CN111275055A - 网络训练方法及装置、图像处理方法及装置 - Google Patents

网络训练方法及装置、图像处理方法及装置 Download PDF

Info

Publication number
CN111275055A
CN111275055A CN202010071508.6A CN202010071508A CN111275055A CN 111275055 A CN111275055 A CN 111275055A CN 202010071508 A CN202010071508 A CN 202010071508A CN 111275055 A CN111275055 A CN 111275055A
Authority
CN
China
Prior art keywords
image
neural network
training
network
feature
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.)
Granted
Application number
CN202010071508.6A
Other languages
English (en)
Other versions
CN111275055B (zh
Inventor
周东展
田茂清
周心池
伊帅
欧阳万里
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority to CN202010071508.6A priority Critical patent/CN111275055B/zh
Application filed by Beijing Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to JP2021544415A priority patent/JP2022521372A/ja
Priority to KR1020217022451A priority patent/KR20210113617A/ko
Priority to PCT/CN2020/087327 priority patent/WO2021147199A1/zh
Priority to SG11202107979VA priority patent/SG11202107979VA/en
Publication of CN111275055A publication Critical patent/CN111275055A/zh
Priority to TW109121783A priority patent/TWI751593B/zh
Priority to US17/382,183 priority patent/US20220114804A1/en
Priority to US17/384,655 priority patent/US20210350177A1/en
Application granted granted Critical
Publication of CN111275055B publication Critical patent/CN111275055B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/2163—Partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种网络训练方法及装置、图像处理方法及装置，所述方法包括：对训练集中的第一图像进行像素打乱处理，得到第二图像，其中，所述第一图像为进行像素打乱后的图像；通过神经网络的特征提取网络对所述第一图像进行特征提取，得到第一图像特征，及通过特征提取网络对所述第二图像进行特征提取，得到第二图像特征；通过所述神经网络的识别网络对所述第一图像特征进行识别处理，得到所述第一图像的识别结果；根据所述识别结果、所述第一图像特征及所述第二图像特征，训练所述神经网络。本公开实施例可实现提高神经网络的识别精度。

Description

网络训练方法及装置、图像处理方法及装置
技术领域
本公开涉及计算机技术领域，尤其涉及一种网络训练方法及装置、图像处理方法及装置。
背景技术
随着隐私保护的呼声逐渐提高，为了使研发在隐私保护的前提下进行，数据匿名化是不可避免的。
相关技术中，当前的数据集匿名化方法主要针对图像或视频中最敏感的区域：人脸。然而，虽然人脸是最重要的隐私信息之一，但它并不构成隐私信息的全部。事实上，任何可以直接或间接定位到个人身份的信息都可以被视为个人隐私信息的一部分。
但若将图像中的全部信息均通过像素打乱的方式进行数据匿名化，固然其可以有效的保护隐私信息，但其会造成神经网络的识别精度下降。
发明内容
本公开提出了一种用于提高神经网络的识别精度的网络训练技术方案。
根据本公开的一方面，提供了一种网络训练方法，所述方法包括：
对训练集中的第一图像进行像素打乱处理，得到第二图像，其中，所述第一图像为进行像素打乱后的图像；
通过神经网络的特征提取网络对所述第一图像进行特征提取，得到第一图像特征，及通过特征提取网络对所述第二图像进行特征提取，得到第二图像特征；
通过所述神经网络的识别网络对所述第一图像特征进行识别处理，得到所述第一图像的识别结果；
根据所述识别结果、所述第一图像特征及所述第二图像特征，训练所述神经网络。
在一种可能的实现方式中，所述根据所述识别结果、所述第一图像特征及所述第二图像特征，训练所述神经网络，包括：
根据所述识别结果及所述第一图像对应的标注结果，确定识别损失；
根据所述第一图像特征及所述第二图像特征，确定特征损失；
根据所述识别损失及所述特征损失，训练所述神经网络。
在一种可能的实现方式中，所述对训练集中的第一图像进行像素打乱处理，得到第二图像，包括：
将所述第一图像划分为预置数量的像素块；
针对任一像素块，打乱所述像素块内各像素点的位置，得到第二图像。
在一种可能的实现方式中，所述针对任一像素块，打乱所述像素块内各像素点的位置，包括：
针对任一像素块，根据预置的行变换矩阵对所述像素块内的像素点进行位置变换，所述预置的行变换矩阵为正交矩阵。
在一种可能的实现方式中，所述根据所述第一图像特征及所述第二图像特征，得到特征损失，包括：
将所述第一图像中第一图像特征与所述第二图像中所述第二图像特征的距离，确定为所述特征损失。
在一种可能的实现方式中，所述根据所述识别损失及所述特征损失，训练所述神经网络，包括：
根据所述识别损失及所述特征损失的加权和，确定总体损失；
根据所述总体损失，训练所述神经网络。
根据本公开的一方面，提供了一种图像处理方法，包括：
通过神经网络对待处理图像进行图像识别，得到识别结果，
所述神经网络通过前述任一项所述的网络训练方法训练得到。
根据本公开的一方面，提供了一种网络训练装置，所述装置包括：
处理模块，用于对训练集中的第一图像进行像素打乱处理，得到第二图像，其中，所述第一图像为进行像素打乱后的图像；
提取模块，用于通过神经网络的特征提取网络对所述第一图像进行特征提取，得到第一图像特征，及通过特征提取网络对所述第二图像进行特征提取，得到第二图像特征；
识别模块，用于通过所述神经网络的识别网络对所述第一图像特征进行识别处理，得到所述第一图像的识别结果；
训练模块，用于根据所述识别结果、所述第一图像特征及所述第二图像特征，训练所述神经网络。
在一种可能的实现方式中，所述训练模块，还用于：
根据所述识别结果及所述第一图像对应的标注结果，确定识别损失；
根据所述第一图像特征及所述第二图像特征，确定特征损失；
根据所述识别损失及所述特征损失，训练所述神经网络。
在一种可能的实现方式中，所述处理模块，还用于：
将所述第一图像划分为预置数量的像素块；
针对任一像素块，打乱所述像素块内各像素点的位置，得到第二图像。
在一种可能的实现方式中，所述处理模块，还用于：
针对任一像素块，根据预置的行变换矩阵对所述像素块内的像素点进行位置变换，所述预置的行变换矩阵为正交矩阵。
在一种可能的实现方式中，所述训练模块，还用于：
将所述第一图像中第一图像特征与所述第二图像中所述第二图像特征的距离，确定为所述特征损失。
在一种可能的实现方式中，所述训练模块，还用于：
根据所述识别损失及所述特征损失的加权和，确定总体损失；
根据所述总体损失，训练所述神经网络。
根据本公开的一方面，提供了一种图像处理装置，包括：
识别模块，用于通过神经网络对待处理图像进行图像识别，得到识别结果，
所述神经网络通过前述任一项所述的网络训练方法训练得到。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
这样，本公开实施例提供的网络训练方法及装置、图像处理方法及装置，可以对训练集中进行像素打乱后的第一图像，再次进行像素打乱处理，得到第二图像，并通过特征提取网络对所述第一图像及第二图像进行特征提取，得到第一图像对应的第一图像特征，及第二图像对应的第二图像特征。进一步的通过识别网络对所述第一图像特征进行识别处理，可以得到所述第一图像的识别结果，根据所述识别结果、所述第一图像特征及所述第二图像特征，训练神经网络。根据本公开实施例提供的网络训练方法及装置、图像处理方法及装置，通过进行一次像素打乱后的第一图像及对第一图像进行再次像素打乱得到的第二图像训练神经网络，可以提高神经网络的特征提取精度，使神经网络对于进行像素打乱后的图像能够提取到有效的特征，进而可以提高对于采用像素打乱方式进行数据匿名化的第一图像的识别精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的网络训练方法的流程图；
图2示出根据本公开实施例的网络训练方法的示意图；
图3示出根据本公开实施例的网络训练方法的示意图；
图4示出根据本公开实施例的网络训练装置的框图；
图5示出根据本公开实施例的一种电子设备800的框图；
图6示出根据本公开实施例的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的网络训练方法的流程图，所述网络训练方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。
在行人重识别、安防等领域，神经网络起到了越来越重要的作用，例如：可以通过神经网络进行人脸识别、身份认证等，通过神经网络可以极大地节约人力成本。但是神经网络的训练过程需要非常丰富的样本图像，样本图像中包含有人的各项信息，出于对隐私的保护，可以对样本图像进行数据匿名化。但若将图像中的全部信息均通过像素打乱的方式进行数据匿名化，固然其可以有效的保护隐私信息，但其会造成神经网络的识别精度下降。
本公开提出了一种网络训练方法，针对通过像素打乱进行数据匿名化的样本图像，可以提高训练得到的神经网络的识别精度。
如图1所示，所述网络训练方法可以包括：
在步骤S11中，对训练集中的第一图像进行像素打乱处理，得到第二图像，其中，所述第一图像为进行像素打乱后的图像。
举例来说，可以通过预设的训练集训练神经网络，该神经网络包括用于进行特征提取的特征提取网络和用于进行图像识别的识别网络，该训练集中包括多个第一图像，其中第一图像可以为对原始图像进行像素打乱后的图像，该第一图像具有标注结果。其中，上述原始图像可以为摄像设备采集的人物图像，例如：在行人重识别的场景中，该原始图像可以为摄像设备抓拍到的行人的图像。
针对训练集中的第一图像，可以对该第一图像中的像素点进行位置变化，以进行像素打乱，得到第二图像。需要说明的是，本公开对第一图像进行像素打乱的方式与对原始图像进行像素打乱得到第一图像的过程相同。
在步骤S12中，通过神经网络的特征提取网络对所述第一图像进行特征提取，得到第一图像特征，及通过特征提取网络对所述第二图像进行特征提取，得到第二图像特征。
举例来说，在得到第二图像后，可以分别将第一图像和第二图像输入特征提取网络进行特征提取，得到第一图像对应的第一图像特征及第二图像对应的第二图像特征。
在步骤S13中，通过所述神经网络的识别网络对所述第一图像特征进行识别处理，得到所述第一图像的识别结果。
举例来说，可以将第一图像特征输入识别网络中进行识别，得到第一图像对应的识别结果，该识别网络可以为卷积神经网络，本公开对于识别网络的实现方式不做具体限定。
在步骤S14中，根据所述识别结果、所述第一图像特征及所述第二图像特征，训练所述神经网络。
举例来说，由于第一图像及第二图像分别为原始图像进行一次像素打乱和两次像素打乱后得到的图像，故第一图像及第二图像包含完全相同的语义，特征提取网络提取出第一图像对应的第一图像特征及第二图像对应的第二图像特征应该尽可能相似，故通过该第一图像特征及第二图像特征可以得到特征提取网络对应的特征损失，根据第一图像对应的识别结果可以得到识别网络对应的识别损失，进而根据特征损失及识别损失，可以调整神经网络的网络参数，以训练神经网络。
这样，本公开实施例提供的网络训练方法，可以对训练集中进行像素打乱后的第一图像，再次进行像素打乱处理，得到第二图像，并通过特征提取网络对所述第一图像及第二图像进行特征提取，得到第一图像对应的第一图像特征，及第二图像对应的第二图像特征。进一步的通过识别网络对所述第一图像特征进行识别处理，可以得到所述第一图像的识别结果，根据所述识别结果、所述第一图像特征及所述第二图像特征，训练神经网络。根据本公开实施例提供的网络训练方法，通过进行一次像素打乱后的第一图像及对第一图像进行再次像素打乱得到的第二图像训练神经网络，可以提高神经网络的特征提取精度，使神经网络对于进行像素打乱后的图像能够提取到有效的特征，进而可以提高对于采用像素打乱方式进行数据匿名化的第一图像的识别精度。
在一种可能的实现方式中，上述所述根据所述识别结果、所述第一图像特征及所述第二图像特征，训练所述神经网络，可以包括：
根据所述识别结果及所述第一图像对应的标注结果，确定识别损失；
根据所述第一图像特征及所述第二图像特征，确定特征损失；
根据所述识别损失及所述特征损失，训练所述神经网络。
举例来说，可以通过第一图像对应的标注结果及第一图像对应的识别结果确定识别损失，并可以根据第一图像特征及第二图像特征，确定特征损失。
在一种可能的实现方式中，上述根据所述第一图像特征及所述第二图像特征，得到特征损失，可以包括：
将所述第一图像中第一图像特征与所述第二图像中所述第二图像特征的距离，确定为所述特征损失。
通过该特征损失可以迫使特征提取网络提取的第一图像特征及第二图像特征相似，进而可以使得神经网络针对进行像素打乱的图像总是能提取到有效特征，提高了神经网络特征提取的精度，示例性的，可以通过以下公式(一)确定特征损失。
Figure BDA0002377428760000091
其中，
Figure BDA0002377428760000092
用于标识第n个第一图像的第一图像特征，
Figure BDA0002377428760000093
用于标识第n个第二图像的第二图像特征，
Figure BDA0002377428760000094
用于标识特征损失。
在一种可能的实现方式中，上述对训练集中的第一图像进行像素打乱处理，得到第二图像，可以包括：
将所述第一图像划分为预置数量的像素块；
针对任一像素块，打乱所述像素块内各像素点的位置，得到第二图像。
举例来说，上述预置数量可以为预设的数值，预置数量的取值可以根据需求进行设定，也可以根据预置的像素块大小进行确定，本公开实施例对于预置数量的取值不作具体限定。
可以对第一图像进行预处理，将第一图像划分为预置数量的像素块，并对每一个像素块进行像素点之间的位置变换，以得到第二图像。
在一种可能的实现方式中，所述针对任一像素块，打乱所述像素块内各像素点的位置，包括：
针对任一像素块，根据预置的行变换矩阵对所述像素块内的像素点进行位置变换，所述预置的行变换矩阵为正交矩阵。
可以将像素块与预置的行变换矩阵进行相乘，以变换该像素块内的各像素点的位置，实现像素块内的像素打乱。由于预置的行变换矩阵为正交矩阵，其存在逆矩阵，因此根据预置的行变换矩阵进行的操作是一步可逆的，也即根据预置的行变换矩阵进行像素打乱后的第二图像与第一图像尽管具有不同的空间结构，但彼此之间携带有紧密相关的图像信息，由此可以通过第一图像与第二图像提取出的第一图像特征及第二图像特征训练神经网络，使得神经网络提取出的第一图像的第一图像特征与第二图像的第二图像特征尽可能的接近，提高了神经网络特征提取的精度，进而提高了神经网络的识别精度。
举例来说，如图2所示，假设任一像素块为3*3的矩阵e1，则其对应的矩阵向量如图2中x1所示，A是预置的行变换矩阵，该行变换矩阵A与x1相乘，得到的矩阵向量如x2所示，该矩阵向量x2对应的像素块如e2所示，e2为e1通过预置的行变换矩阵进行像素打乱后的像素块。
在一种可能的实现方式中，上述所述根据所述识别损失及所述特征损失，训练所述神经网络，可以包括：
根据所述识别损失及所述特征损失的加权和，确定总体损失；
根据所述总体损失，训练所述神经网络。
举例来说，可以确定识别损失及特征损失的加权和为神经网络的总体损失，其中识别损失和特征损失对应的权重可以根据需求进行设定，本公开在此对此不作限定。可以根据该总体损失调整神经网络的参数，包括调整特征提取网络的参数及识别网络的参数，直至总体损失满足训练精度，例如：总体损失小于阈值损失，完成神经网络的训练。
为了使本领域技术人员更好的理解本公开实施例，以下通过具体示例对本公开实施例加以说明。
如图3所示，对第一图像进行像素打乱后可以得到第二图像。将第一图像及第二图像分别输入神经网络中的特征提取网络，可以得到第一图像的第一图像特征及第二图像的第二图像特征。将所述第一图像特征输入识别网络可以得到第一图像的识别结果，根据该识别结果可以得到识别损失。根据第一图像特征及第二图像特征可以得到特征损失，根据识别损失及特征损失可以得到神经网络的总体损失，进而可以根据该总体损失训练该神经网络，可以得到对于采用像素打乱的方式进行数据匿名化的图像识别更为精准的神经网络。
本公开还提供了一种图像处理方法，该图像处理方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。
该图像处理方法可以包括：通过神经网络对待处理图像进行图像识别，得到识别结果，所述神经网络通过前述神经网络训练方法训练得到。
通过前述实施例提供的神经网络训练方法训练得到的神经网络(具体训练过程可以参照前述实施例，本公开在此不再赘述)，可以对待处理图像进行图像识别，得到识别结果，在待处理图像为采用像素打乱方式进行匿名化的图像时，可以提高识别结果的精准度。
根据本公开实施例提供的图像处理方法，可以通过前述实施例训练得到的神经网络对待处理图像进行图像识别，由于神经网络对于进行像素打乱后的图像能够提取到有效的特征，进而可以提高对于进行像素打乱后的第一图像的识别精度，进而使得训练集中的训练样本可以采用像素打乱的方式进行数据匿名化来保护隐私信息的同时，可以提高神经网络的识别精度。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了网络训练装置、图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种网络训练方法及图像处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图4示出根据本公开实施例的网络训练装置的框图，如图4所示，所述网络训练装置包括：
处理模块401，可以用于对训练集中的第一图像进行像素打乱处理，得到第二图像，其中，所述第一图像为进行像素打乱后的图像；
提取模块402，可以用于通过神经网络的特征提取网络对所述第一图像进行特征提取，得到第一图像特征，及通过特征提取网络对所述第二图像进行特征提取，得到第二图像特征；
识别模块403，可以用于通过所述神经网络的识别网络对所述第一图像特征进行识别处理，得到所述第一图像的识别结果；
训练模块404，可以用于根据所述识别结果、所述第一图像特征及所述第二图像特征，训练所述神经网络。
这样，本公开实施例提供的网络训练装置，可以对训练集中进行像素打乱后的第一图像，再次进行像素打乱处理，得到第二图像，并通过特征提取网络对所述第一图像及第二图像进行特征提取，得到第一图像对应的第一图像特征，及第二图像对应的第二图像特征。进一步的通过识别网络对所述第一图像特征进行识别处理，可以得到所述第一图像的识别结果，根据所述识别结果、所述第一图像特征及所述第二图像特征，训练神经网络。根据本公开实施例提供的网络训练装置，通过进行一次像素打乱后的第一图像及对第一图像进行再次像素打乱得到的第二图像训练神经网络，可以提高神经网络的特征提取精度，使神经网络对于进行像素打乱后的图像能够提取到有效的特征，进而可以提高对于采用像素打乱方式进行数据匿名化的第一图像的识别精度。
在一种可能的实现方式中，所述训练模块，还可以用于：
根据所述识别结果及所述第一图像对应的标注结果，确定识别损失；
根据所述第一图像特征及所述第二图像特征，确定特征损失；
根据所述识别损失及所述特征损失，训练所述神经网络。
在一种可能的实现方式中，所述处理模块，还可以用于：
将所述第一图像划分为预置数量的像素块；
针对任一像素块，打乱所述像素块内各像素点的位置，得到第二图像。
在一种可能的实现方式中，所述处理模块，还可以用于：
针对任一像素块，根据预置的行变换矩阵对所述像素块内的像素点进行位置变换，所述预置的行变换矩阵为正交矩阵。
在一种可能的实现方式中，所述训练模块，还可以用于：
将所述第一图像中第一图像特征与所述第二图像中所述第二图像特征的距离，确定为所述特征损失。
在一种可能的实现方式中，所述训练模块，还可以用于：
根据所述识别损失及所述特征损失的加权和，确定总体损失；
根据所述总体损失，训练所述神经网络。
本公开实施例还提供一种图像处理装置，该图像处理装置包括：
识别模块，用于通过神经网络对待处理图像进行图像识别，得到识别结果，
所述神经网络通过前述任一项所述的网络训练方法训练得到。
根据本公开实施例提供的图像处理方法，可以通过前述实施例训练得到的神经网络对待处理图像进行图像识别，由于神经网络对于进行像素打乱后的图像能够提取到有效的特征，进而可以提高对于进行像素打乱后的第一图像的识别精度，进而使得训练集中的训练样本可以采用像素打乱的方式进行数据匿名化来保护隐私信息的同时，可以提高神经网络的识别精度。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的网络训练方法、图像处理方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的网络训练方法、图像处理方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (11)

1.一种网络训练方法，其特征在于，所述方法包括：
对训练集中的第一图像进行像素打乱处理，得到第二图像，其中，所述第一图像为进行像素打乱后的图像；
通过神经网络的特征提取网络对所述第一图像进行特征提取，得到第一图像特征，及通过特征提取网络对所述第二图像进行特征提取，得到第二图像特征；
通过所述神经网络的识别网络对所述第一图像特征进行识别处理，得到所述第一图像的识别结果；
根据所述识别结果、所述第一图像特征及所述第二图像特征，训练所述神经网络。
2.根据权利要求1所述的方法，其特征在于，所述根据所述识别结果、所述第一图像特征及所述第二图像特征，训练所述神经网络，包括：
根据所述识别结果及所述第一图像对应的标注结果，确定识别损失；
根据所述第一图像特征及所述第二图像特征，确定特征损失；
根据所述识别损失及所述特征损失，训练所述神经网络。
3.根据权利要求1或2所述的方法，其特征在于，所述对训练集中的第一图像进行像素打乱处理，得到第二图像，包括：
将所述第一图像划分为预置数量的像素块；
针对任一像素块，打乱所述像素块内各像素点的位置，得到第二图像。
4.根据权利要求3所述的方法，其特征在于，所述针对任一像素块，打乱所述像素块内各像素点的位置，包括：
针对任一像素块，根据预置的行变换矩阵对所述像素块内的像素点进行位置变换，所述预置的行变换矩阵为正交矩阵。
5.根据权利要求2所述的方法，其特征在于，所述根据所述第一图像特征及所述第二图像特征，得到特征损失，包括：
将所述第一图像中第一图像特征与所述第二图像中所述第二图像特征的距离，确定为所述特征损失。
6.根据权利要求2至5中任一项所述方法，其特征在于，所述根据所述识别损失及所述特征损失，训练所述神经网络，包括：
根据所述识别损失及所述特征损失的加权和，确定总体损失；
根据所述总体损失，训练所述神经网络。
7.一种图像处理方法，其特征在于，包括：
通过神经网络对待处理图像进行图像识别，得到识别结果，
所述神经网络通过权利要求1至6中任一项所述的网络训练方法训练得到。
8.一种网络训练装置，其特征在于，所述装置包括：
处理模块，用于对训练集中的第一图像进行像素打乱处理，得到第二图像，其中，所述第一图像为进行像素打乱后的图像；
提取模块，用于通过神经网络的特征提取网络对所述第一图像进行特征提取，得到第一图像特征，及通过特征提取网络对所述第二图像进行特征提取，得到第二图像特征；
识别模块，用于通过所述神经网络的识别网络对所述第一图像特征进行识别处理，得到所述第一图像的识别结果；
训练模块，用于根据所述识别结果、所述第一图像特征及所述第二图像特征，训练所述神经网络。
9.一种图像处理装置，其特征在于，包括：
识别模块，用于通过神经网络对待处理图像进行图像识别，得到识别结果，
所述神经网络通过权利要求1至6中任一项所述的网络训练方法训练得到。
10.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。
11.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
CN202010071508.6A 2020-01-21 2020-01-21 网络训练方法及装置、图像处理方法及装置 Active CN111275055B (zh)

Priority Applications (8)

Application Number Priority Date Filing Date Title
CN202010071508.6A CN111275055B (zh) 2020-01-21 2020-01-21 网络训练方法及装置、图像处理方法及装置
KR1020217022451A KR20210113617A (ko) 2020-01-21 2020-04-27 네트워크 트레이닝 방법 및 장치, 이미지 처리 방법 및 장치
PCT/CN2020/087327 WO2021147199A1 (zh) 2020-01-21 2020-04-27 网络训练方法及装置、图像处理方法及装置
SG11202107979VA SG11202107979VA (en) 2020-01-21 2020-04-27 Network training method and device, image processing method and device
JP2021544415A JP2022521372A (ja) 2020-01-21 2020-04-27 ネットワークトレーニング方法及び装置、画像処理方法及び装置
TW109121783A TWI751593B (zh) 2020-01-21 2020-06-29 網路訓練方法及裝置、圖像處理方法及裝置、電子設備、電腦可讀儲存媒體及電腦程式
US17/382,183 US20220114804A1 (en) 2020-01-21 2021-07-21 Network training method and device and storage medium
US17/384,655 US20210350177A1 (en) 2020-01-21 2021-07-23 Network training method and device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010071508.6A CN111275055B (zh) 2020-01-21 2020-01-21 网络训练方法及装置、图像处理方法及装置

Publications (2)

Publication Number Publication Date
CN111275055A true CN111275055A (zh) 2020-06-12
CN111275055B CN111275055B (zh) 2023-06-06

Family

ID=71003377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010071508.6A Active CN111275055B (zh) 2020-01-21 2020-01-21 网络训练方法及装置、图像处理方法及装置

Country Status (7)

Country Link
US (2) US20220114804A1 (zh)
JP (1) JP2022521372A (zh)
KR (1) KR20210113617A (zh)
CN (1) CN111275055B (zh)
SG (1) SG11202107979VA (zh)
TW (1) TWI751593B (zh)
WO (1) WO2021147199A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932479A (zh) * 2020-08-10 2020-11-13 中国科学院上海微系统与信息技术研究所 数据增强方法、系统以及终端

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960209B (zh) * 2018-08-09 2023-07-21 腾讯科技（深圳）有限公司 身份识别方法、装置及计算机可读存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022380A (zh) * 2016-05-25 2016-10-12 中国科学院自动化研究所 基于深度学习的个体身份识别方法
US20160358038A1 (en) * 2015-06-05 2016-12-08 Google Inc. Spatial transformer modules
CN108256547A (zh) * 2016-12-29 2018-07-06 伊莱比特汽车有限责任公司 生成用于基于机器学习的对象识别系统的训练图像
CN108416744A (zh) * 2018-01-30 2018-08-17 百度在线网络技术（北京）有限公司 图像处理方法、装置、设备及计算机可读存储介质
CN108492248A (zh) * 2018-01-30 2018-09-04 天津大学 基于深度学习的深度图超分辨率方法
US20190139191A1 (en) * 2017-11-09 2019-05-09 Boe Technology Group Co., Ltd. Image processing methods and image processing devices
CN110033077A (zh) * 2019-02-11 2019-07-19 阿里巴巴集团控股有限公司 神经网络训练方法以及装置
CN110188360A (zh) * 2019-06-06 2019-08-30 北京百度网讯科技有限公司 模型训练方法和装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106846303A (zh) * 2016-12-30 2017-06-13 平安科技（深圳）有限公司 图像篡改检测方法及装置
WO2019031305A1 (ja) * 2017-08-08 2019-02-14 国立大学法人横浜国立大学 ニューラルネットワークシステム、機械学習方法及びプログラム
US10467526B1 (en) * 2018-01-17 2019-11-05 Amaon Technologies, Inc. Artificial intelligence system for image similarity analysis using optimized image pair selection and multi-scale convolutional neural networks
CN108764096B (zh) * 2018-05-21 2022-04-29 华中师范大学 一种行人重识别系统和方法
CN109711546B (zh) * 2018-12-21 2021-04-06 深圳市商汤科技有限公司 神经网络训练方法及装置、电子设备和存储介质
CN109918184B (zh) * 2019-03-01 2023-09-26 腾讯科技（深圳）有限公司 图片处理系统、方法及相关装置和设备
CN109961444B (zh) * 2019-03-01 2022-12-20 腾讯科技（深圳）有限公司 图像处理方法、装置及电子设备
CN110059652B (zh) * 2019-04-24 2023-07-25 腾讯科技（深圳）有限公司 人脸图像处理方法、装置及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160358038A1 (en) * 2015-06-05 2016-12-08 Google Inc. Spatial transformer modules
CN106022380A (zh) * 2016-05-25 2016-10-12 中国科学院自动化研究所 基于深度学习的个体身份识别方法
CN108256547A (zh) * 2016-12-29 2018-07-06 伊莱比特汽车有限责任公司 生成用于基于机器学习的对象识别系统的训练图像
US20190139191A1 (en) * 2017-11-09 2019-05-09 Boe Technology Group Co., Ltd. Image processing methods and image processing devices
CN108416744A (zh) * 2018-01-30 2018-08-17 百度在线网络技术（北京）有限公司 图像处理方法、装置、设备及计算机可读存储介质
CN108492248A (zh) * 2018-01-30 2018-09-04 天津大学 基于深度学习的深度图超分辨率方法
CN110033077A (zh) * 2019-02-11 2019-07-19 阿里巴巴集团控股有限公司 神经网络训练方法以及装置
CN110188360A (zh) * 2019-06-06 2019-08-30 北京百度网讯科技有限公司 模型训练方法和装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932479A (zh) * 2020-08-10 2020-11-13 中国科学院上海微系统与信息技术研究所 数据增强方法、系统以及终端

Also Published As

Publication number Publication date
CN111275055B (zh) 2023-06-06
TWI751593B (zh) 2022-01-01
TW202129556A (zh) 2021-08-01
US20210350177A1 (en) 2021-11-11
WO2021147199A1 (zh) 2021-07-29
SG11202107979VA (en) 2021-08-30
KR20210113617A (ko) 2021-09-16
JP2022521372A (ja) 2022-04-07
US20220114804A1 (en) 2022-04-14

Similar Documents

Publication Publication Date Title
CN112001321B (zh) 网络训练、行人重识别方法及装置、电子设备和存储介质
CN112241673B (zh) 视频处理方法及装置、电子设备和存储介质
CN110569777B (zh) 图像处理方法及装置、电子设备和存储介质
CN107692997B (zh) 心率检测方法及装置
CN110633755A (zh) 网络训练方法、图像处理方法及装置、电子设备
CN109934275B (zh) 图像处理方法及装置、电子设备和存储介质
CN110287671B (zh) 验证方法及装置、电子设备和存储介质
CN110781813B (zh) 图像识别方法及装置、电子设备和存储介质
CN111241887B (zh) 目标对象关键点识别方法及装置、电子设备和存储介质
CN110909815A (zh) 神经网络训练、图像处理方法、装置及电子设备
CN111523346B (zh) 图像识别方法及装置、电子设备和存储介质
CN112270288A (zh) 活体识别、门禁设备控制方法和装置、电子设备
CN111310664B (zh) 图像处理方法及装置、电子设备和存储介质
CN109685041B (zh) 图像分析方法及装置、电子设备和存储介质
CN114332503A (zh) 对象重识别方法及装置、电子设备和存储介质
CN111652107A (zh) 对象计数方法及装置、电子设备和存储介质
CN110909203A (zh) 视频分析方法及装置、电子设备和存储介质
CN111582383A (zh) 属性识别方法及装置、电子设备和存储介质
CN112085097A (zh) 图像处理方法及装置、电子设备和存储介质
CN110633715B (zh) 图像处理方法、网络训练方法及装置、和电子设备
CN111275055B (zh) 网络训练方法及装置、图像处理方法及装置
CN110781842A (zh) 图像处理方法及装置、电子设备和存储介质
CN110929545A (zh) 人脸图像的整理方法及装置
CN110909562A (zh) 视频审核方法及装置
CN110955800A (zh) 视频检索方法及装置

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40020944

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant