基于深度学习模型的图像特征识别方法、装置及存储介质与流程

本发明涉及人工智能
技术领域：
，具体涉及一种基于深度学习模型的图像特征识别方法、装置及存储介质。
背景技术：
：在对图像特征识别时，需要先提取所获取图像信息中的特征向量，一般将所获取的图片输入至深度学习模型，经过卷积池化等操作，深度学习模型输出一个一维特征向量或者二维特征向量，该特征向量即为所要提取的特征向量，根据该特征向量来对目标特征进行识别。深度学习模型一般由卷积层、池化层、非线性层和全连接层等组成，其中深度学习模型中的池化层一方面可以减小输入图片的大小，另一方面可以赋予深度学习模型一定的平移不变性，增加深度学习模型的泛化性能，以提升图像特征识别的准确度。深度学习模型中的池化层包括三个超参数，分别为池化核的大小、步进和补零(padding)参数，这三个超参数会影响深度学习模型的性能，例如在用于人脸特征识别的深度学习模型训练中发现，当不使用池化层时(此时可以看作池化核大小为1，步长为1，padding＝0的情况)，深度学习模型的池化性能比使用池化核为3，步长为1，padding＝0的时候要差。综上，池化层的超参数对深度学习模型性能有较大的影响，因此为了使深度学习模型具有一个较好的性能，需要人工对池化层的超参数进行不断调整，该方法效率较为低下，且过度依靠人为经验。技术实现要素：本发明旨在提供了一种基于深度学习模型的图像特征识别方法、装置及存储介质，解决了现有依靠人工对池化层的超参数进行调参，效率低下且过于依靠人为经验的问题。根据第一方面，一种实施例中提供一种基于深度学习模型的图像特征识别方法，包括：获取待识别的图像信息；将所述待识别的图像信息输入预先构建的深度学习模型中，得到特征向量；其中，所述预先构建的深度学习模型包括池化模块，所述池化模块包括并列的至少两个池化层，所述池化模块用于将其输入端接收的待池化特征向量分别输入每个池化层中进行池化操作得到至少两个子池化特征向量，根据至少两个所述子池化特征向量得到池化特征向量，并输出所述池化特征向量；所述待池化特征向量通过对待识别的图像信息卷积得到；根据所述特征向量对图像信息中的目标特征进行识别。可选地，所述池化模块中的至少两个所述池化层设置有不同的超参数，所述超参数包括池化核的大小、补零值和步进值中的至少一个。可选地，所述至少两个所述池化层的超参数需满足以下公式：其中，o为池化特征向量的大小，i为待池化特征向量的大小，p为卷积核大小，k为补零值，s步进值，表示向下取整。可选地，所述根据至少两个所述子池化特征向量得到池化特征向量，包括：将至少两个所述子池化特征向量逐元素相加，得到池化特征向量。根据第二方面，一种实施例中提供一种基于深度学习模型的图像特征识别装置，包括：图像获取模块，用于获取待识别的图像信息；特征提取模块，用于将所述待识别的图像信息输入预先构建的深度学习模型中，得到特征向量；其中，所述预先构建的深度学习模型包括池化模块，所述池化模块包括并列的至少两个池化层，所述池化模块用于将其输入端接收的待池化特征向量分别输入每个池化层中进行池化操作得到至少两个子池化特征向量，根据至少两个所述子池化特征向量得到池化特征向量，并输出所述池化特征向量；所述待池化特征向量通过对图像信息卷积得到；特征识别模块，用于根据所述特征向量对图像信息中的目标特征进行识别。可选地，所述池化模块中的至少两个所述池化层设置有不同的超参数，所述超参数包括池化核的大小、补零值和步进值中的至少一个。可选地，所述至少两个所述池化层的超参数需满足以下公式：其中，o为池化特征向量的大小，i为待池化特征向量的大小，p为卷积核大小，k为补零值，s步进值。可选地，所述根据至少两个所述子池化特征向量得到池化特征向量，包括：将至少两个所述子池化特征向量逐元素相加，得到池化特征向量。根据第三方面，一种实施例中提供了一种电子设备，包括：存储器，用于存储程序；处理器，用于通过执行所述存储器存储的程序以实现如上述实施例所述的方法。根据第四方面，一种实施例提供了一种计算机可读存储介质，包括程序，所述程序能够被处理器执行以实现如上述实施例所述的方法。依据上述实施例的基于深度学习模型的图像特征识别方法，将待识别的图像信息输入预先构建的深度学习模型中，该预先构建的深度学习模型包括池化模块，待识别的图像信息经卷积后将待池化特征向量输入池化模块，池化模块包括并列的至少两个池化层，每个池化层均对待池化特征向量进行池化操作得到至少两个子池化特征向量，根据至少两个子池化特征向量可得到池化特征向量，并将池化特征向量输出以进行后续学习来提取对应特征向量，由于待池化特征向量经过不同池化层的池化操作，使其能够获得更丰富的信息，且经过不同池化层并没有带来额外参数，使得深度学习模型具有更好的性能，提升了图像中目标特征识别的准确度。附图说明图1为一种实施例的基于深度学习模型的图像特征识别方法的流程图；图2为一种实施例的池化操作示意图；图3为一种实施例的基于深度学习模型的图像特征识别装置的结构框图；图4为一种实施例的电子设备的结构框图。具体实施方式下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。在本发明实施例中，深度学习模型中的池化模块包括并列的还少两个池化层，将待池化特征向量分别输入每个池化层中进行池化操作得到至少两个池化特征向量，根据至少两个池化特征向量得到池化特征向量来进行后续学习以提取对应的特征向量，使得所提取的特征向量经过了不同池化操作，能够获得更丰富的信息，且没有带来额外参数。请参考图1，图1为一种实施例的基于深度学习模型的图像特征识别方法的流程图，其可执行在处理器、服务器等装置上，包括步骤s101至步骤s103，下面具体说明。步骤s101，获取待识别的图像信息。本实施例中的图像信息可以为图片，图片中具有待识别的目标特征。步骤s102，将待识别的图像信息输入预先构建的深度学习模型中，得到特征向量。其中，预先构建的深度学习模型包括池化模块，池化模块包括并列的至少两个池化层，池化模块用于将其输入端接收的待池化特征向量分别输入每个池化层中进行池化操作得到至少两个子池化特征向量，根据至少两个子池化特征向量得到池化特征向量，并输出池化特征向量；待池化特征向量通过对待识别的图像信息卷积得到。步骤s103，根据特征向量对图像信息中的目标特征进行识别。本实施例中的目标特征可以是人脸特征、行人特征等。在一实施例中，对目标图中进行识别可通过现有的特征识别方法，例如将深度学习模型输出的特征向量与预设数据库中具有标签的特征向量进行相似性比对，若比对结果为相似特征，则将输出的特征向量标识为同一标签。在一实施例中，池化模块中的至少两个池化层设置有不同的超参数，其中超参数包括池化核的大小、补零值和步进值中的至少一个。请参考图2，图2为一种实施例的池化操作示意图，其中a为一个池化核大小为3、步进值为2，补零值为0的池化层，b为一个7×7的待池化的特征向量，c为经过池化操作的池化后的特征向量，其大小为3×3。可以看出，经过池化操作后，减小了待池化的特征向量的大小。在一实施例中，至少两个池化层的超参数需满足公式(1)：其中，o为池化特征向量的大小，i为待池化特征向量的大小，p为池化核大小，k为补零值，s步进值，表示向下取整。本实施例中，池化模块中并列的池化层的数量为两个或者两个以上，并且每个池化层的超参数均是不同的，每个池化层的超参数均需满足公式(1)。在一种具体实施方式下，若待池化的特征向量为图2中的b，池化模块包括三个并列的池化层，三个池化层的超参数如表1所示。表1池化核大小步进值补零值3x3205x5217x722将待池化的特征向量b分别输入至表1所示的三个池化层中，三个池化层均能输出一3×3的子池化特征向量。在一实施例中，根据至少两个所述子池化特征向量得到池化特征向量，包括：将至少两个子池化特征向量逐元素相加，得到池化特征向量。例如，对于上述表1中三个池化层分别输出的3个3×3的子池化特征向量，将3个3×3的子池化特征向量逐元素相加后，得到一个3×3的池化特征向量，这样最终得到的池化特征向量综合了三个池化层的信息，更利于模型的学习。本实施例中，预先构建的深度学习模型需先进行训练，所述训练如下：构建深度学习模型，该深度学习模型至少包括一个池化模块，每个池化模块均包括并列的至少两个池化层；获取训练图像数据集，训练图像数据集中的图像信息具有标签，标签用于标识图像信息中的目标特征；其中，每一个训练图像数据集中的图像信息输入深度学习模型进行池化操作时，分别输入并列的至少两个池化层中，将每个池化层输出的子池化特征向量逐元素相加，再将相加得到的池化特征向量进行后续学习，以完成训练。将训练图像数据集中的图像信息输入深度学习模型中进行训练，直至深度学习模型的损失函数最小时，训练结束，得到训练好的预选构建的深度学习模型中。在本实施例中，待识别的图像信息所输入的预先构建的深度学习模型为已经训练好的深度学习模型。在本发明实施例中，无论在对深度学习模型训练时，还是采用深度学习模型进行学习时，均采用具有至少两个并列的池化层来对图像信息进行池化操作，并将每个池化层输出的子池化特征向量逐元素相加得到池化特征向量，使得池化后得到的池化特征向量综合了多个池化层的信息，提升了深度学习模型的池化性能，进一步提升了深度学习模型的学习性能。实施例二：请参考图3，图3为一种实施例的基于深度学习模型的图像特征识别装置的结构框图，所述的图像特征识别装置包括：图像获取模块101、特征提取模块102和特征识别模块103。图像获取模块101用于获取待识别的图像信息。本实施例中的图像信息可以为图片，图片中具有待识别的目标特征。特征提取模块102用于将待识别的图像信息输入预先构建的深度学习模型中，得到特征向量；其中，预先构建的深度学习模型包括池化模块，池化模块包括并列的至少两个池化层，池化模块用于将其输入端接收的待池化特征向量分别输入每个池化层中进行池化操作得到至少两个子池化特征向量，根据至少两个子池化特征向量得到池化特征向量，并输出池化特征向量；待池化特征向量通过对图像信息卷积得到。特征识别模块103用于根据所述特征向量对图像信息中的目标特征进行识别。本实施例中的图像信息可以为图片，图片中具有待识别的目标特征。在一实施例中，对目标图中进行识别可通过现有的特征识别方法，例如将深度学习模型输出的特征向量与预设数据库中具有标签的特征向量进行相似性比对，若比对结果为相似特征，则将输出的特征向量标识为同一标签。在一实施例中，池化模块中的至少两个池化层设置有不同的超参数，其中超参数包括池化核的大小、补零值和步进值中的至少一个。在一实施例中，至少两个池化层的超参数需满足公式(1)：其中，o为池化特征向量的大小，i为待池化特征向量的大小，p为池化核大小，k为补零值，s步进值，表示向下取整。在一实施例中，根据至少两个子池化特征向量得到池化特征向量，包括：将至少两个子池化特征向量逐元素相加，得到池化特征向量。例如，若池化模块包括三个池化层分别输出的3个3×3的子池化特征向量为和将3个3×3的子池化特征向量逐元素相加后，得到一个3×3的池化特征向量这样最终得到的池化特征向量综合了三个池化层的信息，更利于模型的学习。本实施例中，预先构建的深度学习模型需先进行训练，所述训练如下：构建深度学习模型，该深度学习模型至少包括一个池化模块，每个池化模块均包括并列的至少两个池化层；获取训练图像数据集，训练图像数据集中的图像信息具有标签，标签用于标识图像信息中的目标特征；其中，每一个训练图像数据集中的图像信息输入深度学习模型进行池化操作时，分别输入并列的至少两个池化层中，将每个池化层输出的子池化特征向量逐元素相加，再将相加得到的池化特征向量进行后续学习，以完成训练。将训练图像数据集中的图像信息输入深度学习模型中进行训练，直至深度学习模型的损失函数最小时，训练结束，得到训练好的预选构建的深度学习模型中。在本实施例中，待识别的图像信息所输入的预先构建的深度学习模型为已经训练好的深度学习模型。在本发明实施例中，无论在对深度学习模型训练时，还是采用深度学习模型进行学习时，均采用具有至少两个并列的池化层来对图像信息进行池化操作，并将每个池化层输出的子池化特征向量逐元素相加得到池化特征向量，使得池化后得到的池化特征向量综合了多个池化层的信息，提升了深度学习模型的池化性能，进一步提升了深度学习模型的学习性能。请参考图4，本发明的一个实施方式提供了一种电子设备。其中，该电子设备包括存储器201、处理器202、输入/输出接口203。其中，存储器201，用于存储程序。处理器202，用于调用存储器201所存储的程序执行本发明实施例的目标检测方法。其中，处理器202分别与存储器201、输入/输出接口203连接，例如可通过总线系统和/或其他形式的连接机构(未示出)进行连接。存储器201可用于存储程序和数据，包括本发明实施例中涉及的特征融合程序，处理器202通过运行存储在存储器201的程序从而执行电子设备的各种功能应用以及数据处理。本领域技术人员可以理解，上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现，也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘、光盘、硬盘等，通过计算机执行该程序以实现上述功能。例如，将程序存储在设备的存储器中，当通过处理器执行存储器中程序，即可实现上述全部或部分功能。另外，当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中，通过下载或复制保存到本地设备的存储器中，或对本地设备的系统进行版本更新，当通过处理器执行存储器中的程序时，即可实现上述实施方式中全部或部分功能。以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属
技术领域：
的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。当前第1页12