本发明属于深度神经网络提取图像特征的深度学习领域,涉及到神经网络、模式识别等技术,尤其涉及到一种基于改进型ArcFace损失函数的图像识别方法。
背景技术:
随着大数据时代的来临和计算能力的大幅提高,图像识别技术正向着高级语义理解方向发展,而基于深度学习的图像识别技术已经成为当今人工智能领域的研究热点。
图像识别技术是通过计算机对图像自动进行处理、分析和理解,以识别各种不同模式的目标和对象的技术。图像识别技术具有广泛的应用,例如,在农业中,可以通过植物的长势、叶子和花的颜色进行判断,给植物进行浇水、施肥、杀虫;在工业中,可以通过图像识别对整个车间的产品进行把控;在医学中,可以通过细胞、骨头的形状进行分析病人的健康状况;在航天中,可以根据卫星图片的实时反馈,进行航天研究;在日常生活中,图像识别技术也非常普及,如车牌识别、指纹识别等;然而,图像识别技术还存在一些困难,由于视点变化、背景复杂、光影变化、遮挡、变形等增加图像识别的难度,造成在基于深度学习的图像识别网络训练过程中图像分类不准确问题,为解决这一问题,ArcFace损失函数被提出,但ArcFace仅从减小类内距离来最大化分类边界。
解决上述问题的关键就是设计一个改进型ArcFace损失函数,在基于深度学习的图像识别网络训练过程中,既减小类内距离又增大类间距离来最大化分类边界,从而提高图像识别模型识别的准确性。
技术实现要素:
本发明克服了现有技术的不足之处,提出了一种基于改进型ArcFace损失函数的图像识别