一种基于自动编码的图像识别模型训练方法及装置与流程

[0001]
本发明涉及图像处理技术领域，具体而言，涉及一种基于自动编码的图像识别模型训练方法及装置。


背景技术：

[0002]
海量的图像可以表征更加丰富地语义信息，在生活、教育、医疗、军事等多个方面有着非常广泛的应用。一方面，海量的图像丰富和便利了多个领域；另一方面，图像数量的爆炸性增长也成为了一种潜在的负担，如何能够将目标图像精准地识别出来越来越成为一项有意义的工作。
[0003]
传统的机器学习方法通过训练、检索决策等步骤，可以较为有效地识别出目标图像。然而，传统的图像识别方法中需要使用大量的训练样本对图像模型进行训练。在训练的过程中，需要使用大量的训练样本，训练速度受到较大的影响。此外，训练样本中还包括很多不合理、重复的、甚至是错误的样本，也显著地降低了图像识别的精准度。


技术实现要素：

[0004]
本发明的目的在于提供一种基于自动编码的图像识别模型训练方法及装置，用以改善现有技术中图像识别不准确的问题。
[0005]
第一方面，本申请实施例提供一种基于自动编码的图像识别模型训练方法，方法包括：获取图像训练样本集，利用自动编码模型对图像训练样本集进行降维处理。对降维处理后的图像训练样本集进行优化，以得到优化后的图像训练样本集。根据优化后的图像训练样本集对初始图像识别模型进行训练，以得到训练好的图像识别模型。
[0006]
上述实现过程中，首先通过自动编码模型对图像训练样本集进行降维处理，可以将其中的高维图像训练样本识别问题转化为特征表达向量的识别问题，极大的降低了计算的复杂程度，减少了冗余信息所造成的识别误差。然后再对降维处理后的图像训练样本集进行优化，能够进一步保证通过该优化后的图像训练样本集能够训练出能够对图像进行准确识别的图像识别模型，进而保证图像识别的准确性。
[0007]
在本发明的一些实施例中，根据优化后的图像训练样本集对初始图像识别模型进行训练，以得到训练好的图像识别模型的步骤之后，方法包括：获取待识别图像库；其中，待识别图像库中包括多个待识别图像；利用训练好的图像识别模型对待识别图像库进行识别，并从待识别图像库中识别出目标图像。
[0008]
上述实现过程中，由于训练好的图像识别模型是根据优化后的图像训练集训练得到的，其能够考虑到不同图像训练样本之间的差异性，因此可以从待识别图像库中准确的识别出目标图像。
[0009]
在本发明的一些实施例中，图像训练样本集中包括多个图像训练样本，利用自动编码模型对图像训练样本集进行降维处理的步骤之前，方法还包括：采用分水岭分割算法对图像训练样本集中的每个图像训练样本进行分割，并得到每个图像训练样本对应的分割
图。判断分割图中的分割区域的数量是否大于预设分割阈值，若是，则将与分割图对应的图像训练样本从图像训练样本集中删除。
[0010]
上述实现过程中，采用分水岭分割算法对图像训练样本集进行预处理，以将图像训练样本集中的多余的图像训练样本删除掉，从而保证图像训练样本集中样本的质量，进而保证训练出的图像识别模型识别的准确性。
[0011]
在本发明的一些实施例中，利用自动编码模型对图像训练样本集进行降维处理的步骤之前，方法还包括：获取第一图像训练样本集，并建立初始自动编码模型。利用第一图像训练样本集对初始自动编码模型进行训练，以获取训练好的自动编码模型。
[0012]
在本发明的一些实施例中，图像训练样本集中包括多个图像训练样本，对降维处理后的图像训练样本集进行优化，以得到优化后的图像训练样本集的步骤，包括：采用相似度度量法计算图像训练样本集中至少两个图像训练样本之间的相似度值。若相似度值大于预设相似度阈值，则删除多个图像训练样本中的至少一个图像训练样本。
[0013]
在本发明的一些实施例中，若相似度值大于预设相似度阈值，则删除多个图像训练样本中的至少一个图像训练样本的步骤之后，还包括：通过最邻近检测算法计算出图像训练样本集中一图像训练样本的多个最邻近训练样本。将每个最邻近训练样本与图像训练样本进行比对，并得到比对结果。若比对结果表示图像训练样本与多个最邻近训练样本的差异大，则删除图像训练样本。
[0014]
第二方面，本申请实施例提供一种基于自动编码的图像识别模型训练装置，装置包括：样本集获取模块，用于获取图像训练样本集。自动编码降维模块，用于利用自动编码模型对图像训练样本集进行降维处理。样本集优化模块，用于对降维处理后的图像训练样本集进行优化，以得到优化后的图像训练样本集。模型训练模块，用于根据优化后的图像训练样本集对初始图像识别模型进行训练，以得到训练好的图像识别模型。
[0015]
在本发明的一些实施例中，装置包括：图像库获取模块，用于获取待识别图像库；其中，待识别图像库中包括多个待识别图像。识别模块，用于利用训练好的图像识别模型对待识别图像库进行识别，并从待识别图像库中识别出目标图像。
[0016]
在本发明的一些实施例中，图像训练样本集中包括多个图像训练样本，装置还包括：分水岭分割模块，用于采用分水岭分割算法对图像训练样本集中的每个图像训练样本进行分割，并得到每个图像训练样本对应的分割图。分割图判断模块，用于判断分割图中的分割区域的数量是否大于预设分割阈值，若是，则将与分割图对应的图像训练样本从图像训练样本集中删除。
[0017]
在本发明的一些实施例中，装置还包括：自动编码模型建立模块，用于获取第一图像训练样本集，并建立初始自动编码模型。自动编码训练模块，用于利用第一图像训练样本集对初始自动编码模型进行训练，以获取训练好的自动编码模型。
[0018]
在本发明的一些实施例中，图像训练样本集中包括多个图像训练样本，样本集优化模块包括：相似度计算单元，用于采用相似度度量法计算图像训练样本集中至少两个图像训练样本之间的相似度值。优化单元，用于若相似度值大于预设相似度阈值，则删除多个图像训练样本中的至少一个图像训练样本。
[0019]
在本发明的一些实施例中，样本集优化模块还包括：最邻近计算单元，用于通过最邻近检测算法计算出图像训练样本集中一图像训练样本的多个最邻近训练样本。比对单
元，用于将每个最邻近训练样本与图像训练样本进行比对，并得到比对结果。第二优化单元，用于若比对结果表示图像训练样本与多个最邻近训练样本的差异大，则删除图像训练样本。
[0020]
第三方面，本申请实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。
[0021]
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。
附图说明
[0022]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0023]
图1为本发明实施例提供的一种图像识别模型训练的流程图；
[0024]
图2为本发明实施例提供的一种基于自动编码的图像识别模型训练装置的结构框图；
[0025]
图3为本发明实施例提供的一种电子设备的结构框图。
[0026]
图标：100-基于自动编码的图像识别模型训练装置；110-样本集获取模块；120-自动编码降维模块；130-样本集优化模块；140-模型训练模块；101-存储器；102-处理器；103-通信接口。
具体实施方式
[0027]
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
[0028]
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0029]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0030]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在
包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0031]
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
[0032]
请参看图1，图1为本发明实施例提供的一种图像识别模型训练的流程图，该基于自动编码的图像识别模型训练方法包括如下步骤：
[0033]
步骤s110：获取图像训练样本集。
[0034]
其中，图像训练样本集中包括多个图像训练样本。为了保证图像训练样本集中每个图像训练样本的代表性，可以选用随机选择的方法从大量训练样本中挑选出一定量的图像训练样本，以获取图像训练样本集。
[0035]
步骤s120：利用自动编码模型对图像训练样本集进行降维处理。
[0036]
对图像训练样本集进行降维处理，可以将其中的高维图像训练样本识别问题转化为特征表达向量的识别问题，极大的降低了计算的复杂程度，减少了冗余信息所造成的识别误差，从而提高了识别的精度。
[0037]
自动编码模型(autoencoder，ae)是一种半监督学习或非监督学习的人工神经网络(artificial neural networks，anns)，其功能是通过将输入信息作为学习目标，对输入信息进行表征学习(representation learning)。自动编码模型包含编码器(encoder)和解码器(decoder)两部分。按学习范式进行分类，则自动编码模型可以被分为收缩自动编码模型(undercomplete autoencoder)、正则自动编码模型(regularized autoencoder)和变分自动编码模型(variational autoencoder，vae)，其中，前两者是判别模型、后者是生成模型。而按构筑类型进行分类，自动编码模型可以分为前馈结构或递归结构的神经网络。自动编码模型具有一般意义上表征学习算法的功能，被应用于降维(dimensionality reduction)和异常值检测(anomaly detection)。包含卷积层构筑的自动编码模型可被应用于计算机视觉问题，包括图像降噪(image denoising)、神经风格迁移(neural style transfer)等。
[0038]
步骤s130：对降维处理后的图像训练样本集进行优化，以得到优化后的图像训练样本集。
[0039]
可以采用不同的方式对图像训练样本集进行优化，以避免图像训练样本集中存在有不合适的、不合理的或者是错误的图像训练样本被用于训练图像识别模型，进而保证能够训练得到可以对图像进行准确识别的图像识别模型。
[0040]
步骤s140：根据优化后的图像训练样本集对初始图像识别模型进行训练，以得到训练好的图像识别模型。
[0041]
由于优化后的图像训练样本集中包括的图像训练样本是通过优化的，因此通过优化后的图像训练样本集训练而得到的图像识别模型能够避免差异性过大的图像训练样本的影响，从而得到准确度高的图像识别模型，进而能够保证图像识别的准确性。
[0042]
上述实现过程中，首先通过自动编码模型对图像训练样本集进行降维处理，可以将其中的高维图像训练样本识别问题转化为特征表达向量的识别问题，极大的降低了计算的复杂程度，减少了冗余信息所造成的识别误差。然后再对降维处理后的图像训练样本集进行优化，能够进一步保证通过该优化后的图像训练样本集能够训练出能够对图像进行准确识别的图像识别模型，进而保证图像识别的准确性。
[0043]
当根据优化后的图像训练样本集对初始图像识别模型进行训练，并得到训练好的图像识别模型的步骤之后，就可以从多个图像中准确的识别出目标图像了。例如，可以先获取待识别图像库。其中，待识别图像库中包括多个待识别图像。然后利用训练好的图像识别模型对待识别图像库进行识别，并从待识别图像库中识别出目标图像。由于训练好的图像识别模型是根据优化后的图像训练集训练得到的，其能够考虑到不同图像训练样本之间的差异性，因此可以从待识别图像库中准确的识别出目标图像。
[0044]
作为另一种实施方式，在利用训练好的图像识别模型对待识别图像库中进行识别后，还可以根据识别出的目标图像对训练好的图像识别模型进行修正，从而能够进一步保证图像识别模型对图像进行识别的准确性。如，可以根据标准目标图像以及识别出的目标图像计算匹配度，当计算出的匹配度过低，则可以将识别出的目标图像作为训练图像重新对图像识别模型进行训练，以对图像识别模型进行修正。
[0045]
上述实现过程中，由于训练好的图像识别模型是根据优化后的图像训练集训练得到的，其能够考虑到不同图像训练样本之间的差异性，因此可以从待识别图像库中准确的识别出目标图像。
[0046]
在本发明的一些实施例中，图像训练样本集中包括多个图像训练样本，在利用自动编码模型对图像训练样本集进行降维处理的步骤之前，可以先对图像训练样本集进行预处理，以将图像训练样本集中的多余的图像训练样本删除掉，从而保证图像训练样本集中样本的质量，进而保证训练出的图像识别模型识别的准确性。
[0047]
如，可以先采用分水岭分割算法对图像训练样本集中的每个图像训练样本进行分割，并得到每个图像训练样本对应的分割图，然后判断分割图中的分割区域的数量是否大于预设分割阈值。若判断分割图中的分割区域的数量大于预设分割阈值，则可以将与分割图对应的图像训练样本从图像训练样本集中删除。
[0048]
其中，分水岭分割方法是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，图像中每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭。
[0049]
分水岭分割方法的计算过程是一个迭代标注过程。分水岭比较经典的计算方法是由l.vincent提出的。在该算法中，分水岭计算分两个步骤，一个是排序过程，一个是淹没过程。首先对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响域采用先进先出(fifo)结构进行判断及标注。分水岭变换得到的是输入图像的集水盆图像，集水盆之间的边界点，即为分水岭。显然，分水岭表示的是输入图像极大值点。因此，为得到图像的边缘信息，通常把梯度图像作为输入图像。分水岭算法对微弱边缘具有良好的响应，图像中的噪声、物体表面细微的灰度变化，都会产生过度分割的现象。但同时应当看出，分水岭算法对微弱边缘具有良好的响应，是得到封闭连续边缘的保证的。
[0050]
在本发明的一些实施例中，利用自动编码模型对图像训练样本集进行降维处理的步骤之前，可以通过样本训练得到自动编码模型。如，可以先获取第一图像训练样本集，并
建立初始自动编码模型，然后利用第一图像训练样本集对初始自动编码模型进行训练，以获取训练好的自动编码模型。
[0051]
在建立自动编码模型时，可以设置其隐藏层神经元个数小于输入层神经元个数，这样建立隐藏层可以使得输入层到隐藏层的变化本质上是一种降维的操作，自动编码模型可以试图以更小的维度去描述原始数据而尽量不损失数据信息，从而得到输入层的压缩表示。
[0052]
图像训练样本集中包括多个图像训练样本，在对降维处理后的图像训练样本集进行优化，以得到优化后的图像训练样本集，从而保证图像训练样本集中样本的质量，进而保证训练出的图像识别模型识别的准确性。下边介绍一种图像训练样本集优化的实施方式。
[0053]
作为一种实施方式，可以采用相似度度量法计算图像训练样本集中至少两个图像训练样本之间的相似度值，然后对相似度值进行判断，若相似度值大于预设相似度阈值，则删除多个图像训练样本中的至少一个图像训练样本。例如，若计算出图像训练样本集的第一图像训练样本与第二图像训练样本之间的相似度值为0.35，第一图像训练样本与第三图像训练样本之间的相似度值为0.25，且预设相似度阈值为0.4，则判断相似度值均小于预设相似度阈值，无需删除任何图像。又如，若计算出图像训练样本集的第一图像训练样本与第二图像训练样本之间的相似度值为0.5，第一图像训练样本与第三图像训练样本之间的相似度值为0.25，且预设相似度阈值为0.4，则判断第一图像训练样本与第二图像训练样本之间的相似度值大于预设相似度阈值，而第一图像训练样本与第三图像训练样本之间的相似度值小于相似度阈值，则可以将第二图像训练样本从图像训练样本集中删除掉。
[0054]
作为一种实现方式，若判断出相似度值大于预设相似度阈值，则删除多个图像训练样本中的至少一个图像训练样本时，可以通过最邻近检测算法计算出图像训练样本集中一图像训练样本的多个最邻近训练样本。将每个最邻近训练样本与图像训练样本进行比对，并得到比对结果，若比对结果表示图像训练样本与多个最邻近训练样本的差异大，则删除图像训练样本。
[0055]
例如，可以先计算出图像训练样本集中某一个图像训练样本a的n个最近邻训练样本，通常情况下n＝5即可，然后判断图像训练样本和图像训练样本a的n个最近邻训练样本之间的差异，若无明显差异或仅有部分差异时，则认为该图像训练样本a是合理的，可以将其保留在图像训练样本集中。而若图像训练样本a和图像训练样本a的n个最近邻训练样本之间有较为明显的差异时，则认为该训练样本不合理的可能性较大，可以将其从图像训练样本集中删除。
[0056]
基于同样的发明构思，本发明还提出一种基于自动编码的图像识别模型训练装置100，请参看图2，图2为本发明实施例提供的一种基于自动编码的图像识别模型训练装置的结构框图，该基于自动编码的图像识别模型训练装置100包括：
[0057]
样本集获取模块110，用于获取图像训练样本集。
[0058]
自动编码降维模块120，用于利用自动编码模型对图像训练样本集进行降维处理。
[0059]
样本集优化模块130，用于对降维处理后的图像训练样本集进行优化，以得到优化后的图像训练样本集。
[0060]
模型训练模块140，用于根据优化后的图像训练样本集对初始图像识别模型进行训练，以得到训练好的图像识别模型。
[0061]
在本发明的一些实施例中，装置包括：
[0062]
图像库获取模块，用于获取待识别图像库；其中，待识别图像库中包括多个待识别图像。
[0063]
识别模块，用于利用训练好的图像识别模型对待识别图像库进行识别，并从待识别图像库中识别出目标图像。
[0064]
在本发明的一些实施例中，图像训练样本集中包括多个图像训练样本，装置还包括：
[0065]
分水岭分割模块，用于采用分水岭分割算法对图像训练样本集中的每个图像训练样本进行分割，并得到每个图像训练样本对应的分割图。
[0066]
分割图判断模块，用于判断分割图中的分割区域的数量是否大于预设分割阈值，若是，则将与分割图对应的图像训练样本从图像训练样本集中删除。
[0067]
在本发明的一些实施例中，装置还包括：
[0068]
自动编码模型建立模块，用于获取第一图像训练样本集，并建立初始自动编码模型。
[0069]
自动编码训练模块，用于利用第一图像训练样本集对初始自动编码模型进行训练，以获取训练好的自动编码模型。
[0070]
在本发明的一些实施例中，图像训练样本集中包括多个图像训练样本，样本集优化模块130包括：
[0071]
相似度计算单元，用于采用相似度度量法计算图像训练样本集中至少两个图像训练样本之间的相似度值。
[0072]
优化单元，用于若相似度值大于预设相似度阈值，则删除多个图像训练样本中的至少一个图像训练样本。
[0073]
在本发明的一些实施例中，样本集优化模块130还包括：
[0074]
最邻近计算单元，用于通过最邻近检测算法计算出图像训练样本集中一图像训练样本的多个最邻近训练样本。
[0075]
比对单元，用于将每个最邻近训练样本与图像训练样本进行比对，并得到比对结果。
[0076]
第二优化单元，用于若比对结果表示图像训练样本与多个最邻近训练样本的差异大，则删除图像训练样本。
[0077]
请参阅图3，图3为本申请实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本申请实施例所提供的基于自动编码的图像识别模型训练装置100对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
[0078]
其中，存储器101可以是但不限于，随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，
电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。
[0079]
处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0080]
可以理解，图3所示的结构仅为示意，电子设备还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
[0081]
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0082]
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0083]
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0084]
综上，本申请实施例提供的一种基于自动编码的图像识别模型训练方法及装置，方法包括：获取图像训练样本集，利用自动编码模型对图像训练样本集进行降维处理。对降维处理后的图像训练样本集进行优化，以得到优化后的图像训练样本集。根据优化后的图像训练样本集对初始图像识别模型进行训练，以得到训练好的图像识别模型。上述实现过程中，首先通过自动编码模型对图像训练样本集进行降维处理，可以将其中的高维图像训练样本识别问题转化为特征表达向量的识别问题，极大的降低了计算的复杂程度，减少了冗余信息所造成的识别误差。然后再对降维处理后的图像训练样本集进行优化，能够进一步保证通过该优化后的图像训练样本集能够训练出能够对图像进行准确识别的图像识别模型，进而保证图像识别的准确性。
[0085]
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人
员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
[0086]
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。