CN112488943B - 模型训练和图像去雾方法、装置、设备 - Google Patents

模型训练和图像去雾方法、装置、设备 Download PDF

Info

Publication number
CN112488943B
CN112488943B CN202011394036.4A CN202011394036A CN112488943B CN 112488943 B CN112488943 B CN 112488943B CN 202011394036 A CN202011394036 A CN 202011394036A CN 112488943 B CN112488943 B CN 112488943B
Authority
CN
China
Prior art keywords
defogging
image
pairs
network
image pairs
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
Application number
CN202011394036.4A
Other languages
English (en)
Other versions
CN112488943A (zh
Inventor
李华夏
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 Zitiao Network Technology Co Ltd
Original Assignee
Beijing Zitiao Network Technology 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
Application filed by Beijing Zitiao Network Technology Co Ltd filed Critical Beijing Zitiao Network Technology Co Ltd
Priority to CN202011394036.4A priority Critical patent/CN112488943B/zh
Publication of CN112488943A publication Critical patent/CN112488943A/zh
Application granted granted Critical
Publication of CN112488943B publication Critical patent/CN112488943B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本公开的实施例公开了模型训练和图像去雾方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取多个有雾图像和多个清晰图像对，其中上述有雾图像包括图像对比度低于预设阈值的图像，上述清晰图像包括图像对比度高于上述预设阈值的图像；对上述多个有雾图像中的每个有雾图像进行去雾，得到多个去雾图像对，上述多个去雾图像对中的每个去雾图像对包括一个有雾图像和与上述一个有雾图像对应的一个去雾图像；基于上述多个去雾图像对和上述多个清晰图像对训练待训练图像去雾网络，得到图像去雾网络。该实施方式通过在训练图像去雾网络时添加不需要去雾的图像，使图像去雾网络能够应对不需要去雾的图像。

Description

模型训练和图像去雾方法、装置、设备
技术领域
本公开的实施例涉及计算机技术领域，具体涉及模型训练和图像去雾方法、装置、设备和计算机可读介质。
背景技术
在一些图像处理任务中，往往需要进行图像去雾。在实现本申请的过程中，发明人发现相关的上述图像去雾技术至少存在以下缺陷：不能应对不需要去雾的图像。即，有一些不需要去雾的图像也被去雾了。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了模型训练和图像去雾方法、装置、设备和计算机可读介质。
第一方面，本公开的一些实施例提供了一种模型训练方法，该方法包括：获取多个有雾图像和多个清晰图像对，其中上述有雾图像包括图像对比度低于预设阈值的图像，上述清晰图像对中包括两个相适配的清晰图像，上述清晰图像包括图像对比度高于上述预设阈值的图像；对上述多个有雾图像中的每个有雾图像进行去雾，得到多个去雾图像对，上述多个去雾图像对中的每个去雾图像对包括一个有雾图像和与上述一个有雾图像对应的一个去雾图像；基于上述多个去雾图像对和上述多个清晰图像对训练待训练图像去雾网络，得到图像去雾网络。
第二方面，本公开的一些实施例提供了一种图像去雾方法，该方法包括：将目标图像输入到图像去雾网络中，得到目标去雾图像，其中，上述图像去雾网络是通过上述模型训练方法生成的。
第三方面，本公开的一些实施例提供了一种模型训练装置，装置包括：获取单元，被配置成获取多个有雾图像和多个清晰图像对，其中上述有雾图像包括图像对比度低于预设阈值的图像，上述清晰图像对中包括两个相适配的清晰图像，上述清晰图像包括图像对比度高于上述预设阈值的图像；去雾单元，被配置成对上述多个有雾图像中的每个有雾图像进行去雾，得到多个去雾图像对，上述多个去雾图像对中的每个去雾图像对包括一个有雾图像和与上述一个有雾图像对应的一个去雾图像；训练单元，被配置成基于上述多个去雾图像对和上述多个清晰图像对训练待训练图像去雾网络，得到图像去雾网络。
第四方面，本公开的一些实施例提供了一种图像去雾装置，装置包括：输入单元，被配置成将目标图像输入到图像去雾网络中，得到目标去雾图像，其中，上述图像去雾网络是通过上述模型训练装置生成的。
第五方面，本公开的一些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，其上存储有一个或多个程序，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第一方面中任一实现方式描述的方法。
第六方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果：通过在训练图像去雾网络时添加不需要去雾的图像，使图像去雾网络能够应对不需要去雾的图像。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是本公开的一些实施例的模型训练方法的一个应用场景的示意图；
图2是本公开的一些实施例的图像去雾方法的一个应用场景的示意图；
图3是根据本公开的模型训练方法的一些实施例的流程图；
图4是根据本公开的图像去雾方法的一些实施例的流程图；
图5是根据本公开的模型训练方法的另一些实施例的流程图；
图6是根据本公开的模型训练装置的一些实施例的结构示意图；
图7是根据本公开的图像去雾装置的一些实施例的结构示意图；
图8是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
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。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。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
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一些实施例的模型训练方法的一个应用场景的示意图。
在图1所示的应用场景中，首先，计算设备101可以获取多个有雾图像103和多个清晰图像对102。之后，对上述多个有雾图像103中的每个有雾图像进行去雾，得到多个去雾图像对104。最后，基于上述多个去雾图像对104和上述多个清晰图像对102训练待训练图像去雾网络105，得到图像去雾网络106。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或电子设备组成的分布式集群，也可以实现成单个服务器或单个电子设备。当计算设备体现为软件时，可以实现成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。
应该理解，图1中的计算设备101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计算设备101。
进一步参考图2，图2示出了可以应用本公开的一些实施例的图像去雾方法的一个应用场景的示意图。
在图2所示的应用场景中，首先，计算设备201可以将目标图像202输入到图像去雾网络203中，得到目标去雾图像204，其中，上述图像去雾网络203是通过图1所示应用场景中的模型训练方法生成的。
需要说明的是，上述计算设备201可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或电子设备组成的分布式集群，也可以实现成单个服务器或单个电子设备。当计算设备体现为软件时，可以实现成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。
应该理解，图2中的计算设备201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计算设备201。
继续参考图3，示出了根据本公开的模型训练方法的一些实施例的流程300。该模型训练方法，包括以下步骤：
步骤301，获取多个有雾图像和多个清晰图像对。
其中，上述有雾图像包括图像对比度低于预设阈值的图像，上述清晰图像对中包括两个相适配的清晰图像，上述清晰图像包括图像对比度高于上述预设阈值的图像。
在一些实施例中，模型训练方法的执行主体可以(例如图1所示的计算设备)可以通过有线连接方式或者无线连接方式获取上述多个有雾图像和多个清晰图像对。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤302，对上述多个有雾图像中的每个有雾图像进行去雾，得到多个去雾图像对。
其中，上述多个去雾图像对中的每个去雾图像对包括一个有雾图像和与上述一个有雾图像对应的一个去雾图像。
在一些实施例中，上述执行主体可以通过使用现有的去雾算法对上述有雾图像进行去雾。例如，基于导向滤波的暗通道去雾算法、最大对比度算法、颜色衰减先验算法等。
步骤303，基于上述多个去雾图像对和上述多个清晰图像对训练待训练图像去雾网络，得到图像去雾网络。
在一些实施例的一些可选的实现方式中，上述执行主体在基于上述多个去雾图像对和上述多个清晰图像对训练待训练图像去雾网络，得到图像去雾网络之前，在上述多个去雾图像对中确定多个目标去雾图像对。在此基础上，上述执行主体使用上述多个目标去雾图像对和上述多个清晰图像对训练待训练图像去雾网络，得到图像去雾网络。采用本实现方式的这些实施例通过对多个去雾图像对进行筛选，使训练样本的质量得到了保证。从而使训练出的图像去雾网络去雾效果更好。
在一些实施例中，上述执行主体可以通过接收人工输入的方式在上述多个去雾图像对中确定多个目标去雾图像对。
在一些实施例的一些可选的实现方式中，上述执行主体还可以首先对上述多个去雾图像对中的每个去雾图像对中的去雾图像，确定上述去雾图像每个通道中像素值的方差。之后将每个通道中像素值的方差大于预设阈值的去雾图像所属的去雾图像对确定为上述目标去雾图像对，得到上述多个目标去雾图像对。采用本实现方式的这些实施例通过使用去雾图像每个通道中像素值的方差确定多个目标去雾图像对，节省了人力资源，并且筛选更加严谨科学。筛选出的训练样本更好。
在一些实施例的一些可选的实现方式中，上述执行主体还可以将上述多个去雾图像对分别输入到预先训练好的分类网络中，得到多个分类结果，上述多个分类结果中的每个分类结果表征对应的去雾图像对是否为目标去雾图像对。基于上述分类结果，确定上述多个目标去雾图像对。采用本实现方式的这些实施例通过使用分类网络筛选训练样本，节省了人力资源和计算资源。
在一些实施例中，上述模型训练方法的执行主体可以每次随机的在上述多个去雾图像对和上述多个清晰图像对中确定一个图像对作为训练样本。例如，某次选择的训练样本为一去雾图像对。则上述模型训练方法的执行主体可以通过以下步骤对上述待训练图像去雾网络进行训练：
步骤一，将上述一去雾图像对中的有雾图像输入到上述待训练图像去雾网络中，得到预测去雾图像。
步骤二，对上述预测去雾图像和上述一去雾图像对中的去雾图像进行分析比较，得到比较结果。
作为示例，上述模型训练方法的执行主体可以首先确定上述预测去雾图像中的每个像素值与上述去雾图像中对应的像素值的差值，得到多个差值。之后，将上述多个差值的绝对值之和确定为上述比较结果。
步骤三，根据上述比较结果确定上述预测去雾图像的损失值。
作为示例，上述模型训练方法的执行主体可以将上述比较结果取对数的结果确定为上述损失值。
作为又一示例，上述模型训练方法的执行主体还可以将上述比较结果取直接确定为上述损失值。
步骤四，响应于确定上述待训练去雾网络未训练完成，基于上述损失值，调整上述待训练去雾网络中的参数。
在一些实施例中，上述模型训练方法的执行主体可以通过确定训练次数是否大于预设次数阈值，确定上述待训练去雾网络是否训练完成。
在一些实施例中，上述模型训练方法的执行主体还可以通过确定上述损失值是否小于预设阈值，确定上述待训练去雾网络是否训练完成。
本公开的一些实施例提供的方法通过在训练图像去雾网络时添加不需要去雾的图像，使图像去雾网络能够应对不需要去雾的图像。
继续参考图4，示出了根据本公开的图像去雾方法的一些实施例的流程400。该图像去雾方法，包括以下步骤：
步骤401，将目标图像输入到图像去雾网络中，得到目标去雾图像。
其中，上述图像去雾网络是通过本公开任意实施例中的模型训练方法生成的。
进一步参考图5，其示出了模型训练方法的另一些实施例的流程500。该模型训练方法的流程500，包括以下步骤：
步骤501，获取多个有雾图像和多个清晰图像对。
其中，上述有雾图像包括图像对比度低于预设阈值的图像，上述清晰图像对中包括两个相适配的清晰图像，上述清晰图像包括图像对比度高于上述预设阈值的图像。
步骤502，对上述多个有雾图像中的每个有雾图像进行去雾，得到多个去雾图像对。
其中，上述多个去雾图像对中的每个去雾图像对包括一个有雾图像和与上述一个有雾图像对应的一个去雾图像。
在一些实施例中，步骤501-502的具体实现及其所带来的技术效果，可以参考图3对应的实施例中的步骤301-302，在此不再赘述。
步骤503，将上述多个去雾图像对和上述多个清晰图像对分为预设数目个批次训练待训练图像去雾网络，得到图像去雾网络，其中，上述预设数目批次的各个批次中的样本总数相同，上述样本总数为上述去雾图像对的个数与上述清晰图像对的个数之和，以及，在上述多个批次中，按照训练的先后顺序，从第一个批次开始，每间隔第一数目个批次，上述去雾图像对的个数减少一个，且上述清晰图像对的个数增加一个。
在一些实施例中，上述第一数目可以是根据实际需要任意确定的。
在一些实施例的一些可选的实现方式中，上述第一数目还可以是上述预设数目与上述样本总数半数的比值。采用本实现方式的这些实施例可以使每一批次的训练样本中的清晰图像对个数和去雾图像对个数的比值均匀增长，从而使模型训练过程更加稳定，训练出的模型质量较好。
从图5中可以看出，与图3对应的一些实施例的描述相比，图5对应的一些实施例中的模型训练方法的流程500描述的方案通过将上述多个去雾图像对和上述多个清晰图像对分为预设数目个批次训练上述待训练图像去雾网络，得到上述图像去雾网络。并且按照训练的先后顺序，从第一个批次开始，每间隔第一数目个批次，上述去雾图像对的个数减少一个，且上述清晰图像对的个数增加一个。使上述待训练网络逐步提高对清晰图像的应对能力，避免了随机混合训练导致的训练过程不稳定和训练出的网络质量不好。
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种模型训练装置的一些实施例，这些装置实施例与图3所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，一些实施例的模型训练装置600包括：获取单元601、去雾单元602、训练单元603。其中，获取单元601，被配置成获取多个有雾图像和多个清晰图像对，其中上述有雾图像包括图像对比度低于预设阈值的图像，上述清晰图像对中包括两个相适配的清晰图像，上述清晰图像包括图像对比度高于上述预设阈值的图像；去雾单元602，被配置成对上述多个有雾图像中的每个有雾图像进行去雾，得到多个去雾图像对，上述多个去雾图像对中的每个去雾图像对包括一个有雾图像和与上述一个有雾图像对应的一个去雾图像；训练单元603，被配置成基于上述多个去雾图像对和上述多个清晰图像对训练待训练图像去雾网络，得到图像去雾网络。
在一些实施例的可选实现方式中，装置600还包括：确定单元，被配置成在上述多个去雾图像对中确定多个目标去雾图像对；以及上述训练单元603进一步被配置成：使用上述多个目标去雾图像对和上述多个清晰图像对训练待训练图像去雾网络，得到图像去雾网络。
在一些实施例的可选实现方式中，上述确定单元进一步被配置成：对上述多个去雾图像对中的每个去雾图像对中的去雾图像，确定上述去雾图像每个通道中像素值的方差；将每个通道中像素值的方差大于预设阈值的去雾图像所属的去雾图像对确定为上述目标去雾图像对，得到上述多个目标去雾图像对。
在一些实施例的可选实现方式中，训练单元603进一步被配置成：将上述多个去雾图像对和上述多个清晰图像对分为预设数目个批次训练上述待训练图像去雾网络，得到上述图像去雾网络，其中，上述预设数目批次的各个批次中的样本总数相同，上述样本总数为上述去雾图像对的个数与上述清晰图像对的个数之和，以及，在上述多个批次中，按照训练的先后顺序，从第一个批次开始，每间隔第一数目个批次，上述去雾图像对的个数减少一个，且上述清晰图像对的个数增加一个。
在一些实施例的可选实现方式中，第一数目为上述预设数目与上述样本总数半数的比值。
在一些实施例的可选实现方式中，上述确定单元进一步被配置成：将上述多个去雾图像对分别输入到预先训练好的分类网络中，得到多个分类结果，上述多个分类结果中的每个分类结果表征对应的去雾图像对是否为目标去雾图像对；基于上述分类结果，确定上述多个目标去雾图像对。
可以理解的是，该装置600中记载的诸单元与参考图3描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元，在此不再赘述。
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去雾装置的一些实施例，这些装置实施例与图4所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中
如图7所示，一些实施例的模型训练装置700包括：输入单元701，被配置成将目标图像输入到图像去雾网络中，得到目标去雾图像，其中，上述图像去雾网络是通过本公开任意实施例中的模型训练方法生成的。
下面参考图8，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备)800的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图8中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM 802被安装。在该计算机程序被处理装置801执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例所述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。在本公开的一些实施例中，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。而在本公开的一些实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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电子设备执行时，使得该电子设备：获取多个有雾图像和多个清晰图像对，其中上述有雾图像包括图像对比度低于预设阈值的图像，上述清晰图像对中包括两个相适配的清晰图像，上述清晰图像包括图像对比度高于上述预设阈值的图像；对上述多个有雾图像中的每个有雾图像进行去雾，得到多个去雾图像对，上述多个去雾图像对中的每个去雾图像对包括一个有雾图像和与上述一个有雾图像对应的一个去雾图像；基于上述多个去雾图像对和上述多个清晰图像对训练待训练图像去雾网络，得到图像去雾网络。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。
描述于本公开的一些实施例中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：一种处理器包括获取单元、去雾单元、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“训练图像去雾网络的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一个或多个实施例，提供了一种模型训练方法，包括：获取多个有雾图像和多个清晰图像对，其中上述有雾图像包括图像对比度低于预设阈值的图像，上述清晰图像对中包括两个相适配的清晰图像，上述清晰图像包括图像对比度高于上述预设阈值的图像；对上述多个有雾图像中的每个有雾图像进行去雾，得到多个去雾图像对，上述多个去雾图像对中的每个去雾图像对包括一个有雾图像和与上述一个有雾图像对应的一个去雾图像；基于上述多个去雾图像对和上述多个清晰图像对训练待训练图像去雾网络，得到图像去雾网络。
根据本公开的一个或多个实施例，在上述对上述多个有雾图像中的每个有雾图像进行去雾，得到多个去雾图像对之后，上述方法还包括：在上述多个去雾图像对中确定多个目标去雾图像对；以及上述基于上述多个去雾图像对和上述多个清晰图像对训练待训练图像去雾网络，得到图像去雾网络，包括：使用上述多个目标去雾图像对和上述多个清晰图像对训练待训练图像去雾网络，得到图像去雾网络。
根据本公开的一个或多个实施例，在上述多个去雾图像对中确定多个目标去雾图像对，包括：对上述多个去雾图像对中的每个去雾图像对中的去雾图像，确定上述去雾图像每个通道中像素值的方差；将每个通道中像素值的方差大于预设阈值的去雾图像所属的去雾图像对确定为上述目标去雾图像对，得到上述多个目标去雾图像对。
根据本公开的一个或多个实施例，基于上述多个去雾图像对和上述多个清晰图像对训练待训练图像去雾网络，得到图像去雾网络，包括：将上述多个去雾图像对和上述多个清晰图像对分为预设数目个批次训练上述待训练图像去雾网络，得到上述图像去雾网络，其中，上述预设数目批次的各个批次中的样本总数相同，上述样本总数为上述去雾图像对的个数与上述清晰图像对的个数之和，以及，在上述多个批次中，按照训练的先后顺序，从第一个批次开始，每间隔第一数目个批次，上述去雾图像对的个数减少一个，且上述清晰图像对的个数增加一个。
根据本公开的一个或多个实施例，第一数目为上述预设数目与上述样本总数半数的比值。
根据本公开的一个或多个实施例，在上述多个去雾图像对中确定多个目标去雾图像对，包括：将上述多个去雾图像对分别输入到预先训练好的分类网络中，得到多个分类结果，上述多个分类结果中的每个分类结果表征对应的去雾图像对是否为目标去雾图像对；基于上述分类结果，确定上述多个目标去雾图像对。
根据本公开的一个或多个实施例，提供了一种图像去雾方法，包括：将目标图像输入到图像去雾网络中，得到目标去雾图像，其中，上述图像去雾网络是通过上述模型训练方法生成的。
根据本公开的一个或多个实施例，提供了一种模型训练装置，包括：获取单元，被配置成获取多个有雾图像和多个清晰图像对，其中上述有雾图像包括图像对比度低于预设阈值的图像，上述清晰图像对中包括两个相适配的清晰图像，上述清晰图像包括图像对比度高于上述预设阈值的图像；去雾单元，被配置成对上述多个有雾图像中的每个有雾图像进行去雾，得到多个去雾图像对，上述多个去雾图像对中的每个去雾图像对包括一个有雾图像和与上述一个有雾图像对应的一个去雾图像；训练单元，被配置成基于上述多个去雾图像对和上述多个清晰图像对训练待训练图像去雾网络，得到图像去雾网络。
根据本公开的一个或多个实施例，装置还包括：确定单元，被配置成在上述多个去雾图像对中确定多个目标去雾图像对；以及上述训练单元进一步被配置成：使用上述多个目标去雾图像对和上述多个清晰图像对训练待训练图像去雾网络，得到图像去雾网络。
根据本公开的一个或多个实施例，上述确定单元进一步被配置成：对上述多个去雾图像对中的每个去雾图像对中的去雾图像，确定上述去雾图像每个通道中像素值的方差；将每个通道中像素值的方差大于预设阈值的去雾图像所属的去雾图像对确定为上述目标去雾图像对，得到上述多个目标去雾图像对。
根据本公开的一个或多个实施例，训练单元进一步被配置成：将上述多个去雾图像对和上述多个清晰图像对分为预设数目个批次训练上述待训练图像去雾网络，得到上述图像去雾网络，其中，上述预设数目批次的各个批次中的样本总数相同，上述样本总数为上述去雾图像对的个数与上述清晰图像对的个数之和，以及，在上述多个批次中，按照训练的先后顺序，从第一个批次开始，每间隔第一数目个批次，上述去雾图像对的个数减少一个，且上述清晰图像对的个数增加一个。
根据本公开的一个或多个实施例，第一数目为上述预设数目与上述样本总数半数的比值。
根据本公开的一个或多个实施例，上述确定单元进一步被配置成：将上述多个去雾图像对分别输入到预先训练好的分类网络中，得到多个分类结果，上述多个分类结果中的每个分类结果表征对应的去雾图像对是否为目标去雾图像对；基于上述分类结果，确定上述多个目标去雾图像对。
根据本公开的一个或多个实施例，提供了一种模型训练装置，包括：输入单元，被配置成将目标图像输入到图像去雾网络中，得到目标去雾图像，其中，上述图像去雾网络是通过上述模型训练装置生成的。
根据本公开的一个或多个实施例，提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，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上述任一的方法。
根据本公开的一个或多个实施例，提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如上述任一的方法。
以上描述仅为本公开的一些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，本公开的实施例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。例如上述特征与本公开的实施例中公开的(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 (11)

1.一种模型训练方法，包括：
获取多个有雾图像和多个清晰图像对，其中所述有雾图像包括图像对比度低于预设阈值的图像，所述清晰图像对中包括两个相适配的清晰图像，所述清晰图像包括图像对比度高于所述预设阈值的图像；
对所述多个有雾图像中的每个有雾图像进行去雾，得到多个去雾图像对，所述多个去雾图像对中的每个去雾图像对包括一个有雾图像和与所述一个有雾图像对应的一个去雾图像；
基于所述多个去雾图像对和所述多个清晰图像对训练待训练图像去雾网络，得到图像去雾网络。
2.根据权利要求1所述的方法，其中，在所述对所述多个有雾图像中的每个有雾图像进行去雾，得到多个去雾图像对之后，所述方法还包括：
在所述多个去雾图像对中确定多个目标去雾图像对；以及
所述基于所述多个去雾图像对和所述多个清晰图像对训练待训练图像去雾网络，得到图像去雾网络，包括：
使用所述多个目标去雾图像对和所述多个清晰图像对训练待训练图像去雾网络，得到图像去雾网络。
3.根据权利要求2所述的方法，其中，所述在所述多个去雾图像对中确定多个目标去雾图像对，包括：
对所述多个去雾图像对中的每个去雾图像对中的去雾图像，确定所述去雾图像每个通道中像素值的方差；
将每个通道中像素值的方差大于预设阈值的去雾图像所属的去雾图像对确定为所述目标去雾图像对，得到所述多个目标去雾图像对。
4.根据权利要求1所述的方法，其中，所述基于所述多个去雾图像对和所述多个清晰图像对训练待训练图像去雾网络，得到图像去雾网络，包括：
将所述多个去雾图像对和所述多个清晰图像对分为预设数目个批次训练所述待训练图像去雾网络，得到所述图像去雾网络，其中，所述预设数目批次的各个批次中的样本总数相同，所述样本总数为所述去雾图像对的个数与所述清晰图像对的个数之和，以及，在所述多个批次中，按照训练的先后顺序，从第一个批次开始，每间隔第一数目个批次，所述去雾图像对的个数减少一个，且所述清晰图像对的个数增加一个。
5.根据权利要求4所述的方法，其中，所述第一数目为所述预设数目与所述样本总数半数的比值。
6.根据权利要求2所述的方法，其中，所述在所述多个去雾图像对中确定多个目标去雾图像对，包括：
将所述多个去雾图像对分别输入到预先训练好的分类网络中，得到多个分类结果，所述多个分类结果中的每个分类结果表征对应的去雾图像对是否为目标去雾图像对；
基于所述分类结果，确定所述多个目标去雾图像对。
7.一种图像去雾方法，包括：
将目标图像输入到图像去雾网络中，得到目标去雾图像，其中，所述图像去雾网络是通过权利要求1-6之一所述的方法生成的。
8.一种模型训练装置，包括：
获取单元，被配置成获取多个有雾图像和多个清晰图像对，其中所述有雾图像包括图像对比度低于预设阈值的图像，所述清晰图像对中包括两个相适配的清晰图像，所述清晰图像包括图像对比度高于所述预设阈值的图像；
去雾单元，被配置成对所述多个有雾图像中的每个有雾图像进行去雾，得到多个去雾图像对，所述多个去雾图像对中的每个去雾图像对包括一个有雾图像和与所述一个有雾图像对应的一个去雾图像；
训练单元，被配置成基于所述多个去雾图像对和所述多个清晰图像对训练待训练图像去雾网络，得到图像去雾网络。
9.一种图像去雾装置，包括：
输入单元，被配置成将目标图像输入到图像去雾网络中，得到目标去雾图像，其中，所述图像去雾网络是通过权利要求1-6之一所述的方法生成的。
10.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
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1-6中任一或权利要求7所述的方法。
11.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-6中任一或权利要求7所述的方法。
CN202011394036.4A 2020-12-02 2020-12-02 模型训练和图像去雾方法、装置、设备 Active CN112488943B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011394036.4A CN112488943B (zh) 2020-12-02 2020-12-02 模型训练和图像去雾方法、装置、设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011394036.4A CN112488943B (zh) 2020-12-02 2020-12-02 模型训练和图像去雾方法、装置、设备

Publications (2)

Publication Number Publication Date
CN112488943A CN112488943A (zh) 2021-03-12
CN112488943B true CN112488943B (zh) 2024-02-02

Family

ID=74938162

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011394036.4A Active CN112488943B (zh) 2020-12-02 2020-12-02 模型训练和图像去雾方法、装置、设备

Country Status (1)

Country Link
CN (1) CN112488943B (zh)

Citations (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103686113A (zh) * 2012-09-14 2014-03-26 富士通株式会社 基于数字相机的原始数据的白平衡系统和方法
CN106780579A (zh) * 2017-01-17 2017-05-31 华中科技大学 一种超大规模图像特征点匹配方法及系统
CN106910175A (zh) * 2017-02-28 2017-06-30 武汉大学 一种基于深度学习的单幅图像去雾算法
WO2017175231A1 (en) * 2016-04-07 2017-10-12 Carmel Haifa University Economic Corporation Ltd. Image dehazing and restoration
CN107452037A (zh) * 2017-08-02 2017-12-08 北京航空航天大学青岛研究院 一种基于gps辅助信息加速的从运动中恢复结构方法
CN107798669A (zh) * 2017-12-08 2018-03-13 北京小米移动软件有限公司 图像去雾方法、装置及计算机可读存储介质
CN108765340A (zh) * 2018-05-29 2018-11-06 Oppo（重庆）智能科技有限公司 模糊图像处理方法、装置及终端设备
CN108765344A (zh) * 2018-05-30 2018-11-06 南京信息工程大学 一种基于深度卷积神经网络的单幅图像雨线去除的方法
CN109859120A (zh) * 2019-01-08 2019-06-07 北京交通大学 基于多尺度残差网络的图像去雾方法
CN109859147A (zh) * 2019-03-01 2019-06-07 武汉大学 一种基于生成对抗网络噪声建模的真实图像去噪方法
CN109903232A (zh) * 2018-12-20 2019-06-18 江南大学 一种基于卷积神经网络的图像去雾方法
CN109993712A (zh) * 2019-04-01 2019-07-09 腾讯科技（深圳）有限公司 图像处理模型的训练方法、图像处理方法及相关设备
CN110163813A (zh) * 2019-04-16 2019-08-23 中国科学院深圳先进技术研究院 一种图像去雨方法、装置、可读存储介质及终端设备
CN110189260A (zh) * 2019-04-15 2019-08-30 浙江大学 一种基于多尺度并行门控神经网络的图像降噪方法
WO2019192338A1 (zh) * 2018-04-04 2019-10-10 腾讯科技（深圳）有限公司 图像的处理方法、装置、存储介质和电子装置
CN110599413A (zh) * 2019-08-15 2019-12-20 江苏大学 基于深度学习卷积神经网络的激光光斑图像去噪的方法
WO2020006961A1 (zh) * 2018-07-03 2020-01-09 北京字节跳动网络技术有限公司 用于提取图像的方法和装置
CN110738605A (zh) * 2019-08-30 2020-01-31 山东大学 基于迁移学习的图像去噪方法、系统、设备及介质
CN110770784A (zh) * 2017-06-21 2020-02-07 佳能株式会社 图像处理装置、成像装置、图像处理方法、程序、以及存储介质
CN111095284A (zh) * 2019-08-23 2020-05-01 深圳市汇顶科技股份有限公司 指纹检测装置、方法和电子设备
CN111539879A (zh) * 2020-04-15 2020-08-14 清华大学深圳国际研究生院 基于深度学习的视频盲去噪方法及装置
CN111667421A (zh) * 2020-05-25 2020-09-15 武汉大学 一种图像去雾方法
CN111667424A (zh) * 2020-05-28 2020-09-15 武汉大学 一种基于无监督的真实图像去噪方法
CN111681178A (zh) * 2020-05-22 2020-09-18 厦门大学 一种基于知识蒸馏的图像去雾方法
WO2020233200A1 (zh) * 2019-05-17 2020-11-26 北京字节跳动网络技术有限公司 用于训练模型的方法和装置、用于预测信息的方法和装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9344639B2 (en) * 2014-08-12 2016-05-17 Google Technology Holdings LLC High dynamic range array camera
US10593020B2 (en) * 2018-02-02 2020-03-17 Nvidia Corp. Unsupervised learning approach for video deblurring
US11222409B2 (en) * 2019-05-22 2022-01-11 Nec Corporation Image/video deblurring using convolutional neural networks with applications to SFM/SLAM with blurred images/videos

Patent Citations (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103686113A (zh) * 2012-09-14 2014-03-26 富士通株式会社 基于数字相机的原始数据的白平衡系统和方法
WO2017175231A1 (en) * 2016-04-07 2017-10-12 Carmel Haifa University Economic Corporation Ltd. Image dehazing and restoration
CN106780579A (zh) * 2017-01-17 2017-05-31 华中科技大学 一种超大规模图像特征点匹配方法及系统
CN106910175A (zh) * 2017-02-28 2017-06-30 武汉大学 一种基于深度学习的单幅图像去雾算法
CN110770784A (zh) * 2017-06-21 2020-02-07 佳能株式会社 图像处理装置、成像装置、图像处理方法、程序、以及存储介质
CN107452037A (zh) * 2017-08-02 2017-12-08 北京航空航天大学青岛研究院 一种基于gps辅助信息加速的从运动中恢复结构方法
CN107798669A (zh) * 2017-12-08 2018-03-13 北京小米移动软件有限公司 图像去雾方法、装置及计算机可读存储介质
WO2019192338A1 (zh) * 2018-04-04 2019-10-10 腾讯科技（深圳）有限公司 图像的处理方法、装置、存储介质和电子装置
CN108765340A (zh) * 2018-05-29 2018-11-06 Oppo（重庆）智能科技有限公司 模糊图像处理方法、装置及终端设备
CN108765344A (zh) * 2018-05-30 2018-11-06 南京信息工程大学 一种基于深度卷积神经网络的单幅图像雨线去除的方法
WO2020006961A1 (zh) * 2018-07-03 2020-01-09 北京字节跳动网络技术有限公司 用于提取图像的方法和装置
CN109903232A (zh) * 2018-12-20 2019-06-18 江南大学 一种基于卷积神经网络的图像去雾方法
CN109859120A (zh) * 2019-01-08 2019-06-07 北京交通大学 基于多尺度残差网络的图像去雾方法
CN109859147A (zh) * 2019-03-01 2019-06-07 武汉大学 一种基于生成对抗网络噪声建模的真实图像去噪方法
CN109993712A (zh) * 2019-04-01 2019-07-09 腾讯科技（深圳）有限公司 图像处理模型的训练方法、图像处理方法及相关设备
CN110189260A (zh) * 2019-04-15 2019-08-30 浙江大学 一种基于多尺度并行门控神经网络的图像降噪方法
CN110163813A (zh) * 2019-04-16 2019-08-23 中国科学院深圳先进技术研究院 一种图像去雨方法、装置、可读存储介质及终端设备
WO2020233200A1 (zh) * 2019-05-17 2020-11-26 北京字节跳动网络技术有限公司 用于训练模型的方法和装置、用于预测信息的方法和装置
CN110599413A (zh) * 2019-08-15 2019-12-20 江苏大学 基于深度学习卷积神经网络的激光光斑图像去噪的方法
CN111095284A (zh) * 2019-08-23 2020-05-01 深圳市汇顶科技股份有限公司 指纹检测装置、方法和电子设备
CN110738605A (zh) * 2019-08-30 2020-01-31 山东大学 基于迁移学习的图像去噪方法、系统、设备及介质
CN111539879A (zh) * 2020-04-15 2020-08-14 清华大学深圳国际研究生院 基于深度学习的视频盲去噪方法及装置
CN111681178A (zh) * 2020-05-22 2020-09-18 厦门大学 一种基于知识蒸馏的图像去雾方法
CN111667421A (zh) * 2020-05-25 2020-09-15 武汉大学 一种图像去雾方法
CN111667424A (zh) * 2020-05-28 2020-09-15 武汉大学 一种基于无监督的真实图像去噪方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"End-to-End Single Image Fog Removal Using Enhanced Cycle Consistent Adversarial Networks";Wei Liu等;《IEEE Transactions on Image Processing》;第1-13页 *
"Noisy-as-Clean：Learning Self-Supervised Denoising From Corrupted Image";Jun Xu等;《IEEE Transactions on Image Processing》;第223-232页 *
"基于生成对抗网络和RetinaNet的销钉缺陷识别";王健等;《华南理工大学学报(自然科学版)》;第48卷(第2期);第1-8页 *
"多尺度卷积神经网络的噪声模糊图像复原";刘鹏飞等;《红外与激光工程》;第48卷(第4期);第1-9页 *
"条件生成对抗网络在遥感图像复原中的可行性";卜丽静等;《国土资源遥感》;第32卷(第1期);第27-34页 *

Also Published As

Publication number Publication date
CN112488943A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
CN111784712B (zh) 图像处理方法、装置、设备和计算机可读介质
CN114282581B (zh) 基于数据增强的训练样本获取方法、装置和电子设备
CN110889802B (zh) 图像处理方法和装置
CN110991373A (zh) 图像处理方法、装置、电子设备及介质
CN110765354A (zh) 信息的推送方法、装置、电子设备及存储介质
CN112419179B (zh) 修复图像的方法、装置、设备和计算机可读介质
CN112257582A (zh) 脚部姿态确定方法、装置、设备和计算机可读介质
CN111209432A (zh) 信息获取的方法、装置、电子设备及计算机可读介质
CN113033680B (zh) 视频分类方法、装置、可读介质及电子设备
CN110399802B (zh) 处理面部图像眼睛亮度的方法、装置、介质和电子设备
CN116319932A (zh) 内容推送模型的训练方法、装置、设备及存储介质
CN112488943B (zh) 模型训练和图像去雾方法、装置、设备
CN113435528B (zh) 对象分类的方法、装置、可读介质和电子设备
CN110719407A (zh) 图片美化方法、装置、设备及存储介质
CN112488947A (zh) 模型训练和图像处理方法、装置、设备和计算机可读介质
CN111680754B (zh) 图像分类方法、装置、电子设备及计算机可读存储介质
CN111737575B (zh) 内容分发方法、装置、可读介质及电子设备
CN113240108B (zh) 模型训练方法、装置和电子设备
CN111797931B (zh) 图像处理方法、图像处理网络训练方法、装置、设备
CN111726476B (zh) 图像处理方法、装置、设备和计算机可读介质
CN110807114B (zh) 用于图片展示的方法、装置、终端及存储介质
CN113222050A (zh) 图像分类方法、装置、可读介质及电子设备
CN112070034A (zh) 图像识别方法、装置、电子设备和计算机可读介质
CN112418233A (zh) 图像处理方法、装置、可读介质及电子设备
CN111399730A (zh) 图像处理方法、装置、电子设备及计算机可读存储介质

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