CN116843963A - 图像识别方法、装置、设备及存储介质 - Google Patents
图像识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116843963A CN116843963A CN202310781222.0A CN202310781222A CN116843963A CN 116843963 A CN116843963 A CN 116843963A CN 202310781222 A CN202310781222 A CN 202310781222A CN 116843963 A CN116843963 A CN 116843963A
- Authority
- CN
- China
- Prior art keywords
- target
- coding
- encoding
- feature vector
- fused
- 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 62
- 239000013598 vector Substances 0.000 claims abstract description 202
- 230000004927 fusion Effects 0.000 claims abstract description 43
- 238000004590 computer program Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 238000003058 natural language processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 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
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/70—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种图像识别方法、装置、设备及存储介质,涉及人工智能技术领域,具体涉及计算机视觉、图像处理、深度学习等技术领域,可应用于智慧城市的场景下。具体实现方案包括:对目标图像进行向量化,得到至少两个第一特征向量;对第一特征向量按照自注意力网络模型中编码模块的序列和第一融合规则,依次通过每个编码模块进行编码,得到第二特征向量;编码模块包括至少两个,第一融合规则包括:在至少一组相邻的两个编码模块之间对前一个编码模块编码得到的特征向量进行融合,融合后的特征向量数量小于前一个编码模块编码得到的特征向量数量,根据第二特征向量确定目标图像的识别结果。本公开可以显著减少图像识别过程对计算资源的耗费。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及计算机视觉、图像处理、深度学习等技术领域,可应用于智慧城市的场景下,尤其涉及一种图像识别方法、装置、设备及存储介质。
背景技术
深度自注意力变换网络(Transformer)框架首次被提出是用于自然语言处理,Transformer使用自注意力机制来捕捉全局的上下文信息。在图像识别中,基于Transformer的编码块可以将输入图像划分为图像块,并将图像块类比成自然语言处理任务中的一个单词(token),通过token生成特征图,根据特征图对图像进行识别。
目前,对图像识别的方式会消耗特很多计算资源。
发明内容
本公开提供了一种图像识别方法、装置、设备及存储介质,可以显著减少图像识别过程对计算资源的耗费。
根据本公开的第一方面,提供了一种图像识别方法,所述方法包括:
对目标图像进行向量化,得到至少两个第一特征向量;对第一特征向量,按照自注意力网络模型中编码模块的序列和第一融合规则,依次通过每个编码模块进行编码,得到第二特征向量;其中,编码模块包括至少两个,第一融合规则包括:在至少一组相邻的两个编码模块之间的目标位置,对相邻的两个编码模块中的前一个编码模块编码得到的特征向量进行融合,融合后的特征向量的数量小于前一个编码模块编码后得到的特征向量的数量,将融合后的特征向量输入到相邻的两个编码模块中的后一个编码模块继续编码;根据第二特征向量,确定目标图像的识别结果。
根据本公开的第二方面,提供了一种图像识别装置,所述装置包括:向量化单元、编码单元、确定单元。
向量化单元,用于对目标图像进行向量化,得到至少两个第一特征向量;编码单元,用于对第一特征向量,按照自注意力网络模型中编码模块的序列和第一融合规则,依次通过每个编码模块进行编码,得到第二特征向量;其中,编码模块包括至少两个,第一融合规则包括:在至少一组相邻的两个编码模块之间的目标位置,对相邻的两个编码模块中的前一个编码模块编码得到的特征向量进行融合,融合后的特征向量的数量小于前一个编码模块编码后得到的特征向量的数量,将融合后的特征向量输入到相邻的两个编码模块中的后一个编码模块继续编码;确定单元,用于根据第二特征向量,确定目标图像的识别结果。
根据本公开的第三方面,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如第一方面所述的方法。
根据本公开的第四方面,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,计算机指令用于使计算机执行根据第一方面所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现根据第一方面所述的方法。
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为本公开实施例提供的图像识别方法的流程示意图;
图2为本公开实施例提供的图像识别方法的另一流程示意图;
图3为将编码模块划分为编码集合的示意图;
图4为本公开实施例提供的图1中S103的一种实现流程示意图;
图5为本公开实施例提供的图像识别装置的组成示意图;
图6为本公开实施例提供的图像识别装置的另一组成示意图;
图7为本公开实施例提供的可以用来实施本公开的实施例的示例电子设备700的示意性框图。
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。
应当理解,在本公开各实施例中,字符“/”一般表示前后关联对象是一种“或”的关系。术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。
深度自注意力变换网络(Transformer)框架首次被提出是用于自然语言处理,Transformer使用自注意力机制来捕捉全局的上下文信息。在图像识别中,基于Transformer的编码块可以将输入图像划分为图像块,并将图像块类比成自然语言处理任务中的一个单词(token),通过token生成特征图,根据特征图对图像进行识别。
目前,对图像识别的方式会消耗很多计算资源。
示例性地,Transformer框架是一种强大的特征提取范式,在机器翻译任务上具有卓越的性能。视觉转换器(vision transformer,ViT)是Transformer用于计算机视觉任务的一项开创性工作,ViT将标准Transformer中的编码块应用于视觉任务,将输入图像划分为图像块,并将图像块类比成自然语言处理任务中的一个token。常用的ViT中主要通过多头自注意力机制(Multi-Head Attention)的方式来获得不token之间的注意力关系。Multi-Head Attention是Transformer网络中的一个关键组件,用于学习输入序列中各个位置之间的相互关系。它由多个独立的分头组成,每个头学习一种不同的关系。给定输入序列的一组表示,Multi-Head Attention首先将其拆分为多个头,然后对每个头进行独立的查询、键、值计算、注意力加权和归一化操作,最后将所有头的输出连接起来,形成最终的输出。这样,每个头都会学到输入序列中不同的局部关系,从而可以提高网络的表现能力。在图像领域,输入序列一般是利用图像卷积得到的特征图,每个头探索图像中不同的视觉模式。但这种方式中,大量的token消耗了特别多的计算资源。
在此背景技术下,本公开提供了一种图像识别方法,本公开可以显著减少图像识别过程对计算资源的耗费。
示例性地,该图像识别方法的执行主体可以是计算机或服务器,或者还可以是其他具有数据处理能力的设备。在此对该方法的执行主体不作限制。
一些实施例中,服务器可以是单独的一个服务器,或者,也可以是由多个服务器构成的服务器集群。部分实施方式中,服务器集群还可以是分布式集群。本公开对服务器的具体实现方式也不作限制。
图1为本公开实施例提供的图像识别方法的流程示意图。如图1所示,该方法可以包括S101-S104。
S101、对目标图像进行向量化,得到至少两个第一特征向量。
示例性地,可以将待识别的图像作为输入,将图像的识别结果作为输出,对自注意力神经网络进行训练,得到自注意力网络模型。得到的自注意力网络模型具有根据输入的图像输出图像的识别结果的功能。可以将目标图像输入自注意力网络模型,通过自注意力网络模型中的图像处理模块对目标图像进行向量化,得到目标图像对应的至少两个第一特征向量。其中,在本方案中,对图像进行向量化也可以称为图像token化。目标图像对应的至少两个第一特征向量也可以理解为目标图像对应的至少两个token。
基于上述实施例,示例地,如果输入自注意力网络模型的目标图像的分辨率为1000×1000,那么根据实际场景需求可以对目标图像进行向量化,也就是对目标图像token化,将目标图像裁剪分辨率为14×14的图像,此时,裁剪之后的图像就具有196个token。
S102、对第一特征向量,按照自注意力网络模型中编码模块的序列和第一融合规则,依次通过每个编码模块进行编码,得到第二特征向量。
其中,编码模块包括至少两个,第一融合规则包括:在至少一组相邻的两个编码模块之间的目标位置,对相邻的两个编码模块中的前一个编码模块编码得到的特征向量进行融合,融合后的特征向量的数量小于前一个编码模块编码后得到的特征向量的数量,将融合后的特征向量输入到相邻的两个编码模块中的后一个编码模块继续编码。
示例性地,可以将S101得到的每个第一特征向量传入自注意力网络模型的视觉转换器(vision transformer,ViT)中的一系列编码模块中。输入的每个第一特征向量按照编码模块序列,一个一个地通过每个编码模块进行编码。比如,将一个第一特征向量输入第一个编码模块进行第一次编码,第一个编码模块对这个第一特征向量进行编码后输出第一次编码后的特征向量,然后,编码后的特征向量进入第二个编码模块,第二个编码模块对第一次编码后的特征向量进行第二次编码,并输出第二次编码后的特征向量,以此类推,直至这个第一特征向量通过视觉转换器中的每个编码模块,视觉转换器中的最后一个编码模块输出的特征向量为第二特征向量。
在进行编码的过程中,可以按照第一融合规则,在第一个编码模块和第二个编码模块之间,对第一个编码模块输出的第一次编码后的特征向量进行融合,融合后的特征向量的数量小于第一次编码后的特征向量的数量,然后,将融合后的特征向量输入到第二个编码模块继续编码。
基于上述实施例,示例地,假设第一特征向量为196个,自注意力网络模型的视觉转换器有4个编码模块,依次为编码模块1、编码模块2、编码模块3、编码模块4。可以让196个第一特征向量按照编码模块序列依次通过每个编码模块进行编码,即将196个第一特征向量输入编码模块1,编码模块1对196个第一特征向量进行编码,并输出196个编码后的特征向量,然后对196个编码后的特征向量进行融合,得到98个融合后的特征向量,再将98个融合后的特征向量输入编码模块2,编码模块2对98个融合后的特征向量编码,并输出98个编码后的特征向量,然后对98个编码后的特征向量进行融合,得到49个融合后的特征向量,以此类推,编码模块4可以输出28个编码后的特征向量。
可选地,在每个编码模块输出编码后的特征向量后,可以根据实际需求选择是否对编码后的特征向量进行融合,在整个编码的过程中保证特征向量至少融合一次。
S103、根据第二特征向量,确定目标图像的识别结果。
示例性地,第二特征向量可以是一个,也可以是多个。当第二特征向量为一个时,可以通过池化的方式根据第二特征向量生成目标图像对应的特征图。当第二特征向量为多个时,可以先将多个第二特征向量融合为一个,然后再根据融合后的这个特征向量,通过池化的方式生成目标图像对应的特征图。然后通过自注意力网络模型对目标图像对应的特征图进行识别,根据自注意力网络模型的具体功能,得到对应的目标图像的识别结果。
本公开通过对目标图像进行向量化,得到至少两个第一特征向量,然后对第一特征向量,按照自注意力网络模型中编码模块的序列和第一融合规则,依次通过每个编码模块进行编码,进行编码的过程中,在至少一组相邻的两个编码模块之间的目标位置,对相邻的两个编码模块中的前一个编码模块编码得到的特征向量进行融合,融合后的特征向量的数量小于前一个编码模块编码后得到的特征向量的数量,将融合后的特征向量输入到相邻的两个编码模块中的后一个编码模块继续编码,最终得到目标图像对应的第二特征向量,根据第二特征向量,确定目标图像的识别结果。对于分类等任务,随着模型加深,后面的token感受也越来越大,各个token之间的相似性趋于雷同,此时依然保持这么多的token会造成资源浪费。本方案可以通过在编码过程中进行token融合,逐渐减少token的数量,降低了编码过程中的计算量,从而在对自注意力网络模型不造成影响的情况下,显著减少图像识别过程对计算资源的耗费。
通过本公开的方法还可以在自注意力网络模型的训练过程中,加速自注意力网络模型的收敛。
图2为本公开实施例提供的图像识别方法的另一流程示意图。如图2所示,该方法可以包括S201-S203。
S201、按照编码模块的顺序,将编码模块划分为至少两个编码集合,每个编码集合包括至少一个编码模块。
示例性地,自注意力网络模型可能会有很多个编码模块,它们按照一定的顺序排列。可以将这些编码模块按照他们的排列顺序分成至少两个编码集合,每个编码集合中包括至少一个编码模块。编码集合的数量可以表示理论上能够进行特征向量融合的次数。
基于上述实施例,示例地,图3为将编码模块划分为编码集合的示意图。参考图3A,可以按照将所有编码模块的数量平均分的方式将编码模块划分为编码集合。参考图3B,也可以按照其他的方式将编码模块划分为编码集合。对于将编码模块划分为编码集合的具体方式,此处不作限制。
S202、从编码集合中确定至少一组相邻的两个目标编码集合。
示例性地,可以从S201中划分的编码集合中确定至少一组相邻的两个目标编码集合,为下一步确定对第一特征向量进行融合的位置做准备。
S203、将相邻的两个目标编码集合中,第一个目标编码集合末位的编码模块和第二个目标编码集合首位的编码模块之间作为对第一特征向量进行融合的目标位置。
示例性地,目标位置的数量可以表示实际进行特征向量融合的次数。
基于上述实施例,示例地,参考图3A,可以将编码集合1和编码集合2作为目标编码集合,此时,编码模块3和编码模块4之间就是对第一特征向量进行融合的目标位置。
本实施例通过本实施例通过按照编码模块的顺序,将编码模块划分为至少两个编码集合,从编码集合中确定至少一组相邻的两个目标编码集合,将相邻的两个目标编码集合中,第一个目标编码集合末位的编码模块和第二个目标编码集合首位的编码模块之间作为对第一特征向量进行融合的目标位置,可以将编码模块划分为编码集合,避免了在减少向量的数量的同时引入额外的计算步骤而消耗大量的计算资源,能够减少资源的浪费。
一些实施例中,上述在至少一组相邻的两个编码模块之间,对相邻的两个编码模块中的前一个编码模块编码得到的特征向量进行融合,可以包括:分别在每个目标位置,按照目标位置的第二融合规则,对相邻的两个编码模块中的前一个编码模块编码得到的特征向量进行融合。
示例性地,确定目标位置后,可以确定每个目标位置的第二融合规则。每个目标位置的第二融合规则是根据实际场景需求预设的对特征向量进行融合的具体规则,表示在目标位置对特征向量按照预设规则进行融合。在确定了每个目标位置的融合规则后,在每个目标位置按照对应的融合规则进行特征向量进行融合。
基于上述实施例,示例地,假设有目标位置1、目标位置2、目标位置3,目标位置1对应的融合规则为A,目标位置2对应的融合规则为B,目标位置3对应的融合规则为C,那么就在目标位置1按照融合规则A对到达目标位置1的特征向量进行融合,在目标位置2按照融合规则B对到达目标位置2的特征向量进行融合,在目标位置3按照融合规则C对到达目标位置3的特征向量进行融合。
本实施例通过分别在每个目标位置,按照目标位置的第二融合规则,对第一特征向量进行融合,能够根据目标位置的第二融合规则融合第一特征向量,进一步减少资源的耗费。
一些实施例中,前述目标位置包括至少两个,相邻的两个目标位置中,第二个目标位置的第一特征向量的宽度或高度为第一个目标位置的第一特征向量的宽度或高度的二分之一。
示例性地,特征向量需要按照一定的融合规则进行融合,可以将这个融合规则设置为:相邻的两个目标位置中,第二个目标位置的第一特征向量的宽度或高度为第一个目标位置的第一特征向量的宽度或高度的二分之一。
基于上述实施例,示例地,第一个目标位置的第一特征向量的分辨率为14×14,可以表示第一个目标位置的第一特征向量的宽度为14,高度为14,如果第一目标位置的融合规则为第一特征向量的第二个目标位置的第一特征向量的宽度为第一个目标位置的第一特征向量的宽度的二分之一,高度不变,那么在第一个目标位置进行融合后,到达第二个目标位置的特征向量宽度则为7,高度为14,可以表示为第二个目标位置的特征向量的分辨率为7×14。
本实施例通过限定前述目标位置包括至少两个,相邻的两个目标位置中,第二个目标位置的第一特征向量的宽度或高度为第一个目标位置的第一特征向量的宽度或高度的二分之一。可以使确定的融合规则达到减少计算量,降低资源耗费的效果。
一些实施例中,上述目标位置包括至少两个,相邻的两个目标位置中,第一个目标位置按照宽度融合、第二个目标位置按照高度融合,或者,第一个目标位置按照高度融合、第二个目标位置按照宽度融合。
示例性地,在确定每个目标位置的融合规则时,可以按照相邻的两个目标位置中,分别从不同维度依次对特征向量进行融合。比如,第一个目标位置按照宽度融合,第二个目标位置按照高度融合,第三个目标位置继续按照宽度融合,第四个目标位置继续按照高度融合。
基于上述实施例,示例地,假设确定了4个目标位置,且这4个目标位置按顺序排列,即目标位置1与目标位置2相邻,目标位置2与目标位置3相邻,目标位置3与目标位置4相邻,将14×14的特征向量传输至目标位置1,目标位置1按照宽度融合,将该向量融合为7×14的特征向量。将7×14的特征向量传输至目标位置2,目标位置2按照高度融合,将该7×14的特征向量向量融合为7×7的特征向量。将7×7的特征向量传输至目标位置3,目标位置3按照宽度融合,将该7×7的特征向量向量融合为4×7的特征向量。将4×7的特征向量传输至目标位置4,目标位置4按照高度融合,将该4×7的特征向量向量融合为4×4的特征向量。
本实施例通过限定目标位置包括至少两个,相邻的两个目标位置中,第一个目标位置按照宽度融合、第二个目标位置按照高度融合,或者,第一个目标位置按照高度融合、第二个目标位置按照宽度融合。可以提供不同的融合规则,增加融合规则的丰富度,提高设置融合规则的灵活性。
图4为本公开实施例提供的图1中S103的一种实现流程示意图。如图4所示,图1所示的S103可以包括S401-S403。
S401、对第二特征向量进行融合,融合后的第二特征向量的数量为1。
示例性地,可以将多个第二特征向量根据对应的融合规则融合为1个特征向量。
基于上述实施例,示例地,假设第二特征向量表示为4×4个,可以通过将第二个目标位置的第一特征向量的宽度和高度融合为第一个目标位置的第一特征向量的宽度和高度的二分之一的方式,先融合为2×2个,再融合为1×1个。
S402、根据融合后的第二特征向量,生成目标图像对应的特征图。
示例性地,第二特征向量至少包括两个,可以先将多个第二特征向量融合为一个,然后再根据融合后的这个特征向量,通过池化的方式生成目标图像对应的特征图。
基于上述实施例,示例地,假设第二特征向量有29个,先将29个第二特征向量融合为1个特征向量,对这1个特征向量进行池化,获得目标图像对应的特征图。
S403、对特征图进行识别,得到目标图像的识别结果。
示例性地,可以通过自注意力网络模型对S402生成的特征图进行识别,根据自注意力网络模型的具体功能,得到对应的目标图像的识别结果。
本实施例通过对第二特征向量进行融合,融合后的第二特征向量的数量为1,然后根据融合后的第二特征向量,生成目标图像对应的特征图,再对特征图进行识别,得到目标图像的识别结果。能够降低根据第二特征向量得到目标图像对应的特征图的计算复杂度。
一些实施例中,上述S402,可以包括:通过自注意力网络模型对第二特征向量进行全局平均池化,得到目标图像对应的特征图。
示例性地,可以将第二特征向量通过自注意力网络模型的池化层进行全局平均池化,得到目标图像对应的特征图。
可选地,将第二特征向量通过自注意力网络模型的池化层进行池化的方式还可以是最大池化、可训练池化。对第二特征向量进行池化得到目标图像对应的特征图的具体方式,在此不作限制。
本实施例通过自注意力网络模型对第二特征向量进行全局平均池化,得到目标图像对应的特征图。可以降低得到特征图的计算复杂度,提高自注意力网络模型的识别效率。
一些实施例中,自注意力网络模型包括以下任意一种:图像分类模型、图像检测模型、图像定位模型。
示例性地,本方案可以运用于图像分类模型、图像检测模型、图像定位模型中的任意一种。对于图像分类任务,自注意力网络模型则为图像分类模型,在通过前述步骤得到目标图像对应的特征图后,可以将目标图像对应的特征图输入图像分类模型的分类层,通过图像分类模型的分类层输出分类结果。在进行图像分类模型训练时,可以通过分类层进行损失计算,以此判断模型的性能并对模型进行优化。
本实施例通过限定自注意力网络模型包括以下任意一种:图像分类模型、图像检测模型、图像定位模型。表示了自注意力网络模型能够用于不同的图像处理任务,可以帮助用户更好地理解和利用自注意力网络模型的技术优势和应用价值。
示例性实施例中,本公开实施例还提供一种图像识别装置,可以用于实现如前述实施例中的图像识别方法。
图5为本公开实施例提供的图像识别装置的组成示意图。如图5所示,该装置可以包括:向量化单元501、编码单元502、确定单元503。
向量化单元501,用于对目标图像进行向量化,得到至少两个第一特征向量。
编码单元502,用于对第一特征向量,按照自注意力网络模型中编码模块的序列和第一融合规则,依次通过每个编码模块进行编码,得到第二特征向量;其中,编码模块包括至少两个,第一融合规则包括:在至少一组相邻的两个编码模块之间的目标位置,对相邻的两个编码模块中的前一个编码模块编码得到的特征向量进行融合,融合后的特征向量的数量小于前一个编码模块编码后得到的特征向量的数量,将融合后的特征向量输入到相邻的两个编码模块中的后一个编码模块继续编码。
确定单元503,用于根据第二特征向量,确定目标图像的识别结果。
图6为本公开实施例提供的图像识别装置的另一组成示意图。可选地,如图6所示,该装置可以包括:向量化单元601、编码单元602、确定单元603、划分单元604。
向量化单元601,可以参考前述实施例中的向量化单元501。
编码单元602,可以参考前述实施例中的编码单元502。
确定单元603,可以参考前述实施例中的确定单元503。
划分单元604,用于按照编码模块的顺序,将编码模块划分为至少两个编码集合,每个编码集合包括至少一个编码模块。
确定单元603,还用于从编码集合中确定至少一组相邻的两个目标编码集合;
确定单元603,还用于将相邻的两个目标编码集合中,第一个目标编码集合末位的编码模块和第二个目标编码集合首位的编码模块之间作为对第一特征向量进行融合的目标位置。
可选地,编码单元502,具体用于分别在每个目标位置,按照目标位置的第二融合规则,对相邻的两个编码模块中的前一个编码模块编码得到的特征向量进行融合。
可选地,目标位置包括至少两个,相邻的两个目标位置中,第二个目标位置的第一特征向量的宽度或高度为第一个目标位置的第一特征向量的宽度或高度的二分之一。
可选地,目标位置包括至少两个,相邻的两个目标位置中,第一个目标位置按照宽度融合、第二个目标位置按照高度融合,或者,第一个目标位置按照高度融合、第二个目标位置按照宽度融合。
可选地,第二特征向量包括至少两个,确定单元503,具体用于对第二特征向量进行融合,融合后的第二特征向量的数量为1;根据融合后的第二特征向量,生成目标图像对应的特征图;对特征图进行识别,得到目标图像的识别结果。
可选地,确定单元503,具体用于通过自注意力网络模型对第二特征向量进行全局平均池化,得到目标图像对应的特征图。
可选地,自注意力网络模型包括以下任意一种:图像分类模型、图像检测模型、图像定位模型。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,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、一种计算机程序产品。
示例性实施例中,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如以上实施例所述的方法。
示例性实施例中,可读存储介质可以是存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行根据以上实施例所述的方法。
示例性实施例中,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以上实施例所述的方法。
图7示出了可以用来实施本公开的实施例的示例电子设备700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7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700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701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701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701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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701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701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、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(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。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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 (19)
1.一种图像识别方法,所述方法包括:
对目标图像进行向量化,得到至少两个第一特征向量;
对所述第一特征向量,按照自注意力网络模型中编码模块的序列和第一融合规则,依次通过每个所述编码模块进行编码,得到第二特征向量;
其中,所述编码模块包括至少两个,所述第一融合规则包括:在至少一组相邻的两个所述编码模块之间的目标位置,对相邻的两个所述编码模块中的前一个编码模块编码得到的特征向量进行融合,融合后的特征向量的数量小于前一个编码模块编码后得到的特征向量的数量,将融合后的特征向量输入到相邻的两个所述编码模块中的后一个编码模块继续编码;
根据所述第二特征向量,确定所述目标图像的识别结果。
2.根据权利要求1所述的方法,所述方法还包括:
按照所述编码模块的顺序,将所述编码模块划分为至少两个编码集合,每个所述编码集合包括至少一个所述编码模块;
从所述编码集合中确定至少一组相邻的两个目标编码集合;
将所述相邻的两个目标编码集合中,第一个目标编码集合末位的编码模块和第二个目标编码集合首位的编码模块之间作为对所述第一特征向量进行融合的所述目标位置。
3.根据权利要求2所述的方法,所述在至少一组相邻的两个所述编码模块之间,对相邻的两个所述编码模块中的前一个编码模块编码得到的特征向量进行融合,包括:
分别在每个所述目标位置,按照所述目标位置的第二融合规则,对相邻的两个所述编码模块中的前一个编码模块编码得到的特征向量进行融合。
4.根据权利要求2或3所述的方法,所述目标位置包括至少两个,相邻的两个所述目标位置中,第二个目标位置的第一特征向量的宽度或高度为第一个目标位置的第一特征向量的宽度或高度的二分之一。
5.根据权利要求2-4任一项所述的方法,所述目标位置包括至少两个,相邻的两个所述目标位置中,第一个目标位置按照宽度融合、第二个目标位置按照高度融合,或者,第一个目标位置按照高度融合、第二个目标位置按照宽度融合。
6.根据权利要求1-5任一项所述的方法,所述第二特征向量包括至少两个,所述根据所述第二特征向量,确定所述目标图像的识别结果,包括:
对所述第二特征向量进行融合,融合后的所述第二特征向量的数量为1;
根据所述融合后的所述第二特征向量,生成所述目标图像对应的特征图;
对所述特征图进行识别,得到所述目标图像的识别结果。
7.根据权利要求1-6任一项所述的方法,所述根据所述融合后的所述第二特征向量,生成所述目标图像对应的特征图,包括:
通过自注意力网络模型对所述第二特征向量进行全局平均池化,得到所述目标图像对应的特征图。
8.根据权利要求1-7任一项所述的方法,所述自注意力网络模型包括以下任意一种:图像分类模型、图像检测模型、图像定位模型。
9.一种图像识别装置,所述装置包括:
向量化单元,用于对目标图像进行向量化,得到至少两个第一特征向量;
编码单元,用于对所述第一特征向量,按照自注意力网络模型中编码模块的序列和第一融合规则,依次通过每个所述编码模块进行编码,得到第二特征向量;
其中,所述编码模块包括至少两个,所述第一融合规则包括:在至少一组相邻的两个所述编码模块之间的目标位置,对相邻的两个所述编码模块中的前一个编码模块编码得到的特征向量进行融合,融合后的特征向量的数量小于前一个编码模块编码后得到的特征向量的数量,将融合后的特征向量输入到相邻的两个所述编码模块中的后一个编码模块继续编码;
确定单元,用于根据所述第二特征向量,确定所述目标图像的识别结果。
10.根据权利要求9所述的装置,所述装置还包括:
划分单元,用于按照所述编码模块的顺序,将所述编码模块划分为至少两个编码集合,每个所述编码集合包括至少一个所述编码模块;
所述确定单元,还用于从所述编码集合中确定至少一组相邻的两个目标编码集合;
所述确定单元,还用于将所述相邻的两个目标编码集合中,第一个目标编码集合末位的编码模块和第二个目标编码集合首位的编码模块之间作为对所述第一特征向量进行融合的所述目标位置。
11.根据权利要求10所述的装置,所述编码单元,具体用于:
分别在每个所述目标位置,按照所述目标位置的第二融合规则,对相邻的两个所述编码模块中的前一个编码模块编码得到的特征向量进行融合。
12.根据权利要求10或11所述的装置,所述目标位置包括至少两个,相邻的两个所述目标位置中,第二个目标位置的第一特征向量的宽度或高度为第一个目标位置的第一特征向量的宽度或高度的二分之一。
13.根据权利要求10-12任一项所述的装置,所述目标位置包括至少两个,相邻的两个所述目标位置中,第一个目标位置按照宽度融合、第二个目标位置按照高度融合,或者,第一个目标位置按照高度融合、第二个目标位置按照宽度融合。
14.根据权利要求9-13任一项所述的装置,所述第二特征向量包括至少两个,所述确定单元,具体用于:
对所述第二特征向量进行融合,融合后的所述第二特征向量的数量为1;
根据所述融合后的所述第二特征向量,生成所述目标图像对应的特征图;
对所述特征图进行识别,得到所述目标图像的识别结果。
15.根据权利要求9-14任一项所述的装置,所述确定单元,具体用于:
通过所述自注意力网络模型对所述第二特征向量进行全局平均池化,得到所述目标图像对应的特征图。
16.根据权利要求9-15任一项所述的装置,所述自注意力网络模型包括以下任意一种:图像分类模型、图像检测模型、图像定位模型。
17.一种电子设备,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1-8任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行根据权利要求1-8任一项所述的方法。
19.一种计算机程序产品,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1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310781222.0A CN116843963A (zh) | 2023-06-28 | 2023-06-28 | 图像识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310781222.0A CN116843963A (zh) | 2023-06-28 | 2023-06-28 | 图像识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116843963A true CN116843963A (zh) | 2023-10-03 |
Family
ID=88168273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310781222.0A Pending CN116843963A (zh) | 2023-06-28 | 2023-06-28 | 图像识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843963A (zh) |
-
2023
- 2023-06-28 CN CN202310781222.0A patent/CN116843963A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113657390B (zh) | 文本检测模型的训练方法和检测文本方法、装置和设备 | |
CN113657397B (zh) | 循环生成网络模型的训练方法、建立字库的方法和装置 | |
CN114564593A (zh) | 多模态知识图谱的补全方法、装置和电子设备 | |
CN115640520B (zh) | 跨语言跨模态模型的预训练方法、设备和存储介质 | |
CN112818686A (zh) | 领域短语挖掘方法、装置和电子设备 | |
CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
CN112632227A (zh) | 简历匹配方法、装置、电子设备、存储介质和程序产品 | |
CN114863437A (zh) | 文本识别方法、装置、电子设备和存储介质 | |
CN116152833A (zh) | 基于图像的表格还原模型的训练方法及表格还原方法 | |
CN114861758A (zh) | 多模态数据处理方法、装置、电子设备及可读存储介质 | |
CN114663733A (zh) | 多模态特征的融合方法、装置、设备、介质及产品 | |
CN113360683A (zh) | 训练跨模态检索模型的方法以及跨模态检索方法和装置 | |
CN117746125A (zh) | 图像处理模型的训练方法、装置及电子设备 | |
CN113221769A (zh) | 识别模型训练方法、识别方法、装置、设备及存储介质 | |
CN117333889A (zh) | 文档检测模型的训练方法、装置及电子设备 | |
CN114973333B (zh) | 人物交互检测方法、装置、设备以及存储介质 | |
CN113642654B (zh) | 图像特征的融合方法、装置、电子设备和存储介质 | |
CN113408304B (zh) | 文本翻译方法、装置、电子设备及存储介质 | |
CN112784967B (zh) | 信息处理方法、装置以及电子设备 | |
CN112559727B (zh) | 用于输出信息的方法、装置、设备、存储介质和程序 | |
CN116843963A (zh) | 图像识别方法、装置、设备及存储介质 | |
CN114330718A (zh) | 因果关系的提取方法、装置及电子设备 | |
CN113190679A (zh) | 关系确定方法、装置、电子设备和存储介质 | |
CN113947146A (zh) | 样本数据生成方法、模型训练方法、图像检测方法及装置 | |
CN113239215A (zh) | 多媒体资源的分类方法、装置、电子设备及存储介质 |
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 |