图像识别方法、装置、计算机设备、存储介质和产品与流程

本技术涉及通信，具体涉及一种图像识别方法、装置、计算机设备、存储介质和产品，其中，存储介质为计算机可读存储介质，产品为计算机程序产品。

背景技术：

1、在图像识别领域，可以通过卷积神经网络(convolutional neural network，cnn)提取图像的特征，然后通过全连接层进行分类，得到图像的识别结果，对包含卷积神经网络和全连接层的神经网络模型的训练可以依据损失函数进行端到端训练，神经网络模型在训练过程中会自动学习到对当前分类任务最适合的特征。由于卷积神经网络的训练需要有大量的标注好的训练样本，然而在一些应用场景中，难以收集到大量的训练样本，训练样本数量不足，神经网络模型会出现过拟合问题，导致神经网络模型泛化性差，图像识别效果不佳。

技术实现思路

1、本技术实施例提供一种图像识别方法、装置、计算机设备、存储介质和产品，不仅提高了图像识别模型的特征提取能力，还提高图像识别模型的泛化性，所以图像识别模型的图像识别效果好。

2、本技术实施例提供的一种图像识别方法，包括：

3、获取图像样本，所述图像样本对应有样本标签；

4、通过至少两个图像识别模型分别对所述图像样本进行图像识别处理，得到所述图像样本对应的至少两个识别结果；

5、根据所述至少两个识别结果和所述样本标签，计算每个所述图像识别模型对应的损失值；

6、基于所述至少两个图像识别模型对应的损失值，对所述图像样本进行图像扰动处理，得到至少一个图像识别模型的对抗图像样本；

7、基于所述对抗图像样本和所述图像样本对所述至少两个图像识别模型进行训练，得到训练后图像识别模型；

8、当接收到待识别图像时，基于所述训练后图像识别模型对所述待识别图像进行图像识别。

9、相应的，本技术实施例还提供的一种图像识别装置，包括：

10、获取单元，用于获取图像样本，所述图像样本对应有样本标签；

11、识别单元，用于通过至少两个图像识别模型分别对所述图像样本进行图像识别处理，得到所述图像样本对应的至少两个识别结果；

12、计算单元，用于根据所述至少两个识别结果和所述样本标签，计算每个所述图像识别模型对应的损失值；

13、扰动单元，用于基于所述至少两个图像识别模型对应的损失值，对所述图像样本进行图像扰动处理，得到至少一个图像识别模型的对抗图像样本；

14、训练单元，用于基于所述对抗图像样本和所述图像样本对所述至少两个图像识别模型进行训练，得到训练后图像识别模型；

15、接收单元，用于当接收到待识别图像时，基于所述训练后图像识别模型对所述待识别图像进行图像识别。

16、在一实施例中，所述扰动单元，包括：

17、第一分量计算子单元，用于针对每个图像识别模型，根据所述图像识别模型之外的其他图像识别模型对应的损失值计算针对所述图像样本的干扰图像分量；

18、第一扰动处理子单元，用于通过所述干扰图像分量对所述图像样本进行图像扰动处理，得到每个图像识别模型对应的对抗图像样本。

19、在一实施例中，所述训练单元，包括：

20、集合生成子单元，用于根据每个所述图像识别模型对应的对抗图像样本和所述图像样本，得到每个图像识别模型的训练样本集合；

21、模型训练子单元，用于基于所述训练样本集合，对每个所述图像识别模型进行训练，得到每个图像识别模型对应的训练后图像识别模型。

22、在一实施例中，扰动单元，包括：

23、类别确定子单元，用于根据所述图像样本对应的样本标签，确定所述图像样本的样本类别；

24、第二分量计算子单元，用于若所述样本类型为目标样本类别，则根据每个所述图像识别模型对应的损失值，计算对图像样本进行扰动处理的候选图像分量；

25、采样子单元，用于基于所述候选图像分量进行采样处理，得到多个图像分量；

26、第二扰动处理子单元，用于根据多个图像分量对所述图像样本进行图像扰动处理，得到至少一个图像识别模型对应的多个对抗图像样本。

27、在一实施例中，所述扰动单元，包括：

28、模型确定子单元，用于根据每个图像识别模型对应的图像特征信息，与其他图像识别模型之间的距离，确定每个图像识别模型的交叉图像识别模型；

29、交叉扰动子单元，用于针对每个图像识别模型和对应的交叉图像识别模型的损失值，对所述图像样本进行交叉扰动处理，得到每个图像识别模型的对应的对抗图像样本。

30、在一实施例中，所述识别单元，包括：

31、特征提取子单元，用于通过所述至少两个图像识别模型对所述图像样本进行图像识别处理，得到每个所述图像识别模型对应的所述图像样本的图像特征信息；

32、图像识别子单元，用于根据所述图像特征信息及逆行图像识别处理，得到所述图像样本对应的至少两个识别结果。

33、在一实施例中，所述接收单元，包括：

34、模型选择子单元，用于从所述至少两个训练后图像识别模型中选择用于图像识别的目标训练后图像识别模型；

35、模型识别子单元，用于当接收到所述待识别图像时，通过所述目标训练后图像识别模型对所述待识别图像进行图像识别，得到所述待识别图像的识别结果。

36、相应的，本技术实施例还提供的一种计算机设备，包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行本技术实施例提供的任一种图像识别方法。

37、相应的，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序被处理器加载以执行本技术实施例提供的任一种图像识别方法。

38、相应的，本技术实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现本技术实施例提供的任一种图像识别方法。

39、本技术实施例通过获取图像样本，图像样本对应有样本标签；通过至少两个图像识别模型分别对图像样本进行图像识别处理，得到图像样本对应的至少两个识别结果；根据至少两个识别结果和样本标签，计算每个图像识别模型对应的损失值；基于至少两个图像识别模型对应的损失值，对图像样本进行图像扰动处理，得到至少一个图像识别模型的对抗图像样本；基于对抗图像样本和图像样本对至少两个图像识别模型进行训练，得到训练后图像识别模型；当接收到待识别图像时，基于训练后图像识别模型对待识别图像进行图像识别。

40、本技术实施例中采用至少两个图像识别模型对图像样本进行图像识别处理，至少两个图像识别模型可以从不同视角观察图像样本，然后再根据至少两个识别模型对应的损失值对图像样本的进行扰动处理，可以融合不同视角观察到的信息差异，使每个图像识别模型可以学习到准确的图像特征信息，且扰动处理得到的对抗图像样本增加了对图像识别模型进行训练的样本数量，本技术实施例不仅提高了图像识别模型的特征提取能力，还提高图像识别模型的泛化性，所以图像识别模型的图像识别效果好。