如人脸识别模型)主要利用深度学习网络产生特征，分成训练和测试两个阶段，在训练阶段通过大量有标签的数据学习含有目标的图片在特征空间的分布。在测试阶段，使用已训练好的固定参数的识别模型对样本做推理得到对应特征，通过两个样本之间的特征判断是否为同一个目标。

现有的深度神经网络模型需要大量的训练样本才能进行充分学习，训练样本大多从现实世界里采集或者标注产生，在非受限情况下，训练数据常常存在数据不平衡的问题，这样识别模型对样本数量较少的目标学习会存在偏差，导致识别模型在应用过程中识别效果较差。

发明内容

鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种识别方法、装置、电子设备及存储介质。

依据本发明实施例的第一方面，提供了一种识别方法，包括：

通过识别模型对待识别图像进行处理，得到所述待识别图像对应的初始特征向量；

使用特征变换函数对所述初始特征向量进行特征变换，得到所述待识别图像对应的结果特征向量，其中，所述特征变换函数是基于识别错误的测试样本对对应的特征向量对和错误类型确定的；

根据所述结果特征向量对所述待识别图像进行识别。

依据本发明实施例的第二方面，提供了一种识别装置，包括：

模型处理模块，用于通过识别模型对待识别图像进行处理，得到所述待识别图像对应的初始特征向量；

特征变换模块，用于使用特征变换函数对所述初始特征向量进行特征变换，得到所述待识别图像对应的结果特征向量，其中，所述特征变换函数是基于识别错误的测试样本对对应的特征向量对和错误类型确定的；

图像识别模块，用于根据所述结果特征向量对所述待识别图像进行识别。

依据本发明实施例的第三方面，提供了一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如第一方面中所述的识别方法。

依据本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的识别方法。

本发明实施例提供的识别方法、装置、电子设备及存储介质，通过目标识别模型对待识别图像进行识别，得到待识别图像对应的初始特征向量后，使用特征变换函数对初始特征向量进行特征变换，得到待识别图像对应的结果特征向量，根据结果特征向量和底库图像的底库特征向量，确定待识别图像的目标身份，由于特征变换函数是基于识别错误的测试样本对对应的特征向量对和错误类型确定的，经过变换可以减少识别错误的情况，从而可以提高目标识别的准确性。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。