CN109829520B - 图像处理方法和装置 - Google Patents
图像处理方法和装置 Download PDFInfo
- Publication number
- CN109829520B CN109829520B CN201910109938.XA CN201910109938A CN109829520B CN 109829520 B CN109829520 B CN 109829520B CN 201910109938 A CN201910109938 A CN 201910109938A CN 109829520 B CN109829520 B CN 109829520B
- Authority
- CN
- China
- Prior art keywords
- network
- image
- convolutional layer
- feature image
- generating
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请实施例公开了图像处理方法和装置。该方法的一具体实施方式包括:将目标图像的初始特征图像输入该第一网络的用于生成特征图像的卷积层;将该初始特征图像输入该第二网络的用于生成特征图像的卷积层,将该第一网络的其中一个用于生成特征图像的卷积层的结果输入第二网络的目标卷积层;利用基于该第一网络的输出所确定的损失值,以及基于该第二网络的输出所确定的损失值,训练该多任务学习模型。本申请的实施例提供的模型中的图像分割网络和关键点检测网络,不仅可以利用本网络卷积得到的特征,还可以利用另一条支路网络所得到的特征。这样,可以对不同网络中的特征进行融合,以得到目标图像的更加丰富的特征,避免遗漏部分特征。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及图像处理方法和装置。
背景技术
多任务神经网络可以包括多个分支,以对图像进行多种处理。举例来说,可以对人体图像或者人脸图像进行多种操作。比如,操作可以是分割图像或者检测关键点等等。
用于分割图像的网络与用于检测关键点的网络采用不同的监督方法,所提取的特征也各有侧重。
发明内容
本申请实施例提出了图像处理方法和装置。
第一方面,本申请实施例提供了一种图像处理方法,包括:应用于多任务学习模型,多任务学习模型包括第一网络和第二网络,第一网络和第二网络包括至少一个级联的、用于生成特征图像的卷积层,方法包括:将目标图像的初始特征图像输入第一网络的用于生成特征图像的卷积层,其中,第一网络为图像分割网络或关键点检测网络;将初始特征图像输入第二网络的用于生成特征图像的卷积层,将第一网络的其中一个用于生成特征图像的卷积层的结果输入第二网络的目标卷积层,其中,第二网络为图像分割网络或关键点检测网络中的另一个,第二网络的目标卷积层为第二网络任意一个用于生成特征图像的卷积层;利用基于第一网络的输出所确定的损失值,以及基于第二网络的输出所确定的损失值,训练多任务学习模型。
在一些实施例中,方法还包括:基于第二网络的目标卷积层的结果,确定第二网络的其中一个用于生成特征图像的卷积层的结果,将第二网络的其中一个用于生成特征图像的卷积层的结果输入第一网络的目标卷积层,其中,第一网络的目标卷积层为第一网络的其中一个用于生成特征图像的卷积层之后的卷积层。
在一些实施例中,利用基于第一网络的输出所确定的损失值,以及基于第二网络的输出所确定的损失值,训练多任务学习模型,包括:确定第一网络的输出所确定的损失值,与第二网络的输出所确定的损失值的和;利用和,在多任务学习模型中进行反向传播,以训练多任务学习模型。
在一些实施例中,将初始特征图像输入第二网络的用于生成特征图像的卷积层,将第一网络的其中一个用于生成特征图像的卷积层的结果输入第二网络的目标卷积层,包括:将初始特征图像与第一网络的其中一个用于生成特征图像的卷积层的结果相融合,得到融合后特征图像;将融合后特征图像输入第二网络的首个卷积层。
在一些实施例中,将第一网络的其中一个用于生成特征图像的卷积层的结果输入第二网络的目标卷积层,包括:将第二网络的目标卷积层的上一个卷积层的结果,与第一网络的其中一个用于生成特征图像的卷积层的结果相融合,得到第一融合后特征图像;将第一融合后特征图像输入第二网络的目标卷积层。
在一些实施例中,将第二网络的其中一个用于生成特征图像的卷积层的结果输入第一网络的目标卷积层,包括:将第一网络的目标卷积层的上一个卷积层的结果,与第二网络的其中一个用于生成特征图像的卷积层的结果相融合,得到第二融合后特征图像;将第二融合后特征图像输入第一网络的目标卷积层。
在一些实施例中,第一网络的目标卷积层为第一网络的其中一个用于生成特征图像的卷积层或其中一个用于输出结果的卷积层,用于输出结果的卷积层为图像分割网络的基于特征图像分割出区域的卷积层,或关键点检测网络的基于特征图像检测到关键点的位置的卷积层。
第二方面,本申请实施例提供了一种图像处理装置,包括:应用于多任务学习模型,多任务学习模型包括第一网络和第二网络,第一网络和第二网络包括至少一个级联的、用于生成特征图像的卷积层,装置包括:第一输入单元,被配置成将目标图像的初始特征图像输入第一网络的用于生成特征图像的卷积层,其中,第一网络为图像分割网络或关键点检测网络;第二输入单元,被配置成将初始特征图像输入第二网络的用于生成特征图像的卷积层,将第一网络的其中一个用于生成特征图像的卷积层的结果输入第二网络的目标卷积层,其中,第二网络为图像分割网络或关键点检测网络中的另一个,第二网络的目标卷积层为第二网络任意一个用于生成特征图像的卷积层;训练单元,被配置成利用基于第一网络的输出所确定的损失值,以及基于第二网络的输出所确定的损失值,训练多任务学习模型。
在一些实施例中,装置还包括:确定单元,被配置成基于第二网络的目标卷积层的结果,确定第二网络的其中一个用于生成特征图像的卷积层的结果;第三输入单元,被配置成将第二网络的其中一个用于生成特征图像的卷积层的结果输入第一网络的目标卷积层,其中,第一网络的目标卷积层为第一网络的其中一个用于生成特征图像的卷积层之后的卷积层。
在一些实施例中,训练单元进一步被配置成:确定第一网络的输出所确定的损失值,与第二网络的输出所确定的损失值的和;利用和,在多任务学习模型中进行反向传播,以训练多任务学习模型。
在一些实施例中,第二输入单元进一步被配置成:将初始特征图像与第一网络的其中一个用于生成特征图像的卷积层的结果相融合,得到融合后特征图像;将融合后特征图像输入第二网络的首个卷积层。
在一些实施例中,第二输入单元进一步被配置成:将第二网络的目标卷积层的上一个卷积层的结果,与第一网络的其中一个用于生成特征图像的卷积层的结果相融合,得到第一融合后特征图像;将第一融合后特征图像输入第二网络的目标卷积层。
在一些实施例中,第三输入单元,包括:将第一网络的目标卷积层的上一个卷积层的结果,与第二网络的其中一个用于生成特征图像的卷积层的结果相融合,得到第二融合后特征图像;将第二融合后特征图像输入第一网络的目标卷积层。
在一些实施例中,第一网络的目标卷积层为第一网络的其中一个用于生成特征图像的卷积层或其中一个用于输出结果的卷积层,用于输出结果的卷积层为图像分割网络的基于特征图像分割出区域的卷积层,或关键点检测网络的基于特征图像检测到关键点的位置的卷积层。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如图像处理方法中任一实施例的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如图像处理方法中任一实施例的方法。
本申请实施例提供的图像处理方案,首先,将目标图像的特征图像输入第一网络的用于生成特征图像的卷积层,其中,第一网络为图像分割网络或关键点检测网络。之后,将特征图像输入第二网络的用于生成特征图像的卷积层,将第一网络的其中一个用于生成特征图像的卷积层的结果输入第二网络的目标卷积层,其中,第二网络为图像分割网络或关键点检测网络中的另一个,第二网络的目标卷积层为第二网络任意一个用于生成特征图像的卷积层。最后,利用基于第一网络的输出所确定的损失值,以及基于第二网络的输出所确定的损失值,训练多任务学习模型。本申请的实施例提供的模型中的图像分割网络和关键点检测网络,不仅可以利用本网络卷积得到的特征,还可以利用另一条支路网络所得到的特征。这样,可以对不同网络中的特征进行融合,以得到目标图像的更加丰富的特征,避免遗漏部分特征。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的图像处理方法的一个实施例的流程图;
图3是根据本申请的图像处理方法的一个应用场景的示意图;
图4是根据本申请的图像处理方法的又一个实施例的流程图;
图5是根据本申请的图像处理装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请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申请。
图1示出了可以应用本申请的图像处理方法或图像处理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,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如图像处理应用、视频类应用、直播应用、即时通信工具、邮箱客户端、社交平台软件等。
这里的终端设备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,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、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,可以安装在上述所列举的电子设备中。其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的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可以是提供各种服务的服务器,例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对接收到的图像等数据进行分析等处理,并将处理结果(例如训练后的图像分割网络和/或关键点检测网络)反馈给终端设备。
需要说明的是,本申请实施例所提供的图像处理方法可以由服务器105或者终端设备101、102、103执行,相应地,图像处理装置可以设置于服务器105或者终端设备101、102、103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,示出了根据本申请的图像处理方法的一个实施例的流程200。该图像处理方法应用于多任务学习模型,上述多任务学习(Multi-Task Learning,MTL)模型包括第一网络和第二网络,第一网络和第二网络包括至少一个级联的、用于生成特征图像的卷积层,该方法包括以下步骤:
步骤201,将目标图像的初始特征图像输入第一网络的用于生成特征图像的卷积层,其中,第一网络为图像分割网络或关键点检测网络。
在本实施例中,图像处理方法的执行主体(例如图1所示的服务器或终端设备)可以将目标图像的初始的特征图像(Feature Map)输入第一网络。初始特征图像指有待于进一步根据不同的监督方法来提取特征的特征图像。具体地,所输入的位置为用于生成特征图像的卷积层,一般为第一网络的级联卷积层的首个卷积层。用于生成特征图像的卷积层指该卷积层的输出为特征图像。上述执行主体将目标图像的特征图像,输入该卷积层中进一步提取特征。因为卷积层位于图像分割网络或者关键点检测网络中的其中一个,所以,所提取的特征针对图像分割或者关键点检测。图像分割网络可以对图像进行区域划分,(人体中)不同的区域以不同的分类标识来表示。关键点检测则可以检测人体的关键点,比如左手、头发,或者检测人脸的关键点,比如右眼角、鼻尖。
多任务学习模型为一种深度神经网络,第一网络和第二网络为其中的两个支路,用于执行多个任务。本申请中的多任务学习模型可以至少完成两项任务:图像分割以及关键点检测。在实践中,可以通过多任务学习模型中的卷积层或其他卷积层,来确定目标图像的初始特征图像。将目标图像输入多任务学习模型,可以通过至少一层卷积得到初始特征图像。在确定初始特征图像的卷积层位于多任务学习模型的情况下,确定初始特征图像的卷积层的位置先于第一网络和第二网络,也即,位于第一网络和第二网络的左侧。
步骤202,将初始特征图像输入第二网络的用于生成特征图像的卷积层,将第一网络的其中一个用于生成特征图像的卷积层的结果输入第二网络的目标卷积层,其中,第二网络为图像分割网络或关键点检测网络中的另一个,第二网络的目标卷积层为第二网络任意一个用于生成特征图像的卷积层。
在本实施例中,上述执行主体可以将目标图像的初始特征图像输入第二网络。具体地,所输入的位置为第二网络的用于生成特征图像的卷积层,一般为第二网络的首个卷积层。此外,为了将图像分割网络得到的特征,与关键点检测网络得到的特征融合到第二网络中,可以将第一网络的其中一个卷积层卷积得到的特征图像,输入第二网络的目标卷积层中。这里的目标卷积层可以是初始特征图像所输入的卷积层,也可以是在后进行卷积过程的其他用于生成特征图像的卷积层。
在实践中,可以基于初始特征图像在第一网络所输入的卷积层的结果,来确定上述第一网络的其中一个用于生成特征图像的卷积层的结果。上述的第一网络的其中一个用于生成特征图像的卷积层,是第一网络的级联卷积层中的一个。该卷积层可以是第一网络的首个卷积层,也可以是级联卷积层中在首个卷积层之后的任意一个卷积层。相应地,可以将初始特征图像在第一网络所输入的卷积层的结果确定为第一网络的其中一个用于生成特征图像的卷积层的结果。也可以将初始特征图像在第一网络所输入的卷积层的结果输入第一网络在后的卷积层,经过各个卷积层的卷积,最终得到第一网络的其中一个用于生成特征图像的卷积层的结果。
在本实施例的一些可选的实现方式中,步骤202中的“将第一网络的其中一个用于生成特征图像的卷积层的结果输入第二网络的目标卷积层”包括:
将第二网络的目标卷积层的上一个卷积层的结果,与第一网络的其中一个用于生成特征图像的卷积层的结果相融合,得到第一融合后特征图像;将第一融合后特征图像输入第二网络的目标卷积层。
在这些可选的实现方式中,初始特征图像所输入的第二网络的卷积层可以是第二网络的首个卷积层。经过首个卷积层以及后续的至少一个卷积层的卷积过程,可以得到第二网络的目标卷积层的上一个卷积层的结果。其中的至少一个卷积层的最后一个卷积层为第二网络的目标卷积层的上一个卷积层。上述执行主体可以将该上一个卷积层的结果和第一网络的其中一个卷积层的结果相融合。这里的其中一个卷积层为用于生成特征图像的卷积层。
在实践中,可以采用拼接或者加和的方式,对特征图像进行融合。拼接为对两个(或多个)特征图像的矩阵按序排列,组合成一个矩阵,所组成的矩阵中的元素不发生改变,其通道数为相拼接的矩阵的通道数之和。加和为对特征图像所对应的矩阵进行加法运算。
这些实现方式可以在输入第二网络的目标卷积层之前,先对第一网络的特征与第二网络的特征进行充分地融合,将融合后的特征输入第二网络的卷积层,让第二网络的卷积层能够充分利用第一网络所提取的特征。
在本实施例的一些可选的实现方式中,步骤202中的“将初始特征图像输入第二网络的用于生成特征图像的卷积层,将第一网络的其中一个用于生成特征图像的卷积层的结果输入第二网络的目标卷积层”,包括:
将初始特征图像与第一网络的其中一个用于生成特征图像的卷积层的结果相融合,得到融合后特征图像;将融合后特征图像输入第二网络的首个卷积层。
在这些可选的实现方式中,上述执行主体可以将目标图像的初始特征图像和第一网络的其中一个卷积层的结果进行融合,并将融合后特征图像输入第二网络的首个卷积层。这里的其中一个卷积层为用于生成特征图像的卷积层。这里的第二网络的目标卷积层可以是第二网络的首个卷积层,可以用于生成特征图像。
这些实现方式可以将融合后的特征输入第二网络的首个卷积层,让第二网络的各个卷积层都能够充分利用第一网络所提取的特征。
步骤203,利用基于第一网络的输出所确定的损失值,以及基于第二网络的输出所确定的损失值,训练多任务学习模型。
在本实施例中,上述执行主体可以基于第一网络的输出确定损失值,基于第二网络的输出确定损失值,并利用上述两个损失值训练多任务学习模型。具体地,上述执行主体可以采用各种方式来训练多任务学习模型。比如,上述执行主体可以确定上述两个损失值的平均值,并利用该平均值进行反向传播以训练模型。上述执行主体还可以取第一网络的输出所对应的损失值的一半,并与第二网络的输出所对应的损失值进行加和,之后利用得到的和进行反向传播以训练模型。
在实践中,上述执行主体可以将上述网络的输出与标注输入预设的损失函数,以得到损失值。第一网络的标注和第二网络的标注皆为对目标图像的标注。如果第一网络和第二网络中的任一网络为图像分割网络,则该网络的输出对应的标注为图像中的各个区域的分类信息,这里的区域划分可以精确到像素点。如果第一网络和第二网络中的任一网络为关键点检测网络,则该网络的输出所对应的标注为图像中各个关键点的坐标。第一网络的输出所对应的标注为上述分类信息或关键点的坐标,第二网络所对应的标注则为上述分类信息和关键点的坐标中的另一个。
在本实施例的一些可选的实现方式中,步骤203包括:
确定第一网络的输出所确定的损失值,与第二网络的输出所确定的损失值的和;利用和,在多任务学习模型中进行反向传播,以训练多任务学习模型。
在这些可选的实现方式中,上述执行主体可以确定两个网络的输出所分别对应的损失值之和,并利用损失值之和进行反向传播,来训练多任务学习模型。
这些实现方式可以均衡地采用模型中的两个网络的数据,训练得到更加准确的多任务学习模型。
继续参见图3,图3是根据本实施例的图像处理方法的应用场景的一个示意图。在图3的应用场景中,执行主体301可以将目标图像的初始特征图像302输入第一网络的用于生成特征图像的卷积层303,其中,第一网络为图像分割网络或关键点检测网络。执行主体301将特征图像302输入第二网络的用于生成特征图像的卷积层304,将第一网络的其中一个用于生成特征图像的卷积层的结果输入第二网络的目标卷积层305,其中,第二网络为图像分割网络或关键点检测网络中的另一个,第二网络的目标卷积层为第二网络任意一个用于生成特征图像的卷积层。执行主体301利用基于第一网络的输出所确定的损失值306,以及基于第二网络的输出所确定的损失值307,训练多任务学习模型308。
本申请的上述实施例提供的模型中的图像分割网络和关键点检测网络,不仅可以利用本网络卷积得到的特征,还可以利用另一条支路网络所得到的特征。这样,可以对不同网络中的特征进行融合,以得到目标图像的更加丰富的特征,避免遗漏部分特征。
进一步参考图4,其示出了图像处理方法的又一个实施例的流程400。该图像处理方法应用于多任务学习模型,上述多任务学习模型包括第一网络和第二网络,第一网络和第二网络包括至少一个级联的、用于生成特征图像的卷积层,该图像处理方法的流程400,包括以下步骤:
步骤401,将目标图像的初始特征图像输入第一网络的用于生成特征图像的卷积层,其中,第一网络为图像分割网络或关键点检测网络。
在本实施例中,图像处理方法的执行主体(例如图1所示的服务器或终端设备)可以将目标图像的初始特征图像输入第一网络。具体地,所输入的位置为用于生成特征图像的卷积层,一般为网络的首个卷积层。用于生成特征图像的卷积层指该卷积层的输出为特征图像。上述执行主体将目标图像的特征图像,输入该卷积层中进一步提取特征。因为卷积层位于图像分割网络或者关键点检测网络中的其中一个,所以,所提取的特征针对图像分割或者关键点检测的其中一个。
步骤402,将初始特征图像输入第二网络的用于生成特征图像的卷积层,将第一网络的其中一个用于生成特征图像的卷积层的结果输入第二网络的目标卷积层,其中,第二网络为图像分割网络或关键点检测网络中的另一个,第二网络的目标卷积层为第二网络任意一个用于生成特征图像的卷积层。
在本实施例中,上述执行主体可以将目标图像的初始特征图像输入第二网络。具体地,所输入的位置为第二网络的用于生成特征图像的卷积层,一般为网络的首个卷积层。此外,为了将图像分割网络得到的特征,与关键点检测网络得到的特征相融合,可以将第一网络的其中一个卷积层卷积得到的特征图像,输入第二网络的目标卷积层中。
步骤403,基于第二网络的目标卷积层的结果,确定第二网络的其中一个用于生成特征图像的卷积层的结果,将第二网络的其中一个卷积层的结果输入第一网络的目标卷积层,其中,第一网络的目标卷积层为第一网络的其中一个卷积层之后的卷积层。
在本实施例中,上述执行主体可以基于第二网络的目标卷积层的结果,确定第二网络的其中一个用于生成特征图像的卷积层的结果。之后,可以将上述第二网络的其中一个用于生成特征图像的卷积层的结果输入第一网络的目标卷积层。具体地,第二网络的其中一个用于生成特征图像的卷积层可以是第二网络的目标卷积层,也可以是第二网络的目标卷积层之后(在后进行卷积过程)的其他用于生成特征图像的卷积层。相应地,可以将第二网络的目标卷积层的结果确定为第二网络的其中一个用于生成特征图像的卷积层的结果,也可以将第二网络的目标卷积层的结果输入在后的卷积层,经过各个卷积层的卷积,最终得到第二网络的其中一个用于生成特征图像的卷积层的结果。
在本实施例的一些可选的实现方式中,第一网络的目标卷积层为第一网络的其中一个用于生成特征图像的卷积层或其中一个用于输出结果的卷积层,用于输出结果的卷积层为图像分割网络的基于特征图像分割出区域的卷积层,或关键点检测网络的基于特征图像检测到关键点的位置的卷积层。
在这些可选的实现方式中,因为第二网络的其中一个卷积层的结果,在第一网络所输入的位置可以是不同的,所以,第一网络的目标卷积层可以是输出特征图像的卷积层,也可以是输出结果的卷积层。
这些实现方式可以不拘于融合其他支路的特征的位置,可以使生成特征图像的卷积层或输出结果的卷积层都有机会获取到融合后的特征,进而采用各种各样的方式获取到全面而丰富的特征。
在本实施例的一些可选的实现方式中,步骤403中的“将第二网络的其中一个卷积层的结果输入第一网络的目标卷积层”,包括:
将第一网络的目标卷积层的上一个卷积层的结果,与第二网络的其中一个卷积层的结果相融合,得到第二融合后特征图像;将第二融合后特征图像输入第一网络的目标卷积层。
在这些可选的实现方式中,在确定第一网络的目标卷积层的上一个卷积层的结果之后,上述执行主体可以将该上一个卷积层的结果和第二网络的其中一个卷积层的结果相融合。这里的其中一个卷积层为用于生成特征图像的卷积层。
这些实现方式可以在输入第一网络的目标卷积层之前对第一网络的特征与第二网络的特征,先进行充分地融合,以使第一网络能够更好地提取特征。
步骤405,利用基于第一网络的输出所确定的损失值,以及基于第二网络的输出所确定的损失值,训练多任务学习模型。
在本实施例中,上述执行主体可以基于第一网络的输出确定损失值,基于第二网络的输出确定损失值,并利用上述两个损失值训练多任务学习模型。具体地,上述执行主体可以采用各种方式来训练多任务学习模型。
本实施例可以对图像分割网络和关键点检测网络所提取的特征进行相互地融合,这样,任一个网络所提取的特征中,都融合另一个网络的特征,使这两个网络所得到的特征都全面而丰富,以更好地训练多任务学习模型。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种图像处理装置的一个实施例,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5所示,本实施例的图像处理装置500包括:第一输入单元501、第二输入单元502和训练单元503。其中,第一输入单元501,被配置成将目标图像的初始特征图像输入第一网络的用于生成特征图像的卷积层,其中,第一网络为图像分割网络或关键点检测网络;第二输入单元502,被配置成将初始特征图像输入第二网络的用于生成特征图像的卷积层,将第一网络的其中一个用于生成特征图像的卷积层的结果输入第二网络的目标卷积层,其中,第二网络为图像分割网络或关键点检测网络中的另一个,第二网络的目标卷积层为第二网络任意一个用于生成特征图像的卷积层;训练单元503,被配置成利用基于第一网络的输出所确定的损失值,以及基于第二网络的输出所确定的损失值,训练多任务学习模型。
在一些实施例中,第一输入单元501可以将目标图像的初始的特征图像输入第一网络。初始特征图像指有待于进一步根据不同的监督方法来提取特征的特征图像。具体地,所输入的位置为用于生成特征图像的卷积层,一般为第一网络的级联卷积层的首个卷积层。用于生成特征图像的卷积层指该卷积层的输出为特征图像。上述执行主体将目标图像的特征图像,输入该卷积层中进一步提取特征。因为卷积层位于图像分割网络或者关键点检测网络中的其中一个,所以,所提取的特征针对图像分割或者关键点检测。图像分割网络可以对图像进行区域划分,不同的区域以不同的分类标识来表示。
在一些实施例中,第二输入单元502可以将目标图像的初始特征图像输入第二网络。具体地,所输入的位置为第二网络的用于生成特征图像的卷积层,一般为第二网络的首个卷积层。此外,为了将图像分割网络得到的特征,与关键点检测网络得到的特征融合到第二网络中,可以将第一网络的其中一个卷积层卷积得到的特征图像,输入第二网络的目标卷积层中。这里的目标卷积层可以是初始特征图像所输入的卷积层,也可以是在后进行卷积过程的其他用于生成特征图像的卷积层。
在一些实施例中,训练单元503可以基于第一网络的输出确定损失值,基于第二网络的输出确定损失值,并利用上述两个损失值训练多任务学习模型。具体地,上述执行主体可以采用各种方式来训练多任务学习模型。比如,上述执行主体可以确定上述两个损失值的平均值,并利用该平均值进行反向传播以训练模型。上述执行主体还可以取第一网络的输出所对应的损失值的一半,并与第二网络的输出所对应的损失值进行加和,之后利用得到的和进行反向传播以训练模型。
在本实施例的一些可选的实现方式中,装置还包括:确定单元,被配置成基于第二网络的目标卷积层的结果,确定第二网络的其中一个用于生成特征图像的卷积层的结果;第三输入单元,被配置成将第二网络的其中一个用于生成特征图像的卷积层的结果输入第一网络的目标卷积层,其中,第一网络的目标卷积层为第一网络的其中一个用于生成特征图像的卷积层之后的卷积层。
在本实施例的一些可选的实现方式中,训练单元进一步被配置成:确定第一网络的输出所确定的损失值,与第二网络的输出所确定的损失值的和;利用和,在多任务学习模型中进行反向传播,以训练多任务学习模型。
在本实施例的一些可选的实现方式中,第二输入单元进一步被配置成:将初始特征图像与第一网络的其中一个用于生成特征图像的卷积层的结果相融合,得到融合后特征图像;将融合后特征图像输入第二网络的首个卷积层。
在本实施例的一些可选的实现方式中,第二输入单元进一步被配置成:将第二网络的目标卷积层的上一个卷积层的结果,与第一网络的其中一个用于生成特征图像的卷积层的结果相融合,得到第一融合后特征图像;将第一融合后特征图像输入第二网络的目标卷积层。
在本实施例的一些可选的实现方式中,第三输入单元,包括:将第一网络的目标卷积层的上一个卷积层的结果,与第二网络的其中一个用于生成特征图像的卷积层的结果相融合,得到第二融合后特征图像;将第二融合后特征图像输入第一网络的目标卷积层。
在本实施例的一些可选的实现方式中,第一网络的目标卷积层为第一网络的其中一个用于生成特征图像的卷积层或其中一个用于输出结果的卷积层,用于输出结果的卷积层为图像分割网络的基于特征图像分割出区域的卷积层,或关键点检测网络的基于特征图像检测到关键点的位置的卷积层。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括处理器601,其可以根据存储在只读存储器(ROM,Read Only Memory)602中的程序或者从存储部分608加载到随机访问存储器(RAM,RandomAccess Memory)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。处理器601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O,Input/Output)接口605也连接至总线604。
以下部件连接至I/O接口605:包括硬盘等的存储部分606;以及包括诸如LAN(局域网,Local Area Network)卡、调制解调器等的网络接口卡的通信部分607。通信部分607经由诸如因特网的网络执行通信处理。驱动器608也根据需要连接至I/O接口605。可拆卸介质609,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器608上,以便于从其上读出的计算机程序根据需要被安装入存储部分606。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分607从网络上被下载和安装,和/或从可拆卸介质609被安装。在该计算机程序被处理器601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一输入单元、第二输入单元和训练单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一输入单元还可以被描述为“将目标图像的初始特征图像输入第一网络的用于生成特征图像的卷积层的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:将目标图像的初始特征图像输入第一网络的用于生成特征图像的卷积层,其中,第一网络为图像分割网络或关键点检测网络;将初始特征图像输入第二网络的用于生成特征图像的卷积层,将第一网络的其中一个用于生成特征图像的卷积层的结果输入第二网络的目标卷积层,其中,第二网络为图像分割网络或关键点检测网络中的另一个,第二网络的目标卷积层为第二网络任意一个用于生成特征图像的卷积层;利用基于第一网络的输出所确定的损失值,以及基于第二网络的输出所确定的损失值,训练多任务学习模型。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种图像处理方法,应用于多任务学习模型,所述多任务学习模型包括第一网络和第二网络,所述第一网络和所述第二网络包括至少一个级联的、用于生成特征图像的卷积层,所述方法包括:
将目标图像的初始特征图像输入所述第一网络的用于生成特征图像的卷积层,其中,所述第一网络为图像分割网络或关键点检测网络;
将所述初始特征图像输入所述第二网络的用于生成特征图像的卷积层,将所述第一网络的其中一个用于生成特征图像的卷积层的结果输入第二网络的目标卷积层,其中,所述第二网络为所述图像分割网络或关键点检测网络中的另一个,所述第二网络的目标卷积层为第二网络任意一个用于生成特征图像的卷积层;
利用基于所述第一网络的输出所确定的损失值,以及基于所述第二网络的输出所确定的损失值,训练所述多任务学习模型;
其中,所述将所述初始特征图像输入所述第二网络的用于生成特征图像的卷积层,将所述第一网络的其中一个用于生成特征图像的卷积层的结果输入第二网络的目标卷积层,包括:将所述初始特征图像与所述第一网络的其中一个用于生成特征图像的卷积层的结果相融合,得到融合后特征图像;将所述融合后特征图像输入所述第二网络的首个卷积层;
所述方法还包括:基于所述第二网络的目标卷积层的结果,确定第二网络的其中一个用于生成特征图像的卷积层的结果,将所述第二网络的其中一个用于生成特征图像的卷积层的结果输入所述第一网络的目标卷积层,其中,所述第一网络的目标卷积层为所述第一网络的其中一个用于生成特征图像的卷积层之后的卷积层。
2.根据权利要求1所述的方法,其中,所述利用基于所述第一网络的输出所确定的损失值,以及基于所述第二网络的输出所确定的损失值,训练所述多任务学习模型,包括:
确定所述第一网络的输出所确定的损失值,与所述第二网络的输出所确定的损失值的和;
利用所述和,在所述多任务学习模型中进行反向传播,以训练所述多任务学习模型。
3.根据权利要求1所述的方法,其中,所述将所述第一网络的其中一个用于生成特征图像的卷积层的结果输入第二网络的目标卷积层,包括:
将所述第二网络的目标卷积层的上一个卷积层的结果,与所述第一网络的其中一个用于生成特征图像的卷积层的结果相融合,得到第一融合后特征图像;
将所述第一融合后特征图像输入所述第二网络的目标卷积层。
4.根据权利要求1所述的方法,其中,所述将所述第二网络的其中一个用于生成特征图像的卷积层的结果输入所述第一网络的目标卷积层,包括:
将所述第一网络的目标卷积层的上一个卷积层的结果,与所述第二网络的其中一个用于生成特征图像的卷积层的结果相融合,得到第二融合后特征图像;
将所述第二融合后特征图像输入所述第一网络的目标卷积层。
5.根据权利要求1所述的方法,其中,所述第一网络的目标卷积层为所述第一网络的其中一个用于生成特征图像的卷积层或其中一个用于输出结果的卷积层,所述用于输出结果的卷积层为图像分割网络的基于特征图像分割出区域的卷积层,或关键点检测网络的基于特征图像检测到关键点的位置的卷积层。
6.一种图像处理装置,应用于多任务学习模型,所述多任务学习模型包括第一网络和第二网络,所述第一网络和所述第二网络包括至少一个级联的、用于生成特征图像的卷积层,所述装置包括:
第一输入单元,被配置成将目标图像的初始特征图像输入所述第一网络的用于生成特征图像的卷积层,其中,所述第一网络为图像分割网络或关键点检测网络;
第二输入单元,被配置成将所述初始特征图像输入所述第二网络的用于生成特征图像的卷积层,将所述第一网络的其中一个用于生成特征图像的卷积层的结果输入第二网络的目标卷积层,其中,所述第二网络为所述图像分割网络或关键点检测网络中的另一个,所述第二网络的目标卷积层为第二网络任意一个用于生成特征图像的卷积层;
训练单元,被配置成利用基于所述第一网络的输出所确定的损失值,以及基于所述第二网络的输出所确定的损失值,训练所述多任务学习模型;
其中,所述第二输入单元被配置成:将所述初始特征图像与所述第一网络的其中一个用于生成特征图像的卷积层的结果相融合,得到融合后特征图像;将所述融合后特征图像输入所述第二网络的首个卷积层;
所述装置还包括:
确定单元,被配置成基于所述第二网络的目标卷积层的结果,确定第二网络的其中一个用于生成特征图像的卷积层的结果;
第三输入单元,被配置成将所述第二网络的其中一个用于生成特征图像的卷积层的结果输入所述第一网络的目标卷积层,其中,所述第一网络的目标卷积层为所述第一网络的其中一个用于生成特征图像的卷积层之后的卷积层。
7.根据权利要求6所述的装置,其中,所述训练单元进一步被配置成:
确定所述第一网络的输出所确定的损失值,与所述第二网络的输出所确定的损失值的和;
利用所述和,在所述多任务学习模型中进行反向传播,以训练所述多任务学习模型。
8.根据权利要求6所述的装置,其中,所述第二输入单元进一步被配置成:
将所述第二网络的目标卷积层的上一个卷积层的结果,与所述第一网络的其中一个用于生成特征图像的卷积层的结果相融合,得到第一融合后特征图像;
将所述第一融合后特征图像输入所述第二网络的目标卷积层。
9.根据权利要求6所述的装置,其中,所述第三输入单元,包括:
将所述第一网络的目标卷积层的上一个卷积层的结果,与所述第二网络的其中一个用于生成特征图像的卷积层的结果相融合,得到第二融合后特征图像;
将所述第二融合后特征图像输入所述第一网络的目标卷积层。
10.根据权利要求6所述的装置,其中,所述第一网络的目标卷积层为所述第一网络的其中一个用于生成特征图像的卷积层或其中一个用于输出结果的卷积层,所述用于输出结果的卷积层为图像分割网络的基于特征图像分割出区域的卷积层,或关键点检测网络的基于特征图像检测到关键点的位置的卷积层。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910109938.XA CN109829520B (zh) | 2019-01-31 | 2019-01-31 | 图像处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910109938.XA CN109829520B (zh) | 2019-01-31 | 2019-01-31 | 图像处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829520A CN109829520A (zh) | 2019-05-31 |
CN109829520B true CN109829520B (zh) | 2021-12-21 |
Family
ID=66863396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910109938.XA Active CN109829520B (zh) | 2019-01-31 | 2019-01-31 | 图像处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829520B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415258B (zh) * | 2019-07-29 | 2022-04-29 | 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 |
CN113139546A (zh) * | 2020-01-19 | 2021-07-20 | 北京达佳互联信息技术有限公司 | 图像分割模型的训练方法、图像分割的方法和装置 |
CN112101477A (zh) * | 2020-09-23 | 2020-12-18 | 创新奇智(西安)科技有限公司 | 目标检测方法及装置、电子设备、存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304765A (zh) * | 2017-12-11 | 2018-07-20 | 中国科学院自动化研究所 | 用于人脸关键点定位与语义分割的多任务检测装置 |
CN109166100A (zh) * | 2018-07-24 | 2019-01-08 | 中南大学 | 基于卷积神经网络的多任务学习细胞计数方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815566B (zh) * | 2016-12-29 | 2021-04-16 | 天津中科智能识别产业技术研究院有限公司 | 一种基于多任务卷积神经网络的人脸检索方法 |
CN108229650B (zh) * | 2017-11-15 | 2021-04-09 | 北京市商汤科技开发有限公司 | 卷积处理方法、装置及电子设备 |
CN108564029B (zh) * | 2018-04-12 | 2020-12-01 | 厦门大学 | 基于级联多任务学习深度神经网络的人脸属性识别方法 |
CN109284779A (zh) * | 2018-09-04 | 2019-01-29 | 中国人民解放军陆军工程大学 | 基于深度全卷积网络的物体检测方法 |
-
2019
- 2019-01-31 CN CN201910109938.XA patent/CN109829520B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304765A (zh) * | 2017-12-11 | 2018-07-20 | 中国科学院自动化研究所 | 用于人脸关键点定位与语义分割的多任务检测装置 |
CN109166100A (zh) * | 2018-07-24 | 2019-01-08 | 中南大学 | 基于卷积神经网络的多任务学习细胞计数方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109829520A (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830235B (zh) | 用于生成信息的方法和装置 | |
CN109308681B (zh) | 图像处理方法和装置 | |
CN108960316B (zh) | 用于生成模型的方法和装置 | |
CN109034069B (zh) | 用于生成信息的方法和装置 | |
CN109101919B (zh) | 用于生成信息的方法和装置 | |
CN109829432B (zh) | 用于生成信息的方法和装置 | |
CN109829520B (zh) | 图像处理方法和装置 | |
CN109711508B (zh) | 图像处理方法和装置 | |
CN110516678B (zh) | 图像处理方法和装置 | |
CN109344762B (zh) | 图像处理方法和装置 | |
CN109255767B (zh) | 图像处理方法和装置 | |
CN111523413A (zh) | 生成人脸图像的方法和装置 | |
CN109829164B (zh) | 用于生成文本的方法和装置 | |
CN109117378B (zh) | 用于显示信息的方法和装置 | |
CN108491812B (zh) | 人脸识别模型的生成方法和装置 | |
CN113505848B (zh) | 模型训练方法和装置 | |
CN108882025B (zh) | 视频帧处理方法和装置 | |
CN110070076B (zh) | 用于选取训练用样本的方法和装置 | |
CN108491890B (zh) | 图像方法和装置 | |
CN115801980A (zh) | 视频生成方法和装置 | |
US20230367972A1 (en) | Method and apparatus for processing model data, electronic device, and computer readable medium | |
CN108921138B (zh) | 用于生成信息的方法和装置 | |
CN108921792B (zh) | 用于处理图片的方法和装置 | |
CN109816670B (zh) | 用于生成图像分割模型的方法和装置 | |
CN111260756B (zh) | 用于发送信息的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |