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。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的图像识别模型的构建方法或图像识别模型的构建装置的实施例的示例性系统架构100。

如图1所示，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、无线通信链路或者光纤电缆等等。

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，以接收或发送信息等。终端设备101、102、103上可以安装有各种客户端应用。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，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。当终端设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以提供各种服务。例如，服务器105可以对从终端设备101、102、103获取到的输入图像集合进行分析和处理，并生成处理结果(例如图像识别模型)。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开实施例所提供的图像识别模型的构建方法一般由服务器105执行，相应地，图像识别模型的构建装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本公开的图像识别模型的构建方法的一个实施例的流程200。该图像识别模型的构建方法包括以下步骤：

步骤201，获取输入图像集合。

在本实施例中，图像识别模型的构建方法的执行主体(例如图1所示的服务器105)可以获取输入图像集合，其中，输入图像集合中可以包括至少一张输入图像。

需要说明的是，输入图像集合中的输入图像可以是通过各种方式预先采集的多张包含人脸的图像，例如，输入图像集合可以是从现有的图片库中获取的多张图像，再例如，输入图像集合还可以是由实际应用场景中的图像传感器(如摄像头传感器)实时采集的多张图像，本公开对此不做具体限定。

步骤202，利用输入图像集合对初始超分辨模型和初始识别模型进行联合训练，得到训练完成的超分辨模型和识别模型。

在本实施例中，上述执行主体可以利用步骤201获取的输入图像集合对初始超分辨模型和初始识别模型进行联合训练，从而得到训练完成的超分辨模型和识别模型。

在这里，初始超分辨模型以及初始识别模型可以是预先确定的，例如，初始超分辨模型可以是SRCNN(Super-Resolution Convolutional Neural Networks)、FSRCNN(FastSuper-Resolution Convolutional Neural Networks)、SRGAN(Super-ResolutionGenerative Adversarial Network)等模型；而初始识别模型可以是现有的如ResNet(Residual Network，残差网络)系列的分类识别模型，还可以是根据实际需要进行设计的模型。

上述执行主体可以利用步骤201获取的输入图像集合对初始超分辨模型和初始识别模型进行联合训练，以通过输入图像集合对初始超分辨模型和初始识别模型的参数进行调整，并在满足联合训练停止条件的情况下，停止训练，从而得到训练完成的超分辨模型和识别模型。其中，联合训练停止条件可以包括预设训练的次数，或者损失函数的值不再下降，或者设置一定的准确性阈值，当达到预设的阈值后即停止训练。

步骤203，将训练完成的超分辨模型和识别模型以级联的方式组合，得到图像识别模型。

在本实施例中，上述执行主体可以将步骤202得到的训练完成的超分辨模型和识别模型以级联的方式组合，从而得到图像识别模型。该步骤将训练完成的超分辨模型设置在识别模型之前，能够为识别模型增加更多的信息，从而获得更优的效果。

本公开实施例提供的图像识别模型的构建方法，首先获取输入图像集合；然后利用输入图像集合对初始超分辨模型和初始识别模型进行联合训练，得到训练完成的超分辨模型和识别模型；最后将训练完成的超分辨模型和识别模型以级联的方式组合，得到图像识别模型。本实施例中的图像识别模型的构建方法，通过对初始超分辨模型和初始识别模型进行联合训练，缓解了不同分辨率图像对分类任务造成的影响，提高了图像识别模型对低质量数据的鲁棒性，进而提高了图像识别模型的识别准确性。

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。

继续参见图3，图3是根据本公开的图像识别模型的构建方法的一个应用场景的示意图。在图3的应用场景中，首先，执行主体301会获取输入图像集合302。然后，执行主体301会利用输入图像集合302对初始超分辨模型和初始识别模型进行联合训练，得到训练完成的超分辨模型303和识别模型304。最后，执行主体301将训练完成的超分辨模型303和识别模型304以级联的方式组合，得到图像识别模型305。

继续参考图4，图4示出了根据本公开的图像识别模型的构建方法的另一个实施例的流程400。该图像识别模型的构建方法包括以下步骤：

步骤401，获取输入图像集合。

步骤401与前述实施例的步骤201基本一致，具体实现方式可以参考前述对步骤201的描述，此处不再赘述。

步骤402，利用输入图像集合与输入图像集合对应的恢复图像集合计算初始超分辨模型的损失函数，采用梯度下降方法更新初始超分辨模型的参数，得到训练完成的超分辨模型。

在本实施例中，图像识别模型的构建方法的执行主体(例如图1所示的服务器105)可以在获取输入图像集合之后，确定该输入图像集合中的每张图像对应的恢复图像，从而得到输入图像集合对应的恢复图像集合。

然后上述执行主体可以利用输入图像集合中的输入图像与恢复图像集合中对应的恢复图像计算初始超分辨模型的损失函数，并采用梯度下降方法来一步步的迭代求解，从而得到最小化的损失函数和模型参数值。

最后以这些得到的模型参数值来更新初始超分辨模型的参数，从而得到训练完成的超分辨模型，从而提升结果质量。

步骤403，基于输入图像集合与恢复图像集合中的图像的特征之间的距离计算初始识别模型的损失函数，采用梯度下降方法更新初始识别模型的参数，得到训练完成的识别模型。

在本实施例中，上述执行主体可以基于输入图像集合与恢复图像集合中的图像的特征之间的距离计算初始识别模型的损失函数，例如，可先将输入图像集合与恢复图像集合中的图像进行合并，从而得到最终的图像集合，然后计算得到的图像集合中的图像特征之间的距离，并基于这些距离来计算初始识别模型的损失函数。

之后，采用梯度下降方法来一步步的迭代求解，从而得到最小化的损失函数和模型参数值，然后以这些得到的模型参数值来更新初始识别模型的参数，从而得到训练完成的识别模型，从而提升识别模型的分类准确性。

在本实施例的一些可选的实现方式中，上述梯度下降方法为随机梯度下降方法。采用随机梯度下降方法能够更快速得到最小化的损失函数和模型参数值，提升模型训练的效率。

步骤404，将训练完成的超分辨模型中损失函数之前部分的输出端连接至识别模型的输入端，得到图像识别模型。

在本实施例中，上述执行主体可以将训练完成的超分辨模型中损失函数之前部分的输出端连接至识别模型的输入端，从而得到图像识别模型。通过将训练完成的超分辨模型设置在识别模型之前，能够为识别模型增加更多的信息，从而获得更优的效果。

从图4中可以看出，与图2对应的实施例相比，本实施例中的图像识别模型的构建方法突出了利用输入图像集合对初始超分辨模型和初始识别模型进行训练的步骤，提升了模型训练的效率，也提升了训练完成的超分辨模型和识别模型的准确性，应用范围更广。

继续参考图5，图5示出了根据本公开的图像识别模型的构建方法的又一个实施例的流程500。该图像识别模型的构建方法包括以下步骤：

步骤501，获取输入图像集合。

步骤501与前述实施例的步骤401基本一致，具体实现方式可以参考前述对步骤401的描述，此处不再赘述。

步骤502，对输入图像集合中的图像进行降采样，得到降采样图像集合。

在本实施例中，图像识别模型的构建方法的执行主体(例如图1所示的服务器105)可以对输入图像集合中的每张图像进行降采样，从而得到对应的降采样图像，进而得到包含输入图像集合中的每张输入图像对应的降采样图像的降采样图像集合。通过该步骤得到的降采样图像为更符合实际应用场景的低质图像。

步骤503，利用初始超分辨模型对降采样图像集合中的图像进行恢复，得到恢复图像集合。

在本实施例中，上述执行主体可以利用利用初始超分辨模型对降采样图像集合中的每张降采样图像进行恢复，从而得到对应的恢复图像，该恢复图像为对步骤502得到的低质图像进行恢复得到的高质图像，进而得到包含降采样图像集合中的每张降采样图像对应的恢复图像的恢复图像集合。

步骤504，基于输入图像集合与恢复图像集合计算初始超分辨模型的重建损失，采用梯度下降方法更新初始超分辨模型的参数，得到训练完成的超分辨模型。

在本实施例中，上述执行主体可以利用输入图像集合中的输入图像与恢复图像集合中该输入图像对应的恢复图像来计算重建损失，并采用梯度下降方法来一步步的迭代求解，从而得到最小化的损失函数和模型参数值，然后以这些得到的模型参数值来更新初始超分辨模型的参数，从而得到训练完成的超分辨模型。

通过上述步骤提升了超分辨模型的结果质量。

步骤505，将输入图像集合、降采样图像集合以及恢复图像集合进行合并，得到目标图像集合。

在本实施例中，上述执行主体可以将输入图像集合、降采样图像集合以及恢复图像集合进行合并，从而得到目标图像集合。

步骤506，提取目标图像集合中的图像的特征，并计算目标图像集合中的图像的特征之间的距离。

在本实施例中，上述执行主体可以提取目标图像集合中的每张图像的特征，并基于提取的特征来计算目标图像集合中的图像之间的距离。

可选地，可在获取输入图像集合之前，对输入图像集合中的输入图像进行标注，为每个目标对象赋予一个ID(Identity Document，身份标识号)，该目标对象为输入图像中的人脸所代表的对象，那么输入图像集合中的每个目标对象对应的输入图像应具有相同的ID，而降采样图像、恢复图像的ID与输入图像的ID是对应的。

在此基础上，在本步骤中，可基于ID来计算图像之间的距离，基于所提取的图像特征来计算所有具有相同ID的图像之间的距离，然后计算具有不同ID的图像之间的距离。

步骤507，基于距离计算初始识别模型的二元组损失函数，采用梯度下降方法更新初始识别模型的参数，得到训练完成的识别模型。

在本实施例中，上述执行主体可以基于步骤506计算得到的距离来计算初始识别模型的二元组损失函数。

可选地，当两张图像具有相同ID时，此时的损失函数则为两张图像距离的平方。当两张图像具有不同ID时，此时会先求两张图像之间的margin，然后再求max，从而得到此时的损失值。也即相同ID的图像之间的距离更近，而不同ID的所有图像之间的距离更远，以此来增大类间差异并且减小类内差异。

然后采用梯度下降方法来一步步的迭代求解，从而得到最小化的损失函数和模型参数值，然后以这些得到的模型参数值来更新初始识别模型的参数，从而得到训练完成的识别模型。

通过上述步骤提升了识别模型的分类准确性。

步骤508，将训练完成的超分辨模型中损失函数之前部分的输出端连接至识别模型的输入端，得到图像识别模型。

步骤508与前述实施例的步骤404基本一致，具体实现方式可以参考前述对步骤404的描述，此处不再赘述。

从图5中可以看出，与图4对应的实施例相比，本实施例中的图像识别模型的构建方法基于输入图像集合与恢复图像集合计算初始超分辨模型的重建损失，以及初始识别模型的二元组损失函数，并采用梯度下降方法对初始超分辨模型以及初始识别模型的参数进行更新，得到训练完成的超分辨模型和识别模型，提升了超分辨模型的结果质量和识别模型的分类准确性。

继续参考图6，图6示出了根据本公开的图像识别方法的一个实施例的流程600。该图像识别方法包括以下步骤：

步骤601，获取待识别图像。

在本实施例中，图像识别方法的执行主体(例如图1所示的服务器105)可以获取待识别图像，其中，待识别图像可以为在人脸识别实际应用场景下，由摄像头传感器采集的包含人脸的图像。

步骤602，将待识别图像输入至图像识别模型中，输出待识别图像对应的识别结果。

在本实施例中，上述执行主体可以将待识别图像输入至图像识别模型中，输出待识别图像对应的识别结果，其中，图像识别模型可以是通过前述实施例中的图像识别模型的构建方法得到的。

上述执行主体将待识别图像输入至图像识别模型后，图像识别模型会先对待识别图像进行恢复，得到对应的恢复图像；然后再提取待识别图像与恢复图像的特征，基于该特征对其进行分类，从而得到对应的识别结果，并将该识别结果进行输出。

本公开实施例提供的图像识别方法，首先获取待识别图像；然后将待识别图像输入至图像识别模型中，输出待识别图像对应的识别结果。本实施例中的图像识别方法通过预先训练好的图像识别模型来对待识别图像进行识别，提升了识别结果的准确性。

进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种图像识别模型的构建装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图7所示，本实施例的图像识别模型的构建装置700包括：第一获取模块701、训练模块702和组合模块703。其中，第一获取模块701，被配置成获取输入图像集合；训练模块702，被配置成利用输入图像集合对初始超分辨模型和初始识别模型进行联合训练，得到训练完成的超分辨模型和识别模型；组合模块703，被配置成将训练完成的超分辨模型和识别模型以级联的方式组合，得到图像识别模型。

在本实施例中，图像识别模型的构建装置700中：第一获取模块701、训练模块702和组合模块703的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，训练模块包括：第一更新子模块，被配置成利用输入图像集合与输入图像集合对应的恢复图像集合计算初始超分辨模型的损失函数，采用梯度下降方法更新初始超分辨模型的参数；第二更新子模块，被配置成基于输入图像集合与恢复图像集合中的图像的特征之间的距离计算初始识别模型的损失函数，采用梯度下降方法更新初始识别模型的参数。

在本实施例的一些可选的实现方式中，第一更新子模块包括：降采样单元，被配置成对输入图像集合中的图像进行降采样，得到降采样图像集合；恢复单元，被配置成利用初始超分辨模型对降采样图像集合中的图像进行恢复，得到恢复图像集合；第一计算单元，被配置成基于输入图像集合与恢复图像集合计算初始超分辨模型的重建损失。

在本实施例的一些可选的实现方式中，第二更新子模块包括：合并单元，被配置成将输入图像集合、降采样图像集合以及恢复图像集合进行合并，得到目标图像集合；提取单元，被配置成提取目标图像集合中的图像的特征；第二计算单元，被配置成计算目标图像集合中的图像的特征之间的距离；第三计算单元，被配置成基于距离计算初始识别模型的二元组损失函数。

在本实施例的一些可选的实现方式中，组合模块包括：连接子模块，被配置成将训练完成的超分辨模型中损失函数之前部分的输出端连接至识别模型的输入端。

进一步参考图8，作为对上述各图所示方法的实现，本公开提供了一种图像识别装置的一个实施例，该装置实施例与图6所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图8所示，本实施例的图像识别装置800包括：第二获取模块801和输出模块802。其中，第二获取模块801，被配置成获取待识别图像；输出模块802，被配置成将待识别图像输入至图像识别模型中，输出待识别图像对应的识别结果。

在本实施例中，图像识别装置800中：第二获取模块801和输出模块802的具体处理及其所带来的技术效果可分别参考图6对应实施例中的步骤601-602的相关说明，在此不再赘述。

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9示出了可以用来实施本公开的实施例的示例电子设备900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9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理，例如图像识别模型的构建方法或图像识别方法。例如，在一些实施例中，图像识别模型的构建方法或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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的图像识别模型的构建方法或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901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模型的构建方法或图像识别方法。

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)、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，本发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。