CN115131641A - 图像识别方法、装置、电子设备和存储介质 - Google Patents
图像识别方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115131641A CN115131641A CN202210776957.XA CN202210776957A CN115131641A CN 115131641 A CN115131641 A CN 115131641A CN 202210776957 A CN202210776957 A CN 202210776957A CN 115131641 A CN115131641 A CN 115131641A
- Authority
- CN
- China
- Prior art keywords
- feature
- level
- image
- nth
- fusion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000004927 fusion Effects 0.000 claims abstract description 120
- 230000008859 change Effects 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims description 110
- 238000007499 fusion processing Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 21
- 238000004891 communication Methods 0.000 description 10
- 238000013136 deep learning model Methods 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种图像识别方法，涉及人工智能技术领域，尤其涉及深度学习、图像处理和计算机视觉等技术领域，可应用于智慧城市等场景下。具体实现方案为：对第一图像的第N级第一特征和第二图像的第N级第二特征进行融合处理，得到第N级融合特征，其中，N为大于或等于1的整数；根据第N级融合特征，得到第N+1级第一特征和第N+1级第二特征；根据第N+1级第一特征和第N+1级第二特征，得到第N+M级第一特征和第N+M级第二特征，其中，M为大于1的整数；以及根据第N+M级第一特征和第N+M级第二特征，识别第二图像中相对于第一图像存在变化的目标区域。本公开还提供了一种图像识别装置、电子设备和存储介质。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及深度学习、图像处理和计算机视觉等技术领域，可应用于智慧城市等场景下。更具体地，本公开提供了一种图像识别方法、装置、电子设备和存储介质。
背景技术
随着人工智能技术的发展，深度学习模型广泛地应用于智慧城市等场景下。在相关场景中，对于时间信息不同的多个图像，可以利用深度学习模型识别出多个图像之间的区别。
发明内容
本公开提供了一种图像识别方法、装置、设备以及存储介质。
根据本公开的一方面，提供了一种图像识别方法，该方法包括：对第一图像的第N级第一特征和第二图像的第N级第二特征进行融合处理，得到第N级融合特征，其中，N为大于或等于1的整数；根据第N级融合特征，得到第N+1级第一特征和第N+1级第二特征；根据第N+1级第一特征和第N+1级第二特征，得到第N+M级第一特征和第N+M级第二特征，其中，M为大于1的整数；以及根据第N+M级第一特征和第N+M级第二特征，识别第二图像中相对于第一图像存在变化的目标区域。
根据本公开的另一方面，提供了一种图像识别装置，该装置包括：融合模块，用于对第一图像的第N级第一特征和第二图像的第N级第二特征进行融合处理，得到第N级融合特征，其中，N为大于或等于1的整数；第一获得模块，用于根据第N级融合特征，得到第N+1级第一特征和第N+1级第二特征；第二获得模块，用于根据第N+1级第一特征和第N+1级第二特征，得到第N+M级第一特征和第N+M级第二特征，其中，M为大于1的整数；以及识别模块，用于根据第N+M级第一特征和第N+M级第二特征，识别第二图像中相对于第一图像存在变化的目标区域。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开提供的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行根据本公开提供的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据本公开提供的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开的一个实施例的可以应用图像识别方法和装置的示例性系统架构示意图；
图2是根据本公开的一个实施例的图像识别方法的流程图；
图3是根据本公开的一个实施例的图像识别方法的原理图；
图4是根据本公开的另一个实施例的图像识别方法的原理图；
图5是根据本公开的另一个实施例的图像识别方法的原理图；
图6是根据本公开的另一个实施例的图像识别方法的原理图；
图7是根据本公开的另一个实施例的图像识别方法的原理图；
图8A和图8B是根据本公开的一个实施例的目标区域的示例性示意图；
图9是根据本公开的一个实施例的图像识别装置的框图；以及
图10是根据本公开的一个实施例的可以应用图像识别方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图像中可以包括多个不同类型的对象。图像例如可以为遥感图像。遥感图像中不同类型的对象例如可以包括农业用地、建筑用地等等。不同类型的对象可以处于不同的图像区域。
对于同一地理区域在不同时刻采集的两个遥感图像，可以利用深度学习模型进行图像识别，以识别这两个遥感图像中对象类型的变化。
一种基于语义分割的图像识别方法，可以利用深度学习模型对上文所述的两个遥感图像分别进行语义分割，得到两个语义分割结果。将两个语义分割结果之间的差异作为识别结果，以识别两个遥感图像之间存在变化的图像区域。但应用该方法时，两个遥感图像的像素需要严格对齐。若两个遥感图像的像素未对齐，则可以产生像素级别的偏差，导致识别结果中包括多个微小变化的区域，导致识别结果不准确。
一种基于图像融合的图像识别方法，将上文所述的两个遥感图像拼接，得到拼接图像。利用深度学习模型对拼接图像进行语义分割，将分割结果作为识别结果，以识别两个遥感图像之间存在变化的图像区域。但两个遥感图像可以分别是3个通道的图像，拼接图像可以是6个通道的图像。对于6个通道的图像，深度学习模型需要过多的算力资源才能进行高效的语义分割。
一种基于孪生网络的图像识别方法，可以利用包括孪生网络的深度学习模型进行图像识别。例如，利用孪生网络的第一子网络对一个遥感图像进行多级特征提取后，得到第一图像特征。利用孪生网络的第二子网络对另一个遥感图像进行多级特征提取后，得到第二图像特征。将第一图像特征和第二图像特征融合，得到融合特征。根据融合特征确定识别结果。该方法广泛地应用于确定不同遥感图像中对象类型的变化。但在该方法中，在两个子网络分别对两个遥感图像进行多级特征提取后，才进行特征融合。子网络中最后一个特征提取层的参数对融合特征有较大的影响，子网络中在前的一些特征提取层的参数对融合特征的影响较小，导致融合特征不能全面地反映遥感图像的特点，进而导致识别结果较差。
图1是根据本公开一个实施例的可以应用图像识别方法和装置的示例性系统架构示意图。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是，本公开实施例所提供的图像识别方法一般可以由服务器105执行。相应地，本公开实施例所提供的图像识别装置一般可以设置于服务器105中。本公开实施例所提供的图像识别方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的图像识别装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
图2是根据本公开的一个实施例的图像识别方法的流程图。
如图2所示，该方法200可以包括操作S210至操作S240。
在操作S210，对第一图像的第N级第一特征和第二图像的第N级第二特征进行融合处理，得到第N级融合特征。
例如，N为大于或等于1的整数。
例如，第一图像和第二图像可以是不同时刻采集的遥感图像。
在本公开实施例中，可以利用深度学习模型处理第一图像和第二图像。深度学习模型可以包括孪生网络。孪生网络可以包括第一子网络和第二子网络。
例如，第一子网络可以包括多级第一特征提取层。第一特征提取层的输入可以是第一图像，也可以是上一级第一特征。每级第一特征提取层可以进行第一特征提取，输出每级第一特征。
例如，第二子网络可以包括多级第二特征提取层。第二特征提取层的输入可以是第二图像，也可以是上一级第二特征。每级第二特征提取层可以进行第二特征提取，输出每级第二特征。
例如，融合处理可以包括拼接处理和相加处理。在一个示例中，可以将第N级第一特征和第N级第二特征拼接，得到第N级融合特征。
在操作S220，根据第N级融合特征，得到第N+1级第一特征和第N+1级第二特征。
在本公开实施例中，根据第N级融合特征，可以利用各种方式，得到第N+1级第一特征和第N+1级第二特征。
例如，对第N级融合特征进行第N+1级第一特征提取，得到第N+1级第一特征。
又例如，对第N级融合特征进行第N+1级第二特征提取，可以得到第N+1级第二特征。
在操作S230，根据第N+1级第一特征和第N+1级第二特征，得到第N+M级第一特征和第N+M级第二特征。
例如，M为大于1的整数。
在本公开实施例中，根据第N+1级第一特征和第N+1级第二特征，可以利用各种方式，得到第N+M级第一特征和第N+M级第二特征。
例如，可以对第N+1级第一特征进行M-1级第一特征提取，得到第N+M级第一特征。可以对第N+1级第二特征进行M-1级第二特征提取，得到第N+M级第二特征。
在操作S240，根据第N+M级第一特征和第N+M级第二特征，识别第二图像中相对于第一图像存在变化的目标区域。
在本公开实施例中，根据第N+M级第一特征和第N+M级第二特征，可以根据各种方式，识别第二图像中相对于第一图像存在变化的目标区域。
例如，对第N+M级第一特征和第N+M级第二特征进行融合处理，得到第N+M级融合特征。再对第N+M级融合特征进行识别，识别目标区域。
通过本公开实施例，根据第N级第一特征和第N级第二特征进行了融合，并根据第N级融合特征得到了第N+1级特征，使得自第N+1级第一特征和第N+1级第二特征之后的每级第一特征可以与第二特征相关，每级第二特征也可以与第一特征的相关。两个图像的特征提前进行关联，使得第N+M级第一特征和第N+M级第二特征中的信息更加丰富，有助于提高识别的效率和准确度。此外，根据本公开实施例的方法，降低了对第一图像和第二图像的要求，即使第一图像和第二图像的像素未一一对齐，也可以准确地识别出目标区域。
在一些实施例中，第一图像是在第一时刻采集的与目标对象相关的图像，第二图像是在第二时刻采集的与目标对象相关的图像。
例如，第一时刻可以在第二时刻之前，也可以在第二时刻之后。
例如，目标对象可以为不同类型的对象。不同类型的对象例如可以包括农业用地、建筑用地等等。
在一些实施例中，在例如上文所述的操作S240的另一些实施方式中，也可以根据第N+M级第一特征和第N+M级第二特征之间的差异，识别目标区域。
在一些实施例中，在例如上文所述的操作S210的一些实施方式中，对第一图像的第N级第一特征和第二图像的第N级第二特征进行融合处理，得到第N级融合特征包括：对第一图像进行N级第一特征提取，得到第N级第一特征；对第二图像进行N级第二特征提取，得到第N级第二特征；以及对第N级第一特征和第N级第二特征进行融合处理，得到第N级融合特征。
例如，N可以为大于1的值。N可以为预设值。在一个示例中，第N级第一特征可以为多级第一特征中的最后K级第一特征中的一级第一特征。相应地，第N级第二特征可以为多级第二特征中的最后K级第二特征中的一级第二特征。K为大于1的整数。通过本公开实施例，N为大于1的值，可以降低图像识别方法所需的算力开销，进一步提高识别速度。
又例如，N可以等于1。可以从第1级第一特征和第1级第二特征开始，就将两个图像的特征进行关联，可以更加充分地提高识别的准确率。
又例如，融合处理可以包括拼接处理和相加处理。针对第N级第一特征和第N级第二特征，进行拼接处理，可以进一步提高准确率。
在一些实施例中，在例如上文所述的操作S230的一些实施方式中，根据第N+1级第一特征和第N+1级第二特征，得到第N+M级第一特征和第N+M级第二特征包括：根据第N+1级第一特征和第N+1级第二特征中的至少一个，得到第N+2级第一特征至第N+M级第一特征；以及根据第N+1级第一特征和第N+1级第二特征中的至少一个，得到第N+2级第二特征至第N+M级第二特征。
下面将结合图3对获得第N+M级第一特征和第N+M级第二特征的一些实施方式进行详细说明。
图3是根据本公开的一个实施例的图像识别方法的原理图。
如图3所示，可以利用孪生网络的第一子网络310对第一图像301进行多级第一特征提取，也可以利用孪生网络的第二子网络320对第二图像302进行多级第二特征提取。
对第一图像301进行N级第一特征提取，可以得到第N级第一特征311。
对第二图像302进行N级第二特征提取，可以得到第N级第二特征321。
可以将第N级第一特征311发送至第二子网络320。将第N级第一特征311和第N级第二特征321拼接，得到第N级融合特征。对第N级融合特征进行第N+1级第二特征提取，得到第N+1级第二特征322。
类似地，可以将第N级第二特征发送至第一子网络310。将第N级第一特征311和第N级第二特征拼接321，得到第N级融合特征。对第N级融合特征进行第N+1级第一特征提取，得到第N+1级第一特征312。
根据第N+1级第一特征312和第N+1级第二特征322，基于各种方式，可以得到第N+M-1级第一特征313和第N+M-1级第二特征323。
可以将第N+M-1级第一特征313发送至第二子网络320。将第N+M-1级第一特征313和第N+M-1级第二特征323拼接，得到第N+M-1级融合特征。对第N+M-1级融合特征进行第N+M级第二特征提取，得到第N+M级第二特征324。
类似地，可以将第N+M-1级第二特征323发送至第一子网络310。将第N+M-1级第一特征313和第N+M-1级第二特征323拼接，得到第N+M-1级融合特征。对第N+M-1级融合特征进行第N+M级第一特征提取，得到第N+M级第一特征314。
将第N+M级第一特征314和第N+M级第二特征324融合，可以得到第N+M级融合特征331。对第N+M级融合特征331进行上采样，得到上采样特征332。根据上采样特征332进行识别，可以确定识别结果341。根据识别结果341，确定第二图像302中相对于第一图像301存在变化的目标区域。
下面将结合相关实施例对获得第N+2级特征至第N+M级特征的一些方式进行详细描述。
在本公开实施例中，第N+i级第一特征是对第N+i-1级第一特征进行第一特征提取得到的。
在本公开实施例中，第N+i级第二特征是对第N+i-1级第二特征进行第二特征提取得到的。i为大于1的整数，i为小于或等于I的整数，I为小于或等于M的整数。下面将结合图4进行详细说明。
图4是根据本公开的另一个实施例的图像识别方法的原理图。
如图4所示，可以利用孪生网络的第一子网络410对第一图像401进行多级第一特征提取，也可以利用孪生网络的第二子网络420对第二图像402进行多级第二特征提取。
对第一图像401进行第一特征提取，可以得到第N级第一特征411。可以理解，本实施例中，N可以为1。
对第二图像402进行第二特征提取，可以得到第N级第二特征421。
可以将第N级第一特征411发送至第二子网络420。将第N级第一特征411和第N级第二特征421拼接，得到第N级融合特征。对第N级融合特征进行第N+1级第二特征提取，得到第N+1级第二特征422。
类似地，可以将第N级第二特征发送至第一子网络410。将第N级第一特征411和第N级第二特征421拼接，得到第N级融合特征。对第N级融合特征进行第N+1级第一特征提取，得到第N+1级第一特征412。
与图3所示的实施例不同之处在于，本实施例中，对第N+1级第一特征412进行第N+M-1级第一特征提取，得到第N+M-1级第一特征413。可以理解，本实施例中，M可以为3。可以理解，第N+M-1级第一特征413可以作为第N+i级第一特征。
对第N+1级第二特征422进行第N+M-1级第二特征提取，得到第N+M-1级第二特征423。可以理解，第N+M-1级第二特征423可以作为第N+i级第二特征。
可以将第N+M-1级第一特征413发送至第二子网络420。将第N+M-1级第一特征413和第N+M-1级第二特征423拼接，得到第N+M-1级融合特征。对第N+M-1级融合特征进行第N+M级第二特征提取，得到第N+M级第二特征424。
类似地，可以将第N+M-1级第二特征423发送至第一子网络410。将第N+M-1级第一特征413和第N+M-1级第二特征423拼接，得到第N+M-1级融合特征。对第N+M-1级融合特征进行第N+M级第一特征提取，得到第N+M级第一特征414。
将第N+M级第一特征414和第N+M级第二特征424融合，可以得到第N+M级融合特征431。对第N+M级融合特征431进行上采样，得到上采样特征432。根据上采样特征432进行识别，可以确定识别结果441。根据识别结果441，确定第二图像402中相对于第一图像401存在变化的目标区域。
通过本公开实施例，在获得第N+1级特征之后，可以分别利用第一子网络和第二子网络各自进行特征提取，以降低运算量，节约资源开销。此外，由于分别对第N级融合特征进行了第一特征提取和第二特征提取，第一图像的特征和第二图像的特征提前进行关联。由此可以在提高图像识别准确率的情况下，进一步节约算力开销。
下面将结合相关实施例对第N+2级特征至第N+M级特征的另一些方式进行详细描述。
在本公开实施例中，第N+i级第一特征是对第N+i-1级融合特征进行第一特征提取得到的，第N+i-1级融合特征是对第N+i-1级第一特征和第N+i-1级第二特征进行融合处理得到的。
在本公开实施例中，第N+i级第二特征是对第N+i-1级融合特征进行第二特征提取得到的，第N+i-1级融合特征是对第N+i-1级第一特征和第N+i-1级第二特征进行融合处理得到的。下面将结合图5进行详细说明。
图5是根据本公开的另一个实施例的图像识别方法的原理图。
如图5所示，可以利用孪生网络的第一子网络510对第一图像501进行多级第一特征提取，也可以利用孪生网络的第二子网络520对第二图像502进行多级第二特征提取。
对第一图像501进行第一特征提取，可以得到第N级第一特征511。可以理解，本实施例中，N可以为1。
对第二图像502进行第二特征提取，可以得到第N级第二特征521。
可以将第N级第一特征511发送至第二子网络520。将第N级第一特征511和第N级第二特征521拼接，得到第N级融合特征。对第N级融合特征进行第N+1级第二特征提取，得到第N+1级第二特征522。
类似地，可以将第N级第二特征521发送至第一子网络510。将第N级第一特征511和第N级第二特征521拼接，得到第N级融合特征。对第N级融合特征进行第N+1级第一特征提取，得到第N+1级第一特征512。
与图4所示的实施例不同之处在于，本实施例中，可以将第N+1级第一特征512发送至第二子网络520。将第N+1级第一特征512和第N+1级第二特征522拼接，得到第N+1级融合特征。对第N+1级融合特征进行第N+M-1级第二特征提取，得到第N+M-1级第二特征523。本实施例中，M可以为3。
类似地，可以将第N+1级第二特征522发送至第一子网络510。将第N+1级第一特征512和第N+1级第二特征522拼接，得到第N+1级融合特征。对第N+1级融合特征进行第N+M-1级第一特征提取，得到第N+M-1级第一特征513。
可以将第N+M-1级第一特征513发送至第二子网络520。将第N+M-1级第一特征513和第N+M-1级第二特征523拼接，得到第N+M-1级融合特征。对第N+M-1级融合特征进行第N+M级第二特征提取，得到第N+M级第二特征524。
类似地，可以将第N+M-1级第二特征513发送至第一子网络510。将第N+M-1级第一特征513和第N+M-1级第二特征523拼接，得到第N+M-1级融合特征。对第N+M-1级融合特征进行第N+M级第一特征提取，得到第N+M级第一特征514。
将第N+M级第一特征514和第N+M级第二特征524融合，可以得到第N+M级融合特征531。对第N+M级融合特征531进行上采样，得到上采样特征532。根据上采样特征532进行识别，可以确定识别结果541。根据识别结果541，确定第二图像502中相对于第一图像501存在变化的目标区域。
通过本公开实施例，在获得第N+1级特征之后，根据上一级第一特征和上一级第二特征进行了融合，得到上一级的融合特征，下一级第一特征和下一级第二特征可以是根据上一级的融合特征得到的，使得第一图像的特征和第二图像的特征进行了充分地关联，可以进一步地提高图像识别准确率。
可以理解，图3至图5对上文所述的操作S230的一些实施方式进行了详细描述，下面将对操作S220的另一些实施方式进行详细描述。
在一些实施例中，在例如上文所述的操作S220的另一些实施方式中，根据第N级融合特征，得到第N+1级第一特征和第N+1级第二特征包括：根据第N级第一特征和第N级第二特征中至多一个以及第N级融合特征，得到第N+1级第一特征和第N+1级第二特征。
在本公开实施例中，根据第N级第一特征和第N级第二特征中至多一个以及第N级融合特征，得到第N+1级第一特征和第N+1级第二特征包括：对第N级第一特征进行第一特征提取，得到第N+1级第一特征；以及对第N级融合特征进行第二特征提取，得到第N+1级第二特征。下面将结合图6进行详细说明。
图6是根据本公开的另一个实施例的图像识别方法的原理图。
如图6所示，可以利用孪生网络的第一子网络610对第一图像601进行多级第一特征提取，也可以利用孪生网络的第二子网络620对第二图像602进行多级第二特征提取。
对第一图像601进行第一特征提取，可以得到第N级第一特征611。可以理解，本实施例中，N可以为1。
对第二图像602进行第二特征提取，可以得到第N级第二特征621。
与图5所示的实施例不同之处在于，本实施例中，可以对第N级第一特征611进行第N+1级第一特征提取，得到第N+1级第一特征612。
可以将第N级第一特征611发送至第二子网络620。将第N级第一特征611和第N级第二特征621拼接，得到第N级融合特征。对第N级融合特征进行第N+1级第二特征提取，得到第N+1级第二特征622。
对第N+1级第一特征612进行第N+M-1级第一特征提取，得到第N+M-1级第一特征613。可以理解，本实施例中，M可以为3。
可以将第N+1级第一特征612发送至第二子网络620。将第N+1级第一特征612和第N+1级第二特征622拼接，得到第N+1级融合特征。对第N+1级融合特征进行第N+M-1级第二特征提取，得到第N+M-1级第二特征623。
对第N+M-1级第一特征613进行第N+M级第一特征提取，得到第N+M级第一特征614。
可以将第N+M-1级第一特征613发送至第二子网络620。将第N+M-1级第一特征613和第N+M-1级第二特征623拼接，得到第N+M-1级融合特征。对第N+M-1级融合特征进行第N+M级第二特征提取，得到第N+M级第二特征624。
将第N+M级第一特征614和第N+M级第二特征624融合，可以得到第N+M级融合特征631。对第N+M级融合特征631进行上采样，得到上采样特征632。根据上采样特征632进行识别，可以确定识别结果641。根据识别结果641，确定第二图像502中相对于第一图像501存在变化的目标区域。
通过本公开实施例，根据上一级第二特征和上一级第一特征的融合特征，得到下一级第二特征，使得第二图像的特征可以包含更加丰富的信息。同时，根据上一级第一特征，得到下一级第一特征，可以不增加第一子网络所需的算力资源。由此可以在增加少量资源开销的情况下，有效地提高图像识别的准确率。
在本公开实施例中，根据第N级第一特征和第N级第二特征中至多一个以及第N级融合特征，得到第N+1级第一特征和第N+1级第二特征包括：对第N级融合特征进行第一特征提取，得到第N+1级第一特征；以及对第N级第二特征进行第二特征提取，得到第N+1级第二特征。下面将结合图7进行详细说明。
图7是根据本公开的另一个实施例的图像识别方法的原理图。
如图7所示，可以利用孪生网络的第一子网络710对第一图像701进行多级第一特征提取，也可以利用孪生网络的第二子网络720对第二图像702进行多级第二特征提取。
对第一图像701进行第一特征提取，可以得到第N级第一特征711。可以理解，本实施例中，N可以为1。
对第二图像702进行第二特征提取，可以得到第N级第二特征721。
与图6所示的实施例不同之处在于，本实施例中，可以将第N级第二特征721发送至第一子网络710。将第N级第一特征711和第N级第二特征721拼接，得到第N级融合特征。对第N级融合特征进行第N+1级第一特征提取，得到第N+1级第一特征712。
可以对第N级第二特征721进行第N+1级第二特征提取，得到第N+1级第二特征722。
可以将第N+1级第二特征722发送至第一子网络710。将第N+1级第一特征712和第N+1级第二特征722拼接，得到第N+1级融合特征。对第N+1级融合特征进行第N+M-1级第一特征提取，得到第N+M-1级第一特征713。
对第N+1级第二特征722进行第N+M-1级第二特征提取，得到第N+M-1级第二特征723。可以理解，本实施例中，M可以为3。
可以将第N+M-1级第二特征723发送至第一子网络710。将第N+M-1级第一特征713和第N+M-1级第二特征723拼接，得到第N+M-1级融合特征。对第N+M-1级融合特征进行第N+M级第一特征提取，得到第N+M级第一特征714。
对第N+M-1级第二特征进行第N+M级第二特征提取，得到第N+M级第二特征724。
将第N+M级第一特征714和第N+M级第二特征724融合，可以得到第N+M级融合特征731。对第N+M级融合特征731进行上采样，得到上采样特征732。根据上采样特征732进行识别，可以确定识别结果741。根据识别结果741，确定第二图像702中相对于第一图像701存在变化的目标区域。
通过本公开实施例，根据上一级第二特征和上一级第一特征的融合特征，得到下一级第一特征，使得第一图像的特征可以包含更加丰富的信息。同时，根据上一级第二特征，得到下一级第二特征，可以不增加第二子网络所需的算力资源。由此可以在增加少量资源开销的情况下，有效地提高图像识别的准确率。
可以理解，本公开中的第一子网络和第二子网络可以是基于CNN(ConvolutionalNeural Network，卷积神经网络)构建的。
可以理解，本公开中的第一子网络和第二子网络也可以是基于Transformer网络构建的。
可以理解，图3至图7示出了本公开的多个实施例的图像识别方法的原理图，可以将这些实施例中获取下一级特征的方式进行组合。
可以理解，上文图像识别方法的一些实施方式进行了详细描述，下面将结合图8A和图8B对利用图像识别方法识别出的目标区域进行详细描述。
图8A和图8B是根据本公开的一个实施例的目标区域的示意图。
如图8A所示，在第一时刻采集到了第一图像801。
如图8B所示，在第二时刻采集到了第二图像802。
利用上文所述的图像识别方法，可以识别第二图像802中相对于第一图像801存在变化的一个目标区域803。
在目标区域803中，在第一时刻，目标对象的类型例如可以为农业用地；在第二时刻，目标对象的类型例如可以为建筑用地。
可以理解，利用上文所述的图像识别方法，可以识别第二图像802中相对于第一图像801存在变化的多个目标区域。目标区域803仅为示意。
图9是根据本公开的一个实施例的图像识别装置的框图。
如图9所示，该装置900可以包括融合模块910、第一获得模块920、第二获得模块930和识别模块940。
融合模块910，用于对第一图像的第N级第一特征和第二图像的第N级第二特征进行融合处理，得到第N级融合特征。例如，N为大于或等于1的整数。
第一获得模块920，用于根据第N级融合特征，得到第N+1级第一特征和第N+1级第二特征。
第二获得模块930，用于根据第N+1级第一特征和第N+1级第二特征，得到第N+M级第一特征和第N+M级第二特征。例如，M为大于1的整数。
识别模块940，用于根据第N+M级第一特征和第N+M级第二特征，识别第二图像中相对于第一图像存在变化的目标区域。
在一些实施例中，第一获得模块包括：第一特征提取子模块，用于对第N级融合特征进行第N+1级第一特征提取，得到第N+1级第一特征；第二特征提取子模块，用于对第N级融合特征进行第N+1级第二特征提取，得到第N+1级第二特征。
在一些实施例中，第二获得模块包括：第一获得子模块，用于根据第N+1级第一特征和第N+1级第二特征中的至少一个，得到第N+2级第一特征至第N+M级第一特征；以及第二获得子模块，用于根据第N+1级第一特征和第N+1级第二特征中的至少一个，得到第N+2级第二特征至第N+M级第二特征。
在一些实施例中，第N+i级第一特征是对第N+i-1级第一特征进行第一特征提取得到的，或第N+i级第一特征是对第N+i-1级融合特征进行第一特征提取得到的，第N+i-1级融合特征是对第N+i-1级第一特征和第N+i-1级第二特征进行融合处理得到的，i为大于1的整数，i为小于或等于I的整数，I为小于或等于M的整数。
在一些实施例中，第N+i级第二特征是对第N+i-1级第二特征进行第二特征提取得到的，或第N+i级第二特征是对第N+i-1级融合特征进行第二特征提取得到的，第N+i-1级融合特征是对第N+i-1级第一特征和第N+i-1级第二特征进行融合处理得到的，i为大于1的整数，i为小于或等于I的整数，I为小于或等于M的整数。
在一些实施例中，融合模块包括：第三特征提取子模块，用于对第一图像进行N级第一特征提取，得到第N级第一特征；第四特征提取子模块，用于对第二图像进行N级第二特征提取，得到第N级第二特征；以及第一融合子模块，用于对第N级第一特征和第N级第二特征进行融合处理，得到第N级融合特征。
在一些实施例中，识别模块包括：第二融合子模块，用于对第N+M级第一特征和第N+M级第二特征进行融合处理，得到第N+M级融合特征；识别子模块，用于根据第N+M级融合特征，识别第二图像中相对于第一图像存在变化的目标区域。
在一些实施例中，第一图像是在第一时刻采集的与目标对象相关的图像，第二图像是在第二时刻采集的与目标对象相关的图像。
在一些实施例中，第一获得模块包括：第三获得子模块，用于根据第N级第一特征和第N级第二特征中至多一个以及第N级融合特征，得到第N+1级第一特征和第N+1级第二特征。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如图像识别方法。例如，在一些实施例中，图像识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的图像识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (21)
1.一种图像识别方法，包括：
对第一图像的第N级第一特征和第二图像的第N级第二特征进行融合处理，得到第N级融合特征，其中，N为大于或等于1的整数；
根据所述第N级融合特征，得到第N+1级第一特征和第N+1级第二特征；
根据所述第N+1级第一特征和所述第N+1级第二特征，得到第N+M级第一特征和第N+M级第二特征，其中，M为大于1的整数；以及
根据所述第N+M级第一特征和所述第N+M级第二特征，识别所述第二图像中相对于所述第一图像存在变化的目标区域。
2.根据权利要求1所述的方法，其中，所述根据所述第N级融合特征，得到第N+1级第一特征和第N+1级第二特征包括：
对所述第N级融合特征进行第N+1级第一特征提取，得到所述第N+1级第一特征；以及
对所述第N级融合特征进行第N+1级第二特征提取，得到所述第N+1级第二特征。
3.根据权利要求1或2所述的方法，其中，所述根据所述第N+1级第一特征和所述第N+1级第二特征，得到第N+M级第一特征和第N+M级第二特征包括：
根据所述第N+1级第一特征和所述第N+1级第二特征中的至少一个，得到第N+2级第一特征至所述第N+M级第一特征；以及
根据所述第N+1级第一特征和所述第N+1级第二特征中的至少一个，得到第N+2级第二特征至所述第N+M级第二特征。
4.根据权利要求3所述的方法，其中，第N+i级第一特征是对第N+i-1级第一特征进行第一特征提取得到的，或
所述第N+i级第一特征是对第N+i-1级融合特征进行第一特征提取得到的，所述第N+i-1级融合特征是对所述第N+i-1级第一特征和第N+i-1级第二特征进行融合处理得到的，
i为大于1的整数，i为小于或等于I的整数，I为小于或等于M的整数。
5.根据权利要求3所述的方法，其中，第N+i级第二特征是对第N+i-1级第二特征进行第二特征提取得到的，或
所述第N+i级第二特征是对第N+i-1级融合特征进行第二特征提取得到的，所述第N+i-1级融合特征是对第N+i-1级第一特征和所述第N+i-1级第二特征进行融合处理得到的，
i为大于1的整数，i为小于或等于I的整数，I为小于或等于M的整数。
6.根据权利要求1所述的方法，其中，所述对第一图像的第N级第一特征和第二图像的第N级第二特征进行融合处理，得到第N级融合特征包括：
对所述第一图像进行N级第一特征提取，得到所述第N级第一特征；
对所述第二图像进行N级第二特征提取，得到所述第N级第二特征；以及
对所述第N级第一特征和所述第N级第二特征进行融合处理，得到所述第N级融合特征。
7.根据权利要求1所述的方法，其中，所述根据所述第N+M级第一特征和所述第N+M级第二特征，识别所述第二图像中相对于所述第一图像存在变化的目标区域包括：
对所述第N+M级第一特征和所述第N+M级第二特征进行融合处理，得到第N+M级融合特征；
根据所述第N+M级融合特征，识别所述第二图像中相对于所述第一图像存在变化的目标区域。
8.根据权利要求1所述的方法，其中，所述第一图像是在第一时刻采集的与目标对象相关的图像，所述第二图像是在第二时刻采集的与所述目标对象相关的图像。
9.根据权利要求1至8任一项所述的方法，其中，所述根据所述第N级融合特征，得到第N+1级第一特征和第N+1级第二特征包括：
根据所述第N级第一特征和所述第N级第二特征中至多一个以及所述第N级融合特征，得到所述第N+1级第一特征和所述第N+1级第二特征。
10.一种图像识别装置，包括：
融合模块，用于对第一图像的第N级第一特征和第二图像的第N级第二特征进行融合处理，得到第N级融合特征，其中，N为大于或等于1的整数；
第一获得模块，用于根据所述第N级融合特征，得到第N+1级第一特征和第N+1级第二特征；
第二获得模块，用于根据所述第N+1级第一特征和所述第N+1级第二特征，得到第N+M级第一特征和第N+M级第二特征，其中，M为大于1的整数；以及
识别模块，用于根据所述第N+M级第一特征和所述第N+M级第二特征，识别所述第二图像中相对于所述第一图像存在变化的目标区域。
11.根据权利要求10所述的装置，其中，所述第一获得模块包括：
第一特征提取子模块，用于对所述第N级融合特征进行第N+1级第一特征提取，得到所述第N+1级第一特征；以及
第二特征提取子模块，用于对所述第N级融合特征进行第N+1级第二特征提取，得到所述第N+1级第二特征。
12.根据权利要求10或11所述的装置，其中，所述第二获得模块包括：
第一获得子模块，用于根据所述第N+1级第一特征和所述第N+1级第二特征中的至少一个，得到第N+2级第一特征至所述第N+M级第一特征；以及
第二获得子模块，用于根据所述第N+1级第一特征和所述第N+1级第二特征中的至少一个，得到第N+2级第二特征至所述第N+M级第二特征。
13.根据权利要求12所述的装置，其中，第N+i级第一特征是对第N+i-1级第一特征进行第一特征提取得到的，或
所述第N+i级第一特征是对第N+i-1级融合特征进行第一特征提取得到的，所述第N+i-1级融合特征是对所述第N+i-1级第一特征和第N+i-1级第二特征进行融合处理得到的，
i为大于1的整数，i为小于或等于I的整数，I为小于或等于M的整数。
14.根据权利要求12所述的装置，其中，第N+i级第二特征是对第N+i-1级第二特征进行第二特征提取得到的，或
所述第N+i级第二特征是对第N+i-1级融合特征进行第二特征提取得到的，所述第N+i-1级融合特征是对第N+i-1级第一特征和所述第N+i-1级第二特征进行融合处理得到的，
i为大于1的整数，i为小于或等于I的整数，I为小于或等于M的整数。
15.根据权利要求9所述的装置，其中，所述融合模块包括：
第三特征提取子模块，用于对所述第一图像进行N级第一特征提取，得到所述第N级第一特征；
第四特征提取子模块，用于对所述第二图像进行N级第二特征提取，得到所述第N级第二特征；以及
第一融合子模块，用于对所述第N级第一特征和所述第N级第二特征进行融合处理，得到所述第N级融合特征。
16.根据权利要求9所述的装置，其中，所述识别模块包括：
第二融合子模块，用于对所述第N+M级第一特征和所述第N+M级第二特征进行融合处理，得到第N+M级融合特征；
识别子模块，用于根据所述第N+M级融合特征，识别所述第二图像中相对于所述第一图像存在变化的目标区域。
17.根据权利要求9所述的装置，其中，所述第一图像是在第一时刻采集的与目标对象相关的图像，所述第二图像是在第二时刻采集的与所述目标对象相关的图像。
18.根据权利要求9至17任一项所述的装置，其中，所述第一获得模块包括：
第三获得子模块，用于根据所述第N级第一特征和所述第N级第二特征中至多一个以及所述第N级融合特征，得到所述第N+1级第一特征和所述第N+1级第二特征。
19.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1至9中任一项所述的方法。
21.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1至9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210776957.XA CN115131641A (zh) | 2022-06-30 | 2022-06-30 | 图像识别方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210776957.XA CN115131641A (zh) | 2022-06-30 | 2022-06-30 | 图像识别方法、装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115131641A true CN115131641A (zh) | 2022-09-30 |
Family
ID=83381156
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210776957.XA Pending CN115131641A (zh) | 2022-06-30 | 2022-06-30 | 图像识别方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115131641A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112434702A (zh) * | 2019-08-26 | 2021-03-02 | 阿里巴巴集团控股有限公司 | 图像处理方法、装置、计算机设备、存储介质 |
| WO2021208667A1 (zh) * | 2020-04-17 | 2021-10-21 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN114022793A (zh) * | 2021-10-28 | 2022-02-08 | 天津大学 | 一种基于孪生网络的光学遥感图像变化检测方法 |
| CN114511500A (zh) * | 2021-12-28 | 2022-05-17 | 阿里巴巴（中国）有限公司 | 图像处理方法、存储介质以及计算机终端 |
| CN114549945A (zh) * | 2021-12-29 | 2022-05-27 | 浙江大华技术股份有限公司 | 遥感影像变化检测方法及相关装置 |
-
2022
- 2022-06-30 CN CN202210776957.XA patent/CN115131641A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112434702A (zh) * | 2019-08-26 | 2021-03-02 | 阿里巴巴集团控股有限公司 | 图像处理方法、装置、计算机设备、存储介质 |
| WO2021208667A1 (zh) * | 2020-04-17 | 2021-10-21 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN114022793A (zh) * | 2021-10-28 | 2022-02-08 | 天津大学 | 一种基于孪生网络的光学遥感图像变化检测方法 |
| CN114511500A (zh) * | 2021-12-28 | 2022-05-17 | 阿里巴巴（中国）有限公司 | 图像处理方法、存储介质以及计算机终端 |
| CN114549945A (zh) * | 2021-12-29 | 2022-05-27 | 浙江大华技术股份有限公司 | 遥感影像变化检测方法及相关装置 |
Non-Patent Citations (3)
| Title |
|---|
| MIN JIANG ET AL.: "Mutual Learning and Feature Fusion Siamese Networks for Vision Object Tracking", 《IEEE TRANSACTIONAL ON CIRCUITS AND SYSTEMS FOR CIDEO TECHNOLOGY》, vol. 31, no. 8, pages 3154 - 3167, XP011869903, DOI: 10.1109/TCSVT.2020.3037947 * |
| 周末: "基于卷积神经网络的图像变化检测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 138 - 1425 * |
| 王文韬: "《面向肌电手势交互系统的深度学习技术》", 东南大学出版社, pages: 53 - 54 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114882321A (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
| CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
| CN110633717A (zh) | 一种目标检测模型的训练方法和装置 | |
| CN111580882B (zh) | 应用程序启动方法、装置、计算机系统和介质 | |
| CN113378855A (zh) | 用于处理多任务的方法、相关装置及计算机程序产品 | |
| CN113627536A (zh) | 模型训练、视频分类方法，装置，设备以及存储介质 | |
| CN115578486A (zh) | 图像生成方法、装置、电子设备和存储介质 | |
| CN113656733B (zh) | 一种落地页生成方法、装置、电子设备及存储介质 | |
| CN110633716A (zh) | 一种目标对象的检测方法和装置 | |
| CN113837194A (zh) | 图像处理方法、图像处理装置、电子设备以及存储介质 | |
| CN113961797A (zh) | 资源推荐方法、装置、电子设备和可读存储介质 | |
| CN113360693A (zh) | 确定图像标签的方法及其装置、电子设备以及存储介质 | |
| CN110633595B (zh) | 一种利用双线性插值的目标检测方法和装置 | |
| CN113590447B (zh) | 埋点处理方法和装置 | |
| CN113360672B (zh) | 用于生成知识图谱的方法、装置、设备、介质和产品 | |
| CN115168732A (zh) | 资源推荐方法、装置、设备以及存储介质 | |
| CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
| CN114898390A (zh) | 表格生成方法、装置、电子设备及存储介质 | |
| CN115131641A (zh) | 图像识别方法、装置、电子设备和存储介质 | |
| CN113362097B (zh) | 一种用户确定方法和装置 | |
| CN112632384A (zh) | 针对应用程序的数据处理方法、装置、电子设备和介质 | |
| CN113448652A (zh) | 一种请求处理方法和装置 | |
| CN113360407B (zh) | 函数的定位方法、装置、电子设备及可读存储介质 | |
| CN113762510B (zh) | 针对目标模型的数据处理方法、装置、电子设备和介质 | |
| CN112560462B (zh) | 事件抽取服务的生成方法、装置、服务器以及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |