CN113392867B 一种图像识别方法、装置、计算机设备及存储介质 （腾讯科技（深圳）有限公司）

像和弱样本图像设置类别标签，根据强样本图像识别模型训练的精准性和训练后图像识别模2通过图像识别模型对所述图像集中的样本图像进行类别预测，得通过所述图像识别模型分别对所述强样本图像和所述弱样本图像进行类别预每张强样本图像对应的第一类别预测概率，以及每张弱样本图像对应的第二类别预测概根据所述第一类别预测概率确定所述强样本图像对应的第一类别，以类别预测概率确定所述弱样本图像对应的第二分别将所述第一类别和所述第二类别与所述类别标签进行收敛，2.根据权利要求1所述的图像识别方法，其特征在于，所述获取所述多张样本图像包通过训练后的相似度模型对所述多张样本图像中的每两张样本图像之间进行相似度通过初始的相似度模型对所述多张训练样本图像中的每两张训练样本图像之间进行通过预设的交叉熵损失函数，基于所述相似度预测值与预先标注确定图像集中类别预测概率大于第一阈值的样本图像所属的第一将样本图像所属的第一目标类别与样本图像所在图像集的类别标签不匹配的样本图3确定图像集中类别预测概率小于第二阈值的样本图像所属的第二7.根据权利要求1至6任一项所述的图像通过所述训练后图像识别模型对所述待识别的图像进行类别概率计算，得到根据所述目标类别概率确定所述待识别的图像所属的类预测单元，用于通过图像识别模型对所述图像集中的样本图像进行清洗单元，用于对图像集中类别预测概率大于第一阈值的修正单元，用于对图像集中类别预测概率小于第二阈值的样本训练单元，用于为所述强样本图像和所述弱样本图通过所述图像识别模型分别对所述强样本图像和所述弱样本图像进行类别预每张强样本图像对应的第一类别预测概率，以及每张弱样本图像对应的第二类别预测概根据所述第一类别预测概率确定所述强样本图像对应的第一类别，以类别预测概率确定所述弱样本图像对应的第二分别将所述第一类别和所述第二类别与所述类别标签进行收敛，处理器加载以执行权利要求1至6任一项所述的图理器调用所述存储器中的计算机程序时执行权利要求1至6任一项所述的图像4[0011]为所述强样本图像和所述弱样本图像分别设置类别标签，根据所述强样本图像、56样适用。[0037]本申请实施例提供的图像识别方法可以涉及人工智能中7如，可以通过k均值聚类算法(k_meansclusteringalgorithm)或相似度模型等对多张样型对多张样本图像进行聚类，该相似度模型的具体类型可以根据实际需要进行灵活设置，例如，该相似度模型可以是残差网络resnet50、图像分类网络googlenet、或支持向量机8imagenet开源数据或openimage开源数据等作pp[0056]需要说明的是，可以采用开源的imagenet预训练权重作为相似度模型的初始参数，把多张训练样本图像分成多批(即多个batch)采用标准的随机梯度下降(stochastic训练后的相似度模型中进行特征提取，得到样本图像对应的9[0059]在得到图像集后，可以基于聚类结果为图像集中的每张目标对象的特征信息，基于目标对象的特征信息为图像集中的每张样本图像设置类别标[0065]在一实施方式中，对图像集中类别预测概率大于第一阈[0070]在一实施方式中，对图像集中类别预测概率小于第二阈二目标类别；当样本图像所属的第二目标类别与样本图像所在图像集的类别标签不匹配像k所属的类别与图像集B的类别标签不匹配，此时可以将样本图像i、样本图像j以及样本信息为强样本图像设置类别标签，以及可以提取弱样本图像中包含目标对象的特征信息，可以将多个第一类别预测概率中概率值最高的类别作为[0077]在得到训练后图像识别模型后，可以利用训练后图像识别模型对图像进行识后续可以获取待识别的图像，通过训练后图像识别模型对待识别的图像进行类别概率计本图像中的每两张样本图像之间进行相似度计算，得到每两张样本图像之间的相似度值；得到至少一组图像集，然后可以由预测单元302通过图像识别模型对图像集中的样本图像及基于类别预测概率对样本图像进行清洗及修正等，从而基于根据清洗得到的强样本图[0100]该计算机设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以[0101]处理器401是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设[0102]存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程401可以用于执行：通过训练后的相似度模型对多张样本图像中的每两张样本图像之间进[0111]在一实施方式中，在对图像集中类别预测概率大于第一阈值的样本图像进行清[0112]在一实施方式中，在对图像集中类别预测概率小于第二阈值的样本图像进行修得该计算机设备执行上述实施例中各种可选实现