CN109871791A - 图像处理方法和装置 - Google Patents
图像处理方法和装置 Download PDFInfo
- Publication number
- CN109871791A CN109871791A CN201910098146.7A CN201910098146A CN109871791A CN 109871791 A CN109871791 A CN 109871791A CN 201910098146 A CN201910098146 A CN 201910098146A CN 109871791 A CN109871791 A CN 109871791A
- Authority
- CN
- China
- Prior art keywords
- network
- image
- training sample
- training data
- data
- 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
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:若目标训练样本的训练数据不完整,则将所述目标训练样本的训练数据输入第一神经网络,得到所述目标训练样本缺少的训练数据;将所得到的缺少的训练数据输入第二神经网络,得到所述目标训练样本的训练数据的预测数据;基于所述目标训练样本的训练数据,以及所述预测数据,确定所述目标训练样本的训练数据的损失值,利用所述损失值,训练所述第一神经网络和所述第二神经网络中的至少一个。本申请实施例提供的方法能够实现在样本的训练数据不完整的情况下,训练神经网络。进而,充分地利用训练数据不完整的样本,让神经网络利用丰富的样本得到更加全面的训练。
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
在对图片进行场景分类、场景分割、目标识别以及行为识别等计算机视觉任务时,可以采用神经网络进行。
神经网络通常可以采用样本进行训练,且要求样本的数量庞大、种类覆盖全面。这样,才能够训练得到准确的神经网络。
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:若目标训练样本的训练数据不完整,则将目标训练样本的训练数据输入第一神经网络,得到目标训练样本缺少的训练数据,其中,完整的训练数据包括图像以及图像对应的标注信息,第一神经网络为图像处理网络或图像重建网络;将所得到的缺少的训练数据输入第二神经网络,得到目标训练样本的训练数据的预测数据,其中,第二神经网络为图像处理网络和图像重建网络中的另一个;基于目标训练样本的训练数据,以及预测数据,确定目标训练样本的训练数据的损失值,利用损失值,训练第一神经网络和第二神经网络中的至少一个。
在一些实施例中,第一神经网络为图像处理网络,第二神经网络为图像重建网络;若目标训练样本的训练数据不完整,则将目标训练样本的训练数据输入第一神经网络,得到目标训练样本缺少的训练数据,包括:若目标训练样本的训练数据为图像,将目标训练样本的图像输入图像处理网络,得到目标训练样本的图像对应的标注信息。
在一些实施例中,将所得到的缺少的训练数据输入第二神经网络,得到目标训练样本的训练数据的预测数据,包括:将所得到的标注信息输入图像重建网络,得到图像重建网络预测的、所得到的标注信息所标注的图像。
在一些实施例中,第一神经网络为图像重建网络,第二神经网络为图像处理网络;若目标训练样本的训练数据不完整,则将目标训练样本的训练数据输入第一神经网络,得到目标训练样本缺少的训练数据,包括:若目标训练样本的训练数据为标注信息,将目标训练样本的标注信息输入图像重建网络,得到标注信息所标注的图像。
在一些实施例中,将所得到的缺少的训练数据输入第二神经网络,得到目标训练样本的训练数据的预测数据,包括:将所标注的图像输入图像处理网络,得到图像处理网络预测的所标注的图像对应的标注信息。
第二方面,本申请实施例提供了一种图像处理装置,包括:第一输入单元,被配置成若目标训练样本的训练数据不完整,则将目标训练样本的训练数据输入第一神经网络,得到目标训练样本缺少的训练数据,其中,完整的训练数据包括图像以及图像对应的标注信息,第一神经网络为图像处理网络或图像重建网络;第二输入单元,被配置成将所得到的缺少的训练数据输入第二神经网络,得到目标训练样本的训练数据的预测数据,其中,第二神经网络为图像处理网络和图像重建网络中的另一个;训练单元,被配置成基于目标训练样本的训练数据,以及预测数据,确定目标训练样本的训练数据的损失值,利用损失值,训练第一神经网络和第二神经网络中的至少一个。
在一些实施例中,第一神经网络为图像处理网络,第二神经网络为图像重建网络;第一输入单元,进一步被配置成:若目标训练样本的训练数据为图像,将目标训练样本的图像输入图像处理网络,得到目标训练样本的图像对应的标注信息。
在一些实施例中,第二输入单元,进一步被配置成:将所得到的标注信息输入图像重建网络,得到图像重建网络预测的、所得到的标注信息所标注的图像。
在一些实施例中,第一神经网络为图像重建网络,第二神经网络为图像处理网络;第一输入单元,进一步被配置成:若目标训练样本的训练数据为标注信息,将目标训练样本的标注信息输入图像重建网络,得到标注信息所标注的图像。
在一些实施例中,第二输入单元,进一步被配置成:将所标注的图像输入图像处理网络,得到图像处理网络预测的所标注的图像对应的标注信息。
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,若目标训练样本的训练数据不完整,则将目标训练样本的训练数据输入第一神经网络,得到目标训练样本缺少的训练数据,其中,完整的训练数据包括图像以及图像对应的标注信息,第一神经网络为图像处理网络或图像重建网络。之后,将所得到的缺少的训练数据输入第二神经网络,得到目标训练样本的训练数据的预测数据,其中,第二神经网络为图像处理网络和图像重建网络中的另一个。最后,基于目标训练样本的训练数据,以及预测数据,确定目标训练样本的训练数据的损失值,利用损失值,训练第一神经网络和第二神经网络中的至少一个。本申请的上述实施例提供的方法能够实现在样本的训练数据不完整的情况下,训练神经网络。进而,充分地利用训练数据不完整的样本,让神经网络利用丰富的样本得到更加全面的训练。
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(例如训练后的第一神经网络和/或第二神经网络)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,包括以下步骤:
步骤201,若目标训练样本的训练数据不完整,则将目标训练样本的训练数据输入第一神经网络,得到目标训练样本缺少的训练数据,其中,完整的训练数据包括图像以及图像对应的标注信息,第一神经网络为图像处理网络或图像重建网络。
在本实施例中,若目标训练样本的训练数据不完整,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)可以将目标训练样本的训练数据输入第一神经网络,得到目标训练样本缺少的训练数据。在这里,如果训练样本集中存在不完整的训练样本,则该训练样本所缺少的训练数据是图像与标注信息的其中一个。训练样本为训练样本集中的其中一个样本,训练样本包括训练数据。通常,完整的训练数据为成对存在的图像以及标注信息。
本申请中的图像处理网络可以是各种可以输入图像并对图像进行处理的网络,比如可以是用于图像检测的网络,也可以是用于图像分割的网络。图像分割网络可以对图像进行区域划分。例如,可以将人体中不同的区域以不同的分类标识来表示。图像检测网络则可以检测图像中的对象,例如,可以通过检测关键点的坐标或对象边框的大小、位置来确定所检测的对象。关键点例如可以是人体的关键点,比如左手、头发,或者人脸的关键点,比如右眼角、鼻尖。图像重建(image reconstruction)网络可以通过图像的标注信息,来确定标注信息所标注的图像。相应地,标注信息可以是图像中各个区域的分类标识,也可以是关键点的坐标或对象边框的大小、位置。
图像处理网络可以利用图像对标注信息进行预测,以预测到图像的标注信息。图像重建网络则可以利用标注信息对图像进行预测,以预测到标注信息所标注的图像。
在本实施例的一些可选的实现方式中,第一神经网络为图像重建网络,第二神经网络为图像处理网络,步骤201可以包括:
若目标训练样本的训练数据为标注信息,将目标训练样本的标注信息输入图像重建网络,得到标注信息所标注的图像。
在这些可选的实现方式中,若目标训练样本的训练数据为标注信息,上述执行主体可以将训练样本的标注信息输入图像重建网络,以得到图像重建网络输出的、标注信息所标注的图像。
这些实现方式可以在样本仅仅有标注信息的情况下,预测出标注信息所标注的图像,以实现在训练数据不完整的情况下,对不完整的部分进行完善,再使用完善后的训练数据训练神经网络。充分地利用训练数据不完整的样本,让神经网络得到更加全面的训练。
在这些实现方式的一些可选的应用场景中,将所标注的图像输入图像处理网络,得到图像处理网络预测的所标注的图像对应的标注信息。
在这些可选的应用场景中,上述执行主体可以将图像重建网络输出的图像,输入图像处理网络,以得到图像处理网络预测的该图像的标注信息。
这些应用场景能够利用图像重建网络以及图像处理网络,在训练数据中仅仅有标注信息的情况下,对神经网络进行训练。
步骤202,将所得到的缺少的训练数据输入第二神经网络,得到目标训练样本的训练数据的预测数据,其中,第二神经网络为图像处理网络和图像重建网络中的另一个。
在本实施例中,上述执行主体可以将所得到的缺少的训练数据输入第二神经网络,以得到第二神经网络输出的数据。因为第二神经网络可以用于表征图像与标注信息之间的对应关系,所以,可以将该数据作为对目标训练样本的训练数据进行预测所得到的预测数据。
第一神经网络为图像处理网络和图像重建网络的其中一个,第二神经网络则为其中的另一个。
步骤203,基于目标训练样本的训练数据,以及预测数据,确定目标训练样本的训练数据的损失值,利用损失值,训练第一神经网络和第二神经网络中的至少一个。
在本实施例中,上述执行主体在目标训练样本的训练数据为图像时,确定该图像与所预测的图像的损失值,利用该损失值进行训练。上述执行主体在目标训练样本的训练数据为标注信息时,确定该标注信息与所预测的标注信息的损失值,利用该损失值进行训练。
在实践中,可以将训练数据与预测数据输入预设的损失函数,以确定损失值。之后,将损失值在第一神经网络和/或第二神经网络中进行反向传播,以对第一神经网络和/或第二神经网络进行训练。得到训练后的第一神经网络和/或训练后的第二神经网络。
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,可以由图像A经过图像处理网络生成图像A的标注A,再通过图像重建网络生成该标注A所标注的图像A’。此外,还可以由标注B经过图像重建网络生成标注B所标注的图像B,再通过图像处理网络生成图像B的标注B’。
本申请的上述实施例提供的方法能够实现在样本的训练数据不完整的情况下,训练神经网络。进而,充分地利用训练数据不完整的样本,让神经网络利用丰富的样本得到更加全面的训练。
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。与图2所示的实施例不同的是,本实施例中,进一步限定了第一神经网络为图像处理网络,第二神经网络为图像重建网络。该图像处理方法的流程400,包括以下步骤:
步骤401,若目标训练样本的训练数据为图像,将目标训练样本的图像输入图像处理网络,得到目标训练样本的图像对应的标注信息。
在本实施例中,若目标训练样本的训练数据为图像,图像处理方法运行于其上的执行主体(例如图1所示的服务器或终端设备)可以将训练样本的图像输入图像处理网络,以得到图像处理网络输出的标注信息,该标注信息用于标注目标训练样本的图像。
步骤402,将所得到的缺少的训练数据输入第二神经网络,得到目标训练样本的训练数据的预测数据,其中,第二神经网络为图像处理网络和图像重建网络中的另一个。
在本实施例中,上述执行主体可以将所得到的缺少的训练数据输入第二神经网络,以得到第二神经网络输出的数据。因为第二神经网络可以用于表征图像与标注信息之间的对应关系,所以,可以将该数据作为对目标训练样本的训练数据进行预测所得到的预测数据。
在本实施例的一些可选的实现方式中,步骤402可以包括:
将所得到的标注信息输入图像重建网络,得到图像重建网络预测的、所得到的标注信息所标注的图像。
在这些可选的实现方式中,上述执行主体可以将图像处理网络预测到的标注信息输入图像重建网络,以得到图像重建网络输出的标注信息所标注的图像。
步骤403,基于目标训练样本的训练数据,以及预测数据,确定目标训练样本的训练数据的损失值,利用损失值,训练第一神经网络和第二神经网络中的至少一个。
在本实施例中,上述执行主体在目标训练样本的训练数据为图像时,确定该图像与所预测的图像的损失值,利用该损失值进行训练。上述执行主体在目标训练样本的训练数据为标注信息时,确定该标注信息与所预测的标注信息的损失值,利用该损失值进行训练。
本实施例可以在样本仅仅有图像的情况下,预测出图像的标注信息,以实现在训练数据不完整的情况下,能够训练神经网络。进而,充分地利用训练数据不完整的样本,让神经网络利用丰富的样本得到更加全面的训练。
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,被配置成若目标训练样本的训练数据不完整,则将目标训练样本的训练数据输入第一神经网络,得到目标训练样本缺少的训练数据,其中,完整的训练数据包括图像以及图像对应的标注信息,第一神经网络为图像处理网络或图像重建网络;第二输入单元502,被配置成将所得到的缺少的训练数据输入第二神经网络,得到目标训练样本的训练数据的预测数据,其中,第二神经网络为图像处理网络和图像重建网络中的另一个;训练单元503,被配置成基于目标训练样本的训练数据,以及预测数据,确定目标训练样本的训练数据的损失值,利用损失值,训练第一神经网络和第二神经网络中的至少一个。
在一些实施例中,图像处理装置500的第一输入单元501可以将目标训练样本的训练数据输入第一神经网络,得到目标训练样本缺少的训练数据。在这里,如果训练样本集中存在不完整的训练样本,则该训练样本所缺少的训练数据是图像与标注信息的其中一个。
在一些实施例中,第二输入单元502可以将所得到的缺少的训练数据输入第二神经网络,以得到第二神经网络输出的数据。因为第二神经网络可以用于表征图像与标注信息之间的对应关系,所以,可以将该数据作为对目标训练样本的训练数据进行预测所得到的预测数据。
在一些实施例中,训练单元503在目标训练样本的训练数据为图像时,确定该图像与所预测的图像的损失值,利用该损失值进行训练。上述执行主体在目标训练样本的训练数据为标注信息时,确定该标注信息与所预测的标注信息的损失值,利用该损失值进行训练。
在本实施例的一些可选的实现方式中,第一神经网络为图像处理网络,第二神经网络为图像重建网络;第一输入单元,进一步被配置成:若目标训练样本的训练数据为图像,将目标训练样本的图像输入图像处理网络,得到目标训练样本的图像对应的标注信息。
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:将所得到的标注信息输入图像重建网络,得到图像重建网络预测的、所得到的标注信息所标注的图像。
在本实施例的一些可选的实现方式中,第一神经网络为图像重建网络,第二神经网络为图像处理网络;第一输入单元,进一步被配置成:若目标训练样本的训练数据为标注信息,将目标训练样本的标注信息输入图像重建网络,得到标注信息所标注的图像。
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:将所标注的图像输入图像处理网络,得到图像处理网络预测的所标注的图像对应的标注信息。
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,训练单元还可以被描述为“训练第一神经网络和第二神经网络中的至少一个的单元”。
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:若目标训练样本的训练数据不完整,则将目标训练样本的训练数据输入第一神经网络,得到目标训练样本缺少的训练数据,其中,完整的训练数据包括图像以及图像对应的标注信息,第一神经网络为图像处理网络或图像重建网络;将所得到的缺少的训练数据输入第二神经网络,得到目标训练样本的训练数据的预测数据,其中,第二神经网络为图像处理网络和图像重建网络中的另一个;基于目标训练样本的训练数据,以及预测数据,确定目标训练样本的训练数据的损失值,利用损失值,训练第一神经网络和第二神经网络中的至少一个。
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,包括:
若目标训练样本的训练数据不完整,则将所述目标训练样本的训练数据输入第一神经网络,得到所述目标训练样本缺少的训练数据,其中,完整的训练数据包括图像以及图像对应的标注信息,所述第一神经网络为图像处理网络或图像重建网络;
将所得到的缺少的训练数据输入第二神经网络,得到所述目标训练样本的训练数据的预测数据,其中,所述第二神经网络为图像处理网络和图像重建网络中的另一个;
基于所述目标训练样本的训练数据,以及所述预测数据,确定所述目标训练样本的训练数据的损失值,利用所述损失值,训练所述第一神经网络和所述第二神经网络中的至少一个。
2.根据权利要求1所述的方法,其中,所述第一神经网络为图像处理网络,第二神经网络为图像重建网络;
所述若目标训练样本的训练数据不完整,则将所述目标训练样本的训练数据输入第一神经网络,得到所述目标训练样本缺少的训练数据,包括:
若所述目标训练样本的训练数据为图像,将所述目标训练样本的图像输入所述图像处理网络,得到所述目标训练样本的图像对应的标注信息。
3.根据权利要求2所述的方法,其中,所述将所得到的缺少的训练数据输入第二神经网络,得到所述目标训练样本的训练数据的预测数据,包括:
将所得到的标注信息输入所述图像重建网络,得到所述图像重建网络预测的、所得到的标注信息所标注的图像。
4.根据权利要求1所述的方法,其中,所述第一神经网络为图像重建网络,所述第二神经网络为图像处理网络;
所述若目标训练样本的训练数据不完整,则将所述目标训练样本的训练数据输入第一神经网络,得到所述目标训练样本缺少的训练数据,包括:
若所述目标训练样本的训练数据为标注信息,将所述目标训练样本的标注信息输入所述图像重建网络,得到所述标注信息所标注的图像。
5.根据权利要求4所述的方法,其中,所述将所得到的缺少的训练数据输入第二神经网络,得到所述目标训练样本的训练数据的预测数据,包括:
将所述所标注的图像输入所述图像处理网络,得到所述图像处理网络预测的所述所标注的图像对应的标注信息。
6.一种图像处理装置,包括:
第一输入单元,被配置成若目标训练样本的训练数据不完整,则将所述目标训练样本的训练数据输入第一神经网络,得到所述目标训练样本缺少的训练数据,其中,完整的训练数据包括图像以及图像对应的标注信息,所述第一神经网络为图像处理网络或图像重建网络;
第二输入单元,被配置成将所得到的缺少的训练数据输入第二神经网络,得到所述目标训练样本的训练数据的预测数据,其中,所述第二神经网络为图像处理网络和图像重建网络中的另一个;
训练单元,被配置成基于所述目标训练样本的训练数据,以及所述预测数据,确定所述目标训练样本的训练数据的损失值,利用所述损失值,训练所述第一神经网络和所述第二神经网络中的至少一个。
7.根据权利要求6所述的装置,其中,所述第一神经网络为图像处理网络,第二神经网络为图像重建网络;
所述第一输入单元,进一步被配置成:
若所述目标训练样本的训练数据为图像,将所述目标训练样本的图像输入所述图像处理网络,得到所述目标训练样本的图像对应的标注信息。
8.根据权利要求7所述的装置,其中,所述第二输入单元,进一步被配置成:
将所得到的标注信息输入所述图像重建网络,得到所述图像重建网络预测的、所得到的标注信息所标注的图像。
9.根据权利要求6所述的装置,其中,所述第一神经网络为图像重建网络,所述第二神经网络为图像处理网络;
所述第一输入单元,进一步被配置成:
若所述目标训练样本的训练数据为标注信息,将所述目标训练样本的标注信息输入所述图像重建网络,得到所述标注信息所标注的图像。
10.根据权利要求9所述的装置,其中,所述第二输入单元,进一步被配置成:
将所述所标注的图像输入所述图像处理网络,得到所述图像处理网络预测的所述所标注的图像对应的标注信息。
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 |
---|---|---|---|
CN201910098146.7A CN109871791A (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 |
---|---|---|---|
CN201910098146.7A CN109871791A (zh) | 2019-01-31 | 2019-01-31 | 图像处理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109871791A true CN109871791A (zh) | 2019-06-11 |
Family
ID=66918388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910098146.7A Pending CN109871791A (zh) | 2019-01-31 | 2019-01-31 | 图像处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109871791A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472737A (zh) * | 2019-08-15 | 2019-11-19 | 腾讯医疗健康(深圳)有限公司 | 神经网络模型的训练方法、装置和医学图像处理系统 |
CN111292329A (zh) * | 2020-01-15 | 2020-06-16 | 北京字节跳动网络技术有限公司 | 视频分割网络的训练方法、装置及电子设备 |
CN112766501A (zh) * | 2021-02-26 | 2021-05-07 | 上海商汤智能科技有限公司 | 增量训练方法和相关产品 |
CN114037066A (zh) * | 2022-01-07 | 2022-02-11 | 南昌虚拟现实研究院股份有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN114299304A (zh) * | 2021-12-15 | 2022-04-08 | 腾讯科技(深圳)有限公司 | 一种图像处理方法及相关设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096670A (zh) * | 2016-06-17 | 2016-11-09 | 北京市商汤科技开发有限公司 | 级联卷积神经网络训练和图像检测方法、装置及系统 |
CN107481188A (zh) * | 2017-06-23 | 2017-12-15 | 珠海经济特区远宏科技有限公司 | 一种图像超分辨率重构方法 |
CN107491782A (zh) * | 2017-07-22 | 2017-12-19 | 复旦大学 | 利用语义空间信息的针对少量训练数据的图像分类方法 |
CN107958284A (zh) * | 2017-11-20 | 2018-04-24 | 北京奇虎科技有限公司 | 神经网络的训练方法及装置、计算设备 |
US20190012581A1 (en) * | 2017-07-06 | 2019-01-10 | Nokia Technologies Oy | Method and an apparatus for evaluating generative machine learning model |
-
2019
- 2019-01-31 CN CN201910098146.7A patent/CN109871791A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096670A (zh) * | 2016-06-17 | 2016-11-09 | 北京市商汤科技开发有限公司 | 级联卷积神经网络训练和图像检测方法、装置及系统 |
CN107481188A (zh) * | 2017-06-23 | 2017-12-15 | 珠海经济特区远宏科技有限公司 | 一种图像超分辨率重构方法 |
US20190012581A1 (en) * | 2017-07-06 | 2019-01-10 | Nokia Technologies Oy | Method and an apparatus for evaluating generative machine learning model |
CN107491782A (zh) * | 2017-07-22 | 2017-12-19 | 复旦大学 | 利用语义空间信息的针对少量训练数据的图像分类方法 |
CN107958284A (zh) * | 2017-11-20 | 2018-04-24 | 北京奇虎科技有限公司 | 神经网络的训练方法及装置、计算设备 |
Non-Patent Citations (1)
Title |
---|
陈敏: "《认知计算导论》", 31 May 2017 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472737A (zh) * | 2019-08-15 | 2019-11-19 | 腾讯医疗健康(深圳)有限公司 | 神经网络模型的训练方法、装置和医学图像处理系统 |
CN110472737B (zh) * | 2019-08-15 | 2023-11-17 | 腾讯医疗健康(深圳)有限公司 | 神经网络模型的训练方法、装置和医学图像处理系统 |
CN111292329A (zh) * | 2020-01-15 | 2020-06-16 | 北京字节跳动网络技术有限公司 | 视频分割网络的训练方法、装置及电子设备 |
CN112766501A (zh) * | 2021-02-26 | 2021-05-07 | 上海商汤智能科技有限公司 | 增量训练方法和相关产品 |
CN114299304A (zh) * | 2021-12-15 | 2022-04-08 | 腾讯科技(深圳)有限公司 | 一种图像处理方法及相关设备 |
CN114299304B (zh) * | 2021-12-15 | 2024-04-12 | 腾讯科技(深圳)有限公司 | 一种图像处理方法及相关设备 |
CN114037066A (zh) * | 2022-01-07 | 2022-02-11 | 南昌虚拟现实研究院股份有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN114037066B (zh) * | 2022-01-07 | 2022-04-12 | 南昌虚拟现实研究院股份有限公司 | 数据处理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871791A (zh) | 图像处理方法和装置 | |
CN108509915A (zh) | 人脸识别模型的生成方法和装置 | |
CN108830235A (zh) | 用于生成信息的方法和装置 | |
CN109308681A (zh) | 图像处理方法和装置 | |
CN108898185A (zh) | 用于生成图像识别模型的方法和装置 | |
CN109002842A (zh) | 图像识别方法和装置 | |
CN109191514A (zh) | 用于生成深度检测模型的方法和装置 | |
CN109389640A (zh) | 图像处理方法和装置 | |
CN108595628A (zh) | 用于推送信息的方法和装置 | |
CN109063653A (zh) | 图像处理方法和装置 | |
CN109255337A (zh) | 人脸关键点检测方法和装置 | |
CN109308490A (zh) | 用于生成信息的方法和装置 | |
CN109034069A (zh) | 用于生成信息的方法和装置 | |
CN109389072A (zh) | 数据处理方法和装置 | |
CN108491267A (zh) | 用于生成信息的方法和装置 | |
CN109344752A (zh) | 用于处理嘴部图像的方法和装置 | |
CN108960110A (zh) | 用于生成信息的方法和装置 | |
CN109086780A (zh) | 用于检测电极片毛刺的方法和装置 | |
CN108363999A (zh) | 基于人脸识别的操作执行方法和装置 | |
CN109241934A (zh) | 用于生成信息的方法和装置 | |
CN108595448A (zh) | 信息推送方法和装置 | |
CN109543068A (zh) | 用于生成视频的评论信息的方法和装置 | |
CN109377508A (zh) | 图像处理方法和装置 | |
CN108509994A (zh) | 人物图像聚类方法和装置 | |
CN108491812A (zh) | 人脸识别模型的生成方法和装置 |
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 |