一种图像识别方法、装置、存储介质及设备与流程

技术特征：
1.一种图像识别方法，其特征在于，包括：获取待识别的目标图像；将所述目标图像输入至预先构建的图像识别模型，识别得到所述目标图像的特征向量；所述图像识别模型是根据神经元的算力进行自适应剪枝，并利用对抗训练和知识蒸馏的方式训练得到的神经网络模型；根据所述目标图像的特征向量，对所述目标图像进行识别，得到所述目标图像的识别结果。2.根据权利要求1所述的方法，其特征在于，所述图像识别模型的构建方式如下：获取样本图像和教师图像识别模型；所述教师图像识别模型是基于样本图像训练得到的神经网络模型；将所述样本图像输入所述教师图像识别模型，得到第一样本特征向量及其所属的第一分类概率；将所述样本图像输入初始学生图像识别模型，得到第二样本特征向量及其所属的第二分类概率；所述初始学生图像识别模型为由所述教师图像识别模型中的神经元与初始比例因子相乘后得到的神经神经网络模型；根据所述第一样本特征向量及其所属的第一分类概率、所述第二样本特征向量及其所属的第二分类概率、以及预设的判别器，利用对抗训练和知识蒸馏的方式，对所述初始学生图像识别模型进行训练，生成学生图像识别模型；根据所述学生图像识别模型的比例因子分布，对所述学生图像识别模型进行剪枝，并将剪枝后的图像识别模型作为最终的图像识别模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述第一样本特征向量及其所属的第一分类概率、所述第二样本特征向量及其所属的第二分类概率、以及预设的判别器，利用对抗训练和知识蒸馏的方式，对所述初始学生图像识别模型进行训练，生成学生图像识别模型，包括：利用所述初始学生图像识别模型中神经元的算力，计算所述初始学生图像识别模型对应的剪枝损失，作为第一目标函数；所述第一目标函数用于优化所述初始学生图像识别模型中神经元对应的比例因子；计算所述第一分类概率和第二分类概率之间的kl散度损失，作为第二目标函数；所述第二目标函数用于提升所述初始学生图像识别模型的输出结果与所述教师图像识别模型的输出结果之间的相似度；计算所述第二分类概率和所述样本图像对应的真实分类结果之间的交叉熵损失，作为第三目标函数；所述第三目标函数用于提升所述初始学生图像识别模型的输出结果与所述样本图像对应的真实分类结果之间的相似度；将所述第一样本特征向量和所述第二样本特征向量输入预设的判别器进行对抗训练，得到二者的对抗损失，作为第四目标函数；所述第四目标函数用于实现所述第一样本特征向量与所述第二样本特征向量的最大化相似；根据所述第一目标函数、第二目标函数、第三目标函数以及第四目标函数对所述初始学生图像识别模型进行训练，生成学生图像识别模型。4.根据权利要求3所述的方法，其特征在于，所述根据所述第一目标函数、第二目标函数、第三目标函数以及第四目标函数对初始学生图像识别模型进行训练，生成学生图像识
别模型，包括：将所述第一目标函数、第二目标函数、第三目标函数以及第四目标函数进行加权求和，并根据所述和值，对所述初始学生图像识别模型进行训练，生成学生图像识别模型。5.根据权利要求2所述的方法，其特征在于，所述根据所述学生图像识别模型的比例因子分布，对所述学生图像识别模型进行剪枝，并将剪枝后的学生图像识别模型作为最终的图像识别模型，包括：根据所述学生图像识别模型的比例因子分布，确定低于预设阈值的比例因子；将低于预设阈值的比例因子所对应的神经元从所述学生图像识别模型中移除，得到剪枝后的学生图像识别模型，并将其作为最终的图像识别模型。6.根据权利要求2所述的方法，其特征在于，所述根据所述学生图像识别模型的比例因子分布，对所述学生图像识别模型进行剪枝，并将剪枝后的学生图像识别模型作为最终的图像识别模型，包括：根据所述学生图像识别模型的比例因子分布，确定比例因子的移除阈值；将低于所述移除阈值的比例因子所对应的神经元从所述学生图像识别模型中移除，得到剪枝后的学生图像识别模型，并将其作为最终的图像识别模型。7.根据权利要求2所述的方法，其特征在于，在所述根据所述学生图像识别模型的比例因子分布，对所述学生图像识别模型进行剪枝，并将剪枝后的学生图像识别模型作为最终的图像识别模型之后，所述方法还包括：判断所述图像识别模型的参数量和理论计算量是否满足预设的硬件需求，若是，则利用所述预设的判别器对所述图像识别模型参数进行微调，并将调整后的图像识别模型作为最终的图像识别模型。8.根据权利要求2所述的方法，其特征在于，所述方法还包括：获取验证图像；将所述验证图像输入所述图像识别模型，获得所述验证图像的分类识别结果；当所述验证图像的分类识别结果与所述验证图像对应的分类标签结果不一致时，将所述验证图像重新作为所述样本图像，对所述图像识别模型进行更新。9.一种图像识别装置，其特征在于，包括：第一获取单元，用于获取待识别的目标图像；第一识别单元，用于将所述目标图像输入至预先构建的图像识别模型，识别得到所述目标图像的特征向量；所述图像识别模型是根据神经元的算力进行自适应剪枝，并利用对抗训练和知识蒸馏的方式训练得到的神经网络模型；第二识别单元，用于根据所述目标图像的特征向量，对所述目标图像进行识别，得到所述目标图像的识别结果。10.一种图像识别设备，其特征在于，包括：处理器、存储器、系统总线；所述处理器以及所述存储器通过所述系统总线相连；所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行权利要求1
‑
8任一项所述的方法。11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行权利要求1
‑
8任一项所述的方法。

技术总结
本申请公开了一种图像识别方法、装置、存储介质及设备，该方法包括：首先获取待识别的目标图像，然后再将其输入至预先构建的图像识别模型，识别得到目标图像的特征向量；其中，图像识别模型是根据神经元的算力进行自适应剪枝，并利用对抗训练和知识蒸馏的方式训练得到的神经网络模型；接着，可以根据该特征向量，对目标图像进行识别，得到目标图像的识别结果。可见，由于本申请预先构建的图像识别模型是利用神经元的算力进行自适应剪枝，从而提高了剪枝效率，并且通过对抗训练和知识蒸馏的训练方式还能够使得该模型有效继承当前主流神经网络模型所包含的知识，并保证其维持着最大化的识别性能效果，进而能够在此情况下，有效提高图像的识别效率。图像的识别效率。图像的识别效率。


技术研发人员：张圆
受保护的技术使用者：科大讯飞股份有限公司
技术研发日：2021.08.12
技术公布日：2021/11/8