一种图像识别率提升方法、装置、电子设备和存储介质与流程

1.本发明涉及图像识别领域，具体涉及一种图像识别率提升方法、装置、电子设备和存储介质。


背景技术：

2.大部分图像识别算法，例如人脸识别算法，主要是针对高质量图像进行识别处理的，而部分时候往往因为拍摄条件不理想，导致只能够采集到低质量低分辨率的图像（low-resolution，即lr图像），对于这种情况，现有技术一般通过配置sr模块，lr图像先经过sr模块处理后才进行识别处理，而现有的sr模块主要有两大功能：1、将采集的lr图像通过超分辨率方法处理得到超分辨率图像（super-resolution，即sr图像）；2、通过bn层改变数据分布，将lr图像处理成符合人脸识别算法尺寸要求的sr图像；然而在实际应用时，一方面，只有在检测到所采集的图像属于lr图像时才需要经过sr模块处理成sr图像，当所采集的图像不属于lr图像时，就会跳过sr模块直接进行识别处理以提取人脸识别信息，对于所采集的图像是否属于lr图像，一般是由人为设定界限，例如设定阈值，分辨率低于阈值为lr图像，高于阈值为非lr图像，例如高分辨率图像（high-resolution，即hr图像），这种人为设定的界限局限于个人的判定，因此误差较大，往往会导致部分lr图像错误跳过sr模块的处理直接进入识别模块中，从而导致人脸识别失败。
3.另一方面，因为非lr图像会跳过sr模块处理直接进行识别处理，尽管未统一尺寸的非lr图像也能够直接用于识别，但识别算法每次识别不同尺寸的图像时，其识别网络会一直改变，以致识别效率降低。
4.因此，现有技术有待改进和发展。


技术实现要素：

5.本发明的目的在于提供一种图像识别率提升方法、装置、电子设备和存储介质，能够有效消除人为因素导致的错误判断，有利于确保得到高识别率图像。
6.第一方面，本技术提供一种图像识别率提升方法，应用于图像识别中的图像处理系统，所述图像识别率提升方法包括以下步骤：s1.获取待处理图像；s2.对所述待处理图像进行缩放处理，获得预设尺寸的第一图像；s3.将所述第一图像输入到预先训练好的转换模型中，获得识别率比所述第一图像高的高识别率图像；所述转换模型包括sr模块、识别模块和全链接网络；所述第一图像依次经过所述sr模块、所述识别模块和所述全链接网络的处理；所述sr模块中没有bn层；所述转换模型通过以下训练步骤训练得到：a1.获取多组训练数据，每组训练数据均包括一张lr图像和一张对应的hr图像；所
述lr图像由对应的所述hr图像进行上采样后进行下采样获得，且所述lr图像与所述hr图像尺寸一致；a2.根据所述训练数据，对待训练的sr模块单独进行预训练，得到完成预训练的sr模块；a3.根据所述训练数据，对待训练的识别模块单独进行预训练，得到完成预训练的识别模块；a4.对待训练的全链接网络单独进行预训练，得到完成预训练的全链接网络；a5.根据所述训练数据，对预训练后的转换模型进行整体训练，得到完成训练的转换模型。
7.对所采集的所有图像不进行分类或筛选，免除了人为影响因素，所有图像均需要经过sr模块处理，以此有效确保没有任何一个lr图像直接进入到识别模块中；分别对sr模块、识别模块和全链接网络进行预训练有利于后续加快对转换模型的整体训练速度。
8.进一步的，步骤a2中的具体步骤包括：循环执行以下步骤：a21.将所述lr图像输入到所述待训练的sr模块中，得到sr图像；所述sr图像与所述lr图像尺寸一致；a22.根据所述sr图像与所述hr图像计算第一损失函数值，所述第一损失函数值通过以下第一损失函数公式计算：；其中，为所述第一损失函数值，m为所述sr图像的像素长度，n为所述sr图像的像素宽度，为所述sr图像中位于横向第i个且纵向第j个的像素点的像素值，为所述hr图像中位于横向第i个且纵向第j个的像素点的像素值；a23.若所述第一损失函数值收敛至所述第一预设范围内，则结束循环，否则调整所述sr模块的参数。
9.设置第一损失函数以确保训练过程中第一损失函数值往收敛方向逐渐减少，便于确定sr模块的训练效果。
10.进一步的，步骤a3中的具体步骤包括：循环执行以下步骤：a31.将所述sr图像输入到所述待训练的识别模块中，得到第一高维向量；a32.将对应的所述hr图像输入到所述待训练的识别模块，得到第二高维向量；a33.根据所述第一高维向量和所述第二高维向量计算第二损失函数值，所述第二损失函数值通过以下第二损失函数公式计算：；其中，为所述第二损失函数值，s1为所述第一高维向量，h1为所述第
二高维向量，为所述第一高维向量和所述第二高维向量的cos距离；a34.若所述第二损失函数值收敛至所述第二预设范围内，则结束循环，否则调整所述识别模块的参数。
11.第二损失函数值在训练过程中逐渐减少则代表sr图像和hr图像经过同一个识别模块后得到的特征向量越来越接近，便于确定识别模块的训练效果。
12.进一步的，步骤a4中的具体步骤包括：循环执行以下步骤：a41.将所述第一高维向量输入到待训练的全链接网络中并根据所述第一高维向量计算第三损失函数值，所述第三损失函数值由第三损失函数计算所得，所述第三损失函数为softmax函数或者arcface函数；a42.若所述第三损失函数值收敛至所述第三预设范围内，则结束循环，否则调整所述全链接网络的参数。
13.进一步的，步骤a5中的具体步骤包括：在得到所述完成预训练的sr模块、所述完成预训练的识别模块和所述完成预训练的全链接网络后，冻结所述完成预训练的识别模块并循环执行以下步骤：a51.将所述训练数据输入到待训练的转换模型中并计算第一整体损失函数值，所述第一整体损失函数值由第一整体损失函数计算所得，所述第一整体损失函数通过对所述完成预训练的sr模块对应的第一损失函数、所述完成预训练的识别模块对应的第二损失函数和所述完成预训练的全链接网络对应的第三损失函数分别加权获得；a52.若所述第一整体损失函数值收敛至第四预设范围内，则结束循环，否则调整所述转换模型的参数。
14.进一步的，步骤a5中的具体步骤包括：在得到所述完成预训练的sr模块、所述完成预训练的识别模块和所述完成预训练的全链接网络后，为所述完成预训练的sr模块、所述完成预训练的识别模块和所述完成预训练的全链接网络制定不同的训练策略参数并循环执行以下步骤：a53.将所述训练数据输入到待训练的转换模型中并计算第二整体损失函数值，所述第二整体损失函数值由第二整体损失函数计算所得，所述第二整体损失函数通过对所述完成预训练的sr模块对应的第一损失函数、所述完成预训练的识别模块对应的第二损失函数和所述完成预训练的全链接网络对应的第三损失函数分别加权获得；a54.若所述第二整体损失函数值收敛至第四预设范围内，则结束循环，否则调整所述转换模型的参数。
15.第二方面，本发明还提供了一种图像识别率提升装置，应用于图像识别中的图像处理系统，所述图像识别率提升装置包括：获取模块，用于获取待处理图像；缩放模块，用于对所述待处理图像进行缩放处理，获得预设尺寸的第一图像；处理模块，用于将所述第一图像输入到预先训练好的转换模型中，获得识别率比所述第一图像高的高识别率图像；所述转换模型包括sr模块、识别模块和全链接网络；所述第一图像依次经过所述sr模块、所述识别模块和所述全链接网络的处理；所述sr模块中没
有bn层；处理模块中的转换模型通过以下训练步骤训练得到：a1.获取多组训练数据，每组训练数据均包括一张lr图像和一张对应的hr图像；lr图像由对应的hr图像进行上采样后进行下采样获得，且lr图像与hr图像尺寸一致；a2.根据训练数据，对待训练的sr模块单独进行预训练，得到完成预训练的sr模块；a3.根据训练数据，对待训练的识别模块单独进行预训练，得到完成预训练的识别模块；a4.对待训练的全链接网络单独进行预训练，得到完成预训练的全链接网络；a5.根据训练数据，对预训练后的转换模型进行整体训练，得到完成训练的转换模型。
16.所有待处理图像均统一进行缩放处理并输入到转换模型中依次经过sr模块、识别模块和全链接网络的处理，不再作分类，从而避免人为因素的影响。
17.第三方面，本发明提供了一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述图像识别率提升方法中的步骤。
18.第四方面，本发明提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述图像识别率提升方法中的步骤。
19.由上可知，本技术一方面并不需要人为设定区分lr图像和非lr图像，所有图像均需要通过sr模块处理以得到sr图像，从而确保所有lr图像均不会错误跳过sr模块的处理；另一方面在输入sr模块前先对所采集的图像进行缩放处理以统一尺寸，不但能够维持识别模块不变从而避免识别效率降低，同时还允许去除sr模块中的bn层免除sr模块执行统一尺寸的步骤，有利于提高其训练时的收敛速度。
附图说明
20.图1为本技术实施例提供的图像识别率提升方法的一种流程图。
21.图2为本技术实施例提供的图像识别率提升装置的一种结构示意图。
22.图3为本技术实施例提供的电子设备的结构示意图。
具体实施方式
23.下面将结合本技术实施例中附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
24.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，在本技术的描述中，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。
25.现有技术中的大部分图像识别算法主要针对高质量图像，然而由于拍摄条件不理想，例如在拍摄场景下，因光照、遮挡、距离、角度以及运动等因素影响导致获取的图像普遍质量较低，这种lr图像存在噪音多、模糊、失真和低分辨率等问题，极大地影响图像识别的识别效果，目前针对这种lr图像一般在图像识别前采用sr模块（超分辨率方法）对图像进行处理以获得sr图像，然后再对sr图像进行识别，然而大部分超分辨率方法获得的sr图像只是提高了分辨率，使得用户在视觉上获得高清的观感，但实际上所获得的sr图像并不一定含有图像识别所需的信息，导致出现尽管sr图像显示清晰，但仍然不能被有效识别的情况。
26.在正常的人脸识别过程中，一般包括两个步骤：人脸检测和人脸识别，人脸检测过程一般是从整幅图像中找出人脸的位置并提出人脸图像，该人脸图像的尺寸一般固定为224x224像素，获取的人脸图像可直接进行人脸识别（需要说明的是，不同尺寸的人脸图像也可以进行人脸识别，但对不同尺寸的人脸图像进行人脸识别时，会导致人脸识别算法中的识别网络经常性变化，以致影响识别速度，因此统一人脸图像的尺寸，有利于确保识别速度相对稳定）；因此，在人脸检测和人脸识别过程之间设置sr模块处理图像时，一般也要求sr模块在缩放处理后输出统一尺寸的人脸图像（需要说明的是，大部分现有技术中的sr模块都有缩放处理的步骤）。
27.在某些实施例中，一种图像识别率提升方法，应用于图像识别中的图像处理系统，包括：s1.获取待处理图像；s2.对待处理图像进行缩放处理，获得预设尺寸的第一图像；s3.将第一图像输入到预先训练好的转换模型中，获得识别率比第一图像高的高识别率图像；转换模型包括sr模块、识别模块和全链接网络；第一图像依次经过sr模块、识别模块和全链接网络的处理；sr模块中没有bn层。
28.本实施例中，获取待处理图像后即进行缩放处理，将其尺寸调整至预设的尺寸大小，同时删除sr模块中的bn层使得第一图像经sr模块后不再被缩放处理，这样设置相当于将sr模块中的缩放处理步骤单独提取并在待处理图像输入到sr模块中前执行，一方面能够统一尺寸避免影响识别速度，另一方面削减了sr模块的功能，使其更注重于增加分辨率和识别率，而非简单改变图像尺寸，有利于更好地攫取图像信息。
29.获取的待处理图像并不再区分出是否为lr图像或hr图像，所有待处理图像均需经过缩放处理并输入到转换模型中依次经过sr模块、识别模块和全链接网络的处理，免除了区分lr图像或hr图像的步骤，有利于提高处理效率，同时更具意义的是能够有效消除人为因素导致的错误判断，有利于确保得到高识别率图像。
30.需要说明的是，bn层为sr模块中对应的sr网络的具体设置，在现有技术中bn层作用是改变数据分布（即改变输入图像的尺寸），但由于本技术中第一图像经过sr模块后不再被缩放，因此输入的第一图像和经过sr模块输出的sr图像两者的图像尺寸相同，因而数据分布相同，强行使用bn层不仅会导致sr模块中的第一损失函数值（详见下文）收敛慢，还会降低后续识别模块的识别效果。
31.还需要说明的是，识别模块即用于执行上述的人脸识别过程。
32.在某些实施例中，转换模型通过以下训练步骤训练得到：a1.获取多组训练数据，每组训练数据均包括一张lr图像和一张对应的hr图像；lr
图像由对应的hr图像进行上采样后进行下采样获得，且lr图像与hr图像尺寸一致；a2.根据训练数据，对待训练的sr模块单独进行预训练，得到完成预训练的sr模块；a3.根据训练数据，对待训练的识别模块单独进行预训练，得到完成预训练的识别模块；a4.对待训练的全链接网络单独进行预训练，得到完成预训练的全链接网络；a5.根据训练数据，对预训练后的转换模型进行整体训练，得到完成训练的转换模型。
33.本实施例中，对hr图像采用双三次插值进行上采样后增加高斯噪声，然后再对图像进行下采样最后获得对应的lr图像，每组训练数据由相互对应的lr图像和hr图像构成。
34.然后分别对sr模块、识别模块和全链接网络进行预训练，经过预训练的sr模块、识别模块和全链接网络能够获得较准确的初定参数，有利于后续加快对转换模型的整体训练速度。
35.在某些实施例中，步骤a2中的具体步骤包括：循环执行以下步骤：a21.将lr图像输入到待训练的sr模块中，得到sr图像；sr图像与lr图像尺寸一致；a22.根据sr图像与hr图像计算第一损失函数值，第一损失函数值通过以下第一损失函数公式计算：；其中，为第一损失函数值，m为sr图像的像素长度，n为sr图像的像素宽度，为sr图像中位于横向第i个且纵向第j个的像素点的像素值，为hr图像中位于横向第i个且纵向第j个的像素点的像素值；a23.若第一损失函数值收敛至第一预设范围内，则结束循环，否则调整sr模块的参数。
36.本实施例中，sr模块可以基于任意sr模型，例如vdsr、srgan等经典网络；在训练过程中，通过将sr图像和对应的hr图像进行特征匹配，即训练过程中认为lr图像经过sr模块获得的sr图像应当尽可能地与hr图像保持一致，因而设置第一损失函数以确保训练过程中第一损失函数值往收敛方向逐渐减少（第一损失函数值收敛越小即代表sr图像和hr图像的特征匹配度越高，其训练效果越好）。
37.需要说明的是，sr模块的参数指的是上述经典网络中的参数，例如超参数、系数等，调整sr模块的参数指的是改变其数值，例如逐渐减少数值，或逐渐增大数值，调整后若计算得到第一损失函数值比上一次计算的第一损失函数值小，则证明第一损失函数值在收敛，该训练方向正确（迭代训练为现有技术手段，在此不再赘述）。
38.在某些实施例中，步骤a3中的具体步骤包括：循环执行以下步骤：a31.将sr图像输入到待训练的识别模块中，得到第一高维向量；
a32.将对应的hr图像输入到待训练的识别模块，得到第二高维向量；a33.根据第一高维向量和第二高维向量计算第二损失函数值，第二损失函数值通过以下第二损失函数公式计算：；其中，为第二损失函数值，s1为第一高维向量，h1为第二高维向量，为第一高维向量和第二高维向量的cos距离；a34.若第二损失函数值收敛至第二预设范围内，则结束循环，否则调整识别模块的参数（与上述调整sr模块的参数相似，在此不再赘述）。
39.本实施例中，识别模块可以基于任意的识别模型，例如vgg、resnet等；在训练过程中，sr图像和hr图像经过相同的识别模块，可以得到相应的高维向量（即第一高维向量和第二高维向量），例如256维、512维等，将第一高维向量和第二高维向量的cos距离设定为第二损失函数值，第二损失函数值在训练过程中逐渐减少则代表sr图像和hr图像经过同一个识别模块后得到的特征向量越来越接近。
40.在某些实施例中，步骤a4中的具体步骤包括：循环执行以下步骤：a41.将第一高维向量输入到待训练的全链接网络中并根据第一高维向量计算第三损失函数值，第三损失函数值由第三损失函数计算所得，第三损失函数为softmax函数或者arcface函数；a42.若第三损失函数值收敛至第三预设范围内，则结束循环，否则调整全链接网络的参数（与上述调整sr模块的参数相似，在此不再赘述）。
41.实际应用中，转换模型的整体损失函数（包括第一整体损失函数和第二整体损失函数）为上述第一损失函数、第二损失函数和第三损失函数之和，上述的第一损失函数、第二损失函数和第三损失函数仅仅反映sr模块、识别模块和全链接网络各自经预训练后的精度，但三者之间相互独立并没有有机结合，并不能确保转换模型的整体精度，因此本技术通过设置整体损失函数，为第一损失函数、第二损失函数和第三损失函数分别设定权值以将三者结合从而构成转换模型（实际上，第一损失函数仅用于确保sr图像和对应的hr图像尽量接近并不是提高图像识别率的关键所在，一般为第一损失函数赋权重系数为0.1；而第二损失函数和第三损失函数是识别模块确保sr模块重建的信息是专用于识别的重要体现，一般为第二损失函数赋权重系数为0.4，为第三损失函数赋权重系数为0.5），从而控制各个部分对重建高识别率图像的影响程度，进而提高图像重建精度。
42.需要说明的是，sr模块、识别模块和全链接网络的预训练互不干扰，仅为了确定各自的初定参数，可以理解为粗调，而在训练转换模型过程中，调整转换模型的参数归根结底也是调整sr模块、识别模块和全链接网络的参数，但调整过程受权值影响，不再是相互独立且毫无关联地进行调整。
43.在其中一种实施例中，步骤a5中的具体步骤包括：在得到完成预训练的sr模块、完成预训练的识别模块和完成预训练的全链接网络后，冻结完成预训练的识别模块并循环执行以下步骤：
a51.将训练数据输入到待训练的转换模型中并计算第一整体损失函数值，第一整体损失函数值由第一整体损失函数计算所得，第一整体损失函数通过对完成预训练的sr模块对应的第一损失函数、完成预训练的识别模块对应的第二损失函数和完成预训练的全链接网络对应的第三损失函数分别加权获得；a52.若第一整体损失函数值收敛至第四预设范围内，则结束循环，否则调整转换模型的参数。
44.其中，冻结完成预训练的识别模块是指在后续训练的过程中，保持识别模块的参数不变。
45.对转换模型进行整体训练的过程中，相当于对完成预训练的sr模块、完成预训练的识别模块和完成预训练的全链接网络同时进行训练，尽管各个部分均完成了预训练已大大提高了训练效率，但第一整体损失函数值依然难以收敛；对此，本实施例通过冻结完成预训练的识别模块，仅训练sr模块和全链接网络，从而使转换模型更顺利地收敛。
46.在另一种实施例中，步骤a5中的具体步骤包括：在得到完成预训练的sr模块、完成预训练的识别模块和完成预训练的全链接网络后，为完成预训练的sr模块、完成预训练的识别模块和完成预训练的全链接网络制定不同的训练策略参数并循环执行以下步骤：a53.将训练数据输入到待训练的转换模型中并计算第二整体损失函数值，第二整体损失函数值由第二整体损失函数计算所得，第二整体损失函数通过对完成预训练的sr模块对应的第一损失函数、完成预训练的识别模块对应的第二损失函数和完成预训练的全链接网络对应的第三损失函数分别加权获得；a54.若第二整体损失函数值收敛至第四预设范围内，则结束循环，否则调整转换模型的参数。
47.本实施例中，通过为完成预训练的sr模块、完成预训练的识别模块和完成预训练的全链接网络制定不同的训练策略参数也有助于转换模型顺利收敛，例如，采取梯度下降方法进行训练时，sr模块、识别模块和全链接网络设定不同的学习率。
48.请参照图2，图2是本技术一些实施例中的一种图像识别率提升装置，应用于图像识别中的图像处理系统，该图像识别率提升装置以计算机程序的形式集成在该图像识别率提升装置的后端控制设备中，该图像识别率提升装置包括：获取模块100，用于获取待处理图像；缩放模块200，用于对待处理图像进行缩放处理，获得预设尺寸的第一图像；处理模块300，用于将第一图像输入到预先训练好的转换模型中，获得识别率比第一图像高的高识别率图像；转换模型包括sr模块、识别模块和全链接网络；第一图像依次经过sr模块、识别模块和全链接网络的处理；sr模块中没有bn层。
49.在某些实施例中，处理模块300中的转换模型通过以下训练步骤训练得到：a1.获取多组训练数据，每组训练数据均包括一张lr图像和一张对应的hr图像；lr图像由对应的hr图像进行上采样后进行下采样获得，且lr图像与hr图像尺寸一致；a2.根据训练数据，对待训练的sr模块单独进行预训练，得到完成预训练的sr模块；a3.根据训练数据，对待训练的识别模块单独进行预训练，得到完成预训练的识别
模块；a4.对待训练的全链接网络单独进行预训练，得到完成预训练的全链接网络；a5.根据训练数据，对预训练后的转换模型进行整体训练，得到完成训练的转换模型。
50.在某些实施例中，在执行根据训练数据，对待训练的sr模块单独进行预训练，得到完成预训练的sr模块以训练处理模块300中的转换模型的时候循环执行以下步骤：a21.将lr图像输入到待训练的sr模块中，得到sr图像；sr图像与lr图像尺寸一致；a22.根据sr图像与hr图像计算第一损失函数值，第一损失函数值通过以下第一损失函数公式计算：；其中，为第一损失函数值，m为sr图像的像素长度，n为sr图像的像素宽度，为sr图像中位于横向第i个且纵向第j个的像素点的像素值，为hr图像中位于横向第i个且纵向第j个的像素点的像素值；a23.若第一损失函数值收敛至第一预设范围内，则结束循环，否则调整sr模块的参数。
51.在某些实施例中，在执行根据训练数据，对待训练的识别模块单独进行预训练，得到完成预训练的识别模块以训练处理模块300中的转换模型的时候循环执行以下步骤：a31.将sr图像输入到待训练的识别模块中，得到第一高维向量；a32.将对应的hr图像输入到待训练的识别模块，得到第二高维向量；a33.根据第一高维向量和第二高维向量计算第二损失函数值，第二损失函数值通过以下第二损失函数公式计算：；其中，为第二损失函数值，s1为第一高维向量，h1为第二高维向量，为第一高维向量和第二高维向量的cos距离；a34.若第二损失函数值收敛至第二预设范围内，则结束循环，否则调整识别模块的参数。
52.在某些实施例中，在执行对待训练的全链接网络单独进行预训练，得到完成预训练的全链接网络以训练处理模块300中的转换模型的时候循环执行以下步骤：a41.将第一高维向量输入到待训练的全链接网络中并根据第一高维向量计算第三损失函数值，第三损失函数值由第三损失函数计算所得，第三损失函数为softmax函数或者arcface函数；a42.若第三损失函数值收敛至第三预设范围内，则结束循环，否则调整全链接网络的参数。
53.在某些实施例中，在执行根据训练数据，对预训练后的转换模型进行整体训练，得
到完成训练的转换模型以训练处理模块300中的转换模型的时候并在得到完成预训练的sr模块、完成预训练的识别模块和完成预训练的全链接网络后，冻结完成预训练的识别模块并循环执行以下步骤：a51.将训练数据输入到待训练的转换模型中并计算第一整体损失函数值，第一整体损失函数值由第一整体损失函数计算所得，第一整体损失函数通过对完成预训练的sr模块对应的第一损失函数、完成预训练的识别模块对应的第二损失函数和完成预训练的全链接网络对应的第三损失函数分别加权获得；a52.若第一整体损失函数值收敛至第四预设范围内，则结束循环，否则调整转换模型的参数。
54.在某些实施例中，在执行根据训练数据，对预训练后的转换模型进行整体训练，得到完成训练的转换模型以训练处理模块300中的转换模型的时候并在得到完成预训练的sr模块、完成预训练的识别模块和完成预训练的全链接网络后，为完成预训练的sr模块、完成预训练的识别模块和完成预训练的全链接网络制定不同的训练策略参数并循环执行以下步骤：a53.将训练数据输入到待训练的转换模型中并计算第二整体损失函数值，第二整体损失函数值由第二整体损失函数计算所得，第二整体损失函数通过对完成预训练的sr模块对应的第一损失函数、完成预训练的识别模块对应的第二损失函数和完成预训练的全链接网络对应的第三损失函数分别加权获得；a54.若第二整体损失函数值收敛至第四预设范围内，则结束循环，否则调整转换模型的参数。
55.请参照图3，图3为本技术实施例提供的一种电子设备的结构示意图，本技术提供一种电子设备，包括：处理器1301和存储器1302，处理器1301和存储器1302通过通信总线1303和/或其他形式的连接机构（未标出）互连并相互通讯，存储器1302存储有处理器1301可执行的计算机程序，当计算设备运行时，处理器1301执行该计算机程序，以执行上述第一方面的实施例的任一可选的实现方式中的图像识别率提升方法，以实现以下功能：获取待处理图像；对待处理图像进行缩放处理，获得预设尺寸的第一图像；将第一图像输入到预先训练好的转换模型中，获得识别率比第一图像高的高识别率图像；转换模型包括sr模块、识别模块和全链接网络；第一图像依次经过sr模块、识别模块和全链接网络的处理；sr模块中没有bn层。
56.本技术实施例提供一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时，执行上述第一方面的实施例的任一可选的实现方式中的图像识别率提升方法，以实现以下功能：获取待处理图像；对待处理图像进行缩放处理，获得预设尺寸的第一图像；将第一图像输入到预先训练好的转换模型中，获得识别率比第一图像高的高识别率图像；转换模型包括sr模块、识别模块和全链接网络；第一图像依次经过sr模块、识别模块和全链接网络的处理；sr模块中没有bn层。
57.其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（static random access memory, 简称sram），电可擦除可编程只读存储器（electrically erasable programmable read-only memory, 简称eeprom），可擦除可编程只读存储器（erasable programmable read only memory, 简称eprom），可
编程只读存储器（programmable red-only memory, 简称prom），只读存储器（read-only memory, 简称rom），磁存储器，快闪存储器，磁盘或光盘。
58.在本技术所提供的实施例中，应该理解到，所揭露装置和方法，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，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
59.另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
60.再者，在本技术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。
61.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。
62.以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。