CN112749705A - 训练模型更新方法及相关设备 - Google Patents
训练模型更新方法及相关设备 Download PDFInfo
- Publication number
- CN112749705A CN112749705A CN201911065343.5A CN201911065343A CN112749705A CN 112749705 A CN112749705 A CN 112749705A CN 201911065343 A CN201911065343 A CN 201911065343A CN 112749705 A CN112749705 A CN 112749705A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- template
- contrast
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 205
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000009467 reduction Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003709 image segmentation Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000000546 chi-square test Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010187 selection method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012847 principal component analysis method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种训练模型更新方法及相关设备,其中,该方法包括:获取模板图像和训练模型所需的训练图像,该训练图像包括第一图像特征参数;根据模板图像和训练图像确定训练图像的第二图像特征参数,该第二图像特征参数的数量小于第一图像特征参数的数量;将第二图像特征参数输入所述训练模型以更新所述训练模型。本申请实施例通过模板图像确认训练模型所需的训练图像的图像特征参数,减小训练图像中与模板图像无关的图像特征参数,保证模型训练所需特征参数的相关性,以提高训练模型更新效率。
Description
技术领域
本申请涉及图像处理和机器学习领域,具体涉及一种训练模型更新方法及相关设备。
背景技术
随着大数据和高效计算资源的出现,机器学习在人工智能的很多领域中发挥重要作用,同时机器学习模型的正确性也受到日益重视。
大量的图像数据进行模型训练能有效保证模型预测的正确性,但是也存在如下问题:大量的图像数据存在过多的图像特征参数,不仅导致训练模型复杂度的上升,也容易出现训练模型快速过拟合的情况。此外,大量的图像数据中存在与训练对象无关的特征参数,这导致耗费大量硬件资源,造成模型训练过于缓慢,进而出现训练模型更新不及时,最终降低了模型训练的效率。
发明内容
本申请实施例提供了一种训练模型更新方法及相关设备,保证模型训练所需特征参数的相关性,以期望提高模型更新效率。
第一方面,本申请实施例提供一种训练模型更新方法,包括:
获取模板图像和训练模型所需的训练图像,所述训练图像包括第一图像特征参数;
根据所述模板图像和所述训练图像确定所述训练图像的第二图像特征参数,所述第二图像特征参数的数量小于所述第一图像特征参数的数量;
将所述第二图像特征参数输入所述训练模型以更新所述训练模型。
第二方面,本申请实施例提供一种训练模型更新装置,包括:
处理单元,用于获取模板图像和训练模型所需的训练图像,所述训练图像包括第一图像特征参数;用于根据所述模板图像和所述训练图像确定所述训练图像的第二图像特征参数,所述第二图像特征参数的数量小于所述第一图像特征参数的数量;以及用于将所述第二图像特征参数输入所述训练模型以更新所述训练模型。
第三方面,本申请实施例提供一种电子设备,包括处理器、存储器、通信接口,以及一个或多个程序,上述一个或多个程序被存储于所述存储器中,并且被配置由所述处理器执行,上述程序包括用于执行本申请实施例第一方面中的步骤的指令。
第四方面,本申请实施例提供一种计算机可读存储介质,其中,上述计算机可读存储介质存储用于电子数据交换的计算机程序,并且上述计算机程序被处理器执行以实现本申请实施例第一方面中的部分或全部步骤。
可以看出,本申请实施例中所描绘的训练模型更新方法及装置,通过模板图像确认训练模型所需的训练图像的图像特征参数,减小训练图像中与模板图像无关的图像特征参数,保证模型训练所需特征参数的相关性,以提高训练模型更新的效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种训练模型更新方法的流程示意图;
图2是本申请实施例提供的一种可能的模板图像和训练图像的示意图;
图3是本申请实施例提供的一种获取模板图像中的对比图像区域的示意图;
图4是本申请实施例提供的一种通过图像分割模型获得对比图像区域的示意图;
图5是本申请实施例提供的一种训练模型更新装置的结构示意图;
图6是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、软件、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请实施例所涉及到的电子设备可以是具备图像处理能力的电子设备,该电子设备可以包括各种具有无线通信和图像处理功能的手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其他处理设备,以及各种形式的用户设备(UserEquipment,UE)、移动台(Mobile Station,MS)、终端设备(terminal device)等等。
下面结合附图,对本申请实施例进行详细介绍。
下面具体描述训练模型更新的执行步骤,请参阅图1所示。图1是本申请实施例提供的一种训练模型更新方法的流程示意图,包括:
S101、获取模板图像和训练模型所需的训练图像,其中,训练图像包括第一图像特征参数。
具体的,模板图像可以包括由摄像头拍摄的照片、由视频中截取的一截图片或从数据库中选取的图片等等,也可以包括由摄像头从不同摄影角度拍摄的人物图像,以及在不同环境参数下拍摄的图片等等。
具体的,训练模型所需的训练图像可以通过专门提供模型训练的数据库中下载得到。
具体的,训练图像包括第一图像特征参数,该第一图像特征参数包括颜色特征、纹理特征、形状特征和空间关系特征中的至少一种。其中,颜色特征对训练图像中的所有像素点的颜色进行描述的;纹理特征是对训练图像中包含多个像素点的区域进行统计计算;形状特征有两类表示方法,一类是轮廓特征,另一类是区域特征,训练图像的轮廓特征是针对训练图像中的特定物体的外边界,而训练图像的区域特征则是关系到训练图像的整个形状区域;空间关系特征是指训练图像中分割出来的多个目标区域之间的相互的空间位置,该空间位置可分为连接与邻接关系、交叠与重叠关系和包含与包容关系等等。
具体的,当第一图像特征参数为颜色特征时,提取该第一图像特征参数的操作包括以下至少一种:颜色直方图、颜色集、颜色矩、颜色聚合向量;当第一图像特征参数为纹理特征时,提取该第一图像特征参数的操作包括以下至少一种:灰度共生矩阵、Tamura纹理特征、自回归纹理模型、小波变换、局部二值模式(Local Binary Pattern,LBP);当第一图像特征参数为形状特征时,提取该第一图像特征参数的操作包括以下至少一种:方向梯度直方图(Histogram of Oriented Gradient,HOG)特征、尺度不变特征变换(Scale-invariantfeature transform,SIFT);当第一图像特征参数为空间关系特征时,提取该第一图像特征参数的操作可以是对训练图像进行自动分割,划分出训练图像中的所有对象区域,再提取该所有对象区域中的图像特征,或者,将训练图像均匀地划分为多个图像子块,再对提取每个图像子块中的图像特征。其中,LBP是通过预设阈值来标记中心点像素与其相邻域像素之间的差别;HOG是一种用来进行物体检测的特征描述子,其通过计算和统计图像局部区域的梯度方向直方图来构成特征;SIFT通过求图像中的特征点及其有关尺寸和方向的描述子得到特征并进行图像特征点匹配。
请参阅图2,图2是本申请实施例提供的一种可能的模板图像和训练图像的示意图。模板图像210包括第一图像区域212和第二图像区域214;训练图像220包括第一图像区域222、第二图像区域224和第三图像区域226。训练图像220的第一图像特征参数包括第一图像区域222的图像特征参数、第二图像区域224的图像特征参数和第三图像区域226的图像特征参数。其中,通过手工标记图像区域的方法、基于机器学习的方法、基于大数据方法等等从模板图像210中划分出第一图像区域212和第二图像区域214。训练图像220也可以通过上述类似的方法划分出第一图像区域222、第二图像区域224和第三图像区域226。此外,模板图像210中第三图像区域226的图像特征参数可以包括利用颜色直方图法提取出的颜色特征、利用LBP提取出的纹理特征、利用HOG提取出的形状参数等等。
S102、根据模板图像和训练图像确定训练图像的第二图像特征参数,其中,第二图像特征参数的数量小于所述第一图像特征参数的数量。
具体的,根据模板图像210可以确定训练图像220中的第三图像区域226。其中,第二图像特征参数包括第三图像区域226中的图像特征参数。可以理解的是,该第二图像特征参数的数量小于第一图像特征参数的数量。
在一个可能的示例中,所述根据所述模板图像和所述训练图像确定所述训练图像的第二图像特征参数,包括:获取所述模板图像中的对比图像区域,所述对比图像区域用于同所述训练图像进行图像对比;以及根据所述对比图像区域和所述训练图像确定所述训练图像的第二图像特征参数。
具体的,获取模板图像210中的第一图像区域212,并根据该第一图像区域212确定训练图像220中的第三图像区域226以获得训练图像220的第二图像特征参数。
在一个可能的示例中,所述获取所述模板图像中的对比图像区域,包括:获取所述模板图像的图像参数值,所述图像参数值包括图像亮度、图像灰度值、图像对比度中的至少一种;以及根据所述图像参数值和预设图像参数范围确定所述模板图像中的对比图像区域。
具体的,模板图像210中的每个像素的颜色由红(R)分量、绿(G)分量和蓝(B)分量组成,R分量、G分量和B分量的取值范围均为0至255。当图像参数值包括图像灰度值时,对模板图像210进行图像灰度化处理,其中,图像灰度化处理具有以下操作:
灰度值=α*R+β*G+γ*B
其中,α、β和γ分别表示R分量、G分量和B分量的权重系数。α、β和γ取值在[0,1]之间,α、β和γ之和为数值1。
具体的,根据灰度化处理后的模板图像210和预设图像灰度值范围确定模板图像210中第一图像区域212。其中,预设图像灰度值范围可以通过以下操作获得:获取类似第一图像区域212的样本图像数据;以及基于大数据方法或者机器学习方法计算该样本图像数据的灰度值范围。
请参阅图3,图3是本申请实施例提供的一种获取模板图像中的对比图像区域的示意图。其中,1表示由预设图像灰度值范围确定为第一图像区域212的标识符号,0表示由预设图像灰度值范围确定为非第一图像区域的标识符号。在获取模板图像210中由1表示的标识符号的标记区域后,将该标记区域确定为模板图像210中的第一图像区域212。
在一个可能的示例中,所述获取所述模板图像中的对比图像区域,包括:将所述模板图像输入预先训练的图像分割模型,得到所述模板图像中的对比图像区域。
具体的,图像分割模型包括卷积神经网络(Convolutional Neural Network,CNN)、全卷积网络(FullyConvolutional Networks,FCN)、U-net卷积网络、循环卷积网络(Recurrent Neural Networks,RNN)、DeepLab网络等等,而DeepLab网络是一种结合了深度卷积神经网络(DCNNs)和概率图模型(DenseCRFs)的模型,其中,DeepLab网络包括DeepLabv1、DeepLabv2、DeepLabv3、DeepLabv3+等等。
请参阅图4,图4是本申请实施例提供的一种通过图像分割模型获得对比图像区域的示意图。其中,编码模块将模板图像210进行不同卷积速率处理和图像池化处理以提取模板图像210中特征的分辨率;译码模块将扩张卷积处理得到与编码模块中对应相同的分辨率的特征层经过1乘1卷积降通道,将编码模块输出的特征与1乘1卷积降通道后得到的特征经过连接,并将连接后的特征经过一个3乘3卷积以进一步细化特征,最后经过双线性上采样4倍以得到模板图像210中的第一图像区域212。
在一个可能的示例中,所述根据所述对比图像区域和所述训练图像确定所述训练图像的第二图像特征参数,包括:对所述对比图像区域和所述训练图像进行特征降维,所述特征降维包括方差选择法、相关系数法、卡方检验、互信息法、主成分分析法、线性判别分析法中的至少一种;确定特征降维后的所述对比图像区域在低维空间的第一特征向量和特征降维后的所述训练图像在低维空间的第二特征向量;根据所述第一特征向量、所述第二特征向量和预设比较系数计算公式确定比较系数;以及根据所述比较系数和预设比较系数范围确定所述训练图像的第二图像特征参数。
具体的,图像数据具有多维,而算法的时间复杂度与维数成指数级的增加。图像数据的特征降维能使得图像数据更容易使用、降低算法的计算开销、去除图像数据噪声、减小训练模型过拟合等等。特征降维包括特征选择和特征抽取,所述特征选择包括方差选择法、相关系数法、卡方检验、互信息法、递归特征消除法、基于惩罚项的特征选择法、基于树模型的特征选择法,所述特征抽取包括主成分分析法(Principal Component Analysis,PCA)、线性判别分析法(Linear Discriminant Analysis,LDA)。其中,PCA通过线性投影处理,将高维的图像数据映射到低维空间以进行表示,并保证在所投影的低维空间上的图像数据的方差最大,以减小图像数据的维度,并保留较多图像数据的原始数据;LDA是一种有监督的线性降维算法,并能够使得降维后的图像数据可以容易区分出来。
举例中,首先,通过PCA对模板图像210的第一图像区域212和训练图像220进行特征降维。其次,提取出特征降维后的第一图像区域212的特征向量Fa和降维后的训练图像220中的第一图像区域222的特征向量Fb、第二图像区域224的特征向量Fc以及第三图像区域226的特征向量Fd。然后,通过预设比较系数计算公式确定特征向量Fa与特征向量Fb的比较系数B1、特征向量Fa与特征向量Fc的比较系数B2以及特征向量Fa与特征向量Fd的比较系数B3。最后,根据B1、B2、B3和预设比较系数范围确定训练图像220的第二图像特征参数。
在一个可能的示例中,所述预设比较系数计算公式为:
B(Ia,Ib)=min(D(Va,Vb))
其中,Ia表示特征降维后的所述对比图像区域,Ia表示特征降维后的所述训练图像,B(Ia,Ib)表示所述比较系数,函数D为欧式距离计算公式,Va表示所述第一特征向量,Vb示所述第二特征向量。
在一个可能的示例中,所述根据所述模板图像和所述训练图像确定所述训练图像的第二图像特征参数,包括:提取所述模板图像的第三特征向量和所述训练图像的第四特征向量;根据所述第三特征向量、所述第四特征向量和预设对比系数计算公式确定对比系数;以及根据所述对比系数和预设对比系数范围确定所述训练图像的第二图像特征参数。
举例中,首先,提取模板图像210的第一图像区域212的特征向量Ga和第二图像区域214的特征向量Gb,以及训练图像220的第一图像区域222的特征向量Ka、第二图像区域224的特征向量Kb和第三图像区域226的特征向量Kc;然后,通过预设对比系数计算公式确定Ga与Ka的对比系数S1、Ga与Kb的对比系数S2、Ga与Kc的对比系数S3、Gb与Ka的对比系数S4、Gb与Kb的对比系数S5、Gb与Kc的对比系数S6;最后,根据S1、S2、S3、S4、S5、S6和预设对比系数范围确定训练图像220的第二图像特征参数。
在一个可能的示例中,所述预设对比系数计算公式为:
S(Ic,Id)=(VcVd)/(||Vc||2+||Vd||2-VcVd)
其中,Ic表示所述模板图像,Id表示所述训练图像,S(Ic,Id)表示所述对比系数,Vc表示所述第一特征向量,Vd表示所述第二特征向量。
S103、将第二图像特征参数输入训练模型以更新训练模型。
可以看出,本申请实施例中所描绘的训练模型更新方法,通过模板图像确认训练模型所需的训练图像的图像特征参数,减小训练图像中与模板图像无关的图像特征参数,保证模型训练所需特征参数的相关性,以提高训练模型更新的效率。
基于上述训练模型更新方法实施例的描述,本申请实施例还提供一种训练模型更新装置。请参阅图5,图5是申请实施例提供的一种训练模型更新装置的结构示意图。其中,训练模型更新装置500包括处理单元501和通信单元502。
其中,所述处理单元501,用于执行如上述方法实施例中的任一步骤,且在执行诸如发送等数据传输时,可选择的调用所述通信单元502来完成相应操作,下面进行详细说明。
所述处理单元501具体用于:获取模板图像和训练模型所需的训练图像,所述训练图像包括第一图像特征参数;根据所述模板图像和所述训练图像确定所述训练图像的第二图像特征参数,所述第二图像特征参数的数量小于所述第一图像特征参数的数量;以及将所述第二图像特征参数输入所述训练模型以更新所述训练模型。
可以看出,本申请实施例中所描绘的训练模型更新装置,通过模板图像确认训练模型所需的训练图像的图像特征参数,减小训练图像中与模板图像无关的图像特征参数,保证模型训练所需特征参数的相关性,以提高训练模型更新的效率。
在一个可能的示例中,在根据所述模板图像和所述训练图像确定所述训练图像的第二图像特征参数方面,所述处理单元501具体用于:获取所述模板图像中的对比图像区域,所述对比图像区域用于同所述训练图像进行图像对比;以及根据所述对比图像区域和所述训练图像确定所述训练图像的第二图像特征参数。
在一个可能的示例中,在获取所述模板图像中的对比图像区域方面,所述处理单元501具体用于:获取所述模板图像的图像参数值,所述图像参数值包括图像亮度、图像灰度值、图像对比度中的至少一种;以及根据所述图像参数值和预设图像参数范围确定所述模板图像中的对比图像区域。
在一个可能的示例中,在获取所述模板图像中的对比图像区域方面,所述处理单元501具体用于:将所述模板图像输入预先训练的图像分割模型,得到所述模板图像中的对比图像区域。
在一个可能的示例中,在根据所述对比图像区域和所述训练图像确定所述训练图像的第二图像特征参数方面,所述处理单元501具体用于:对所述对比图像区域和所述训练图像进行特征降维,所述特征降维包括方差选择法、相关系数法、卡方检验、互信息法、主成分分析法、线性判别分析法中的至少一种;确定特征降维后的所述对比图像区域在低维空间的第一特征向量和特征降维后的所述训练图像在低维空间的第二特征向量;根据所述第一特征向量、所述第二特征向量和预设比较系数计算公式确定比较系数;以及根据所述比较系数和预设比较系数范围确定所述训练图像的第二图像特征参数。
在一个可能的示例中,所述预设比较系数计算公式为:
B(Ia,Ib)=min(D(Va,Vb))
其中,Ia表示特征降维后的所述对比图像区域,Ia表示特征降维后的所述训练图像,B(Ia,Ib)表示所述比较系数,函数D为欧式距离计算公式,Va表示所述第一特征向量,Vb示所述第二特征向量。
在一个可能的示例中,在根据所述模板图像和所述训练图像确定所述训练图像的第二图像特征参数方面,所述处理单元501具体用于:提取所述模板图像的第三特征向量和所述训练图像的第四特征向量;根据所述第三特征向量、所述第四特征向量和预设对比系数计算公式确定对比系数;以及根据所述对比系数和预设对比系数范围确定所述训练图像的第二图像特征参数。
在一个可能的示例中,所述预设对比系数计算公式为:
S(Ic,Id)=(VcVd)/(||Vc||2+||Vd||2-VcVd)
其中,Ic表示所述模板图像,Id表示所述训练图像,S(Ic,Id)表示所述对比系数,Vc表示所述第一特征向量,Vd表示所述第二特征向量。
其中,训练模型更新装置500还可以包括存储单元503,用于存储执行上述操作的程序代码。此外,处理单元501可以是处理器,所述通信单元502可以是触控显示屏或者收发器,存储单元503可以是存储器。
基于上述方法实施例以及装置实施例的描述,本申请实施例还提供一种电子设备。请参阅图6,图6是本申请实施例提供的一种电子设备的结构示意图。其中,电子设备600包括应用处理器610、存储器620、通信接口630以及一个或多个程序621,其中,一个或多个程序621被存储在上述存储器620中,并且被配置由上述应用处理器610执行,一个或多个程序621包括用于执行以下步骤的指令:获取模板图像和训练模型所需的训练图像,所述训练图像包括第一图像特征参数;根据所述模板图像和所述训练图像确定所述训练图像的第二图像特征参数,所述第二图像特征参数的数量小于所述第一图像特征参数的数量;以及将所述第二图像特征参数输入所述训练模型以更新所述训练模型。
可以看出,通过模板图像确认训练模型所需的训练图像的图像特征参数,减小训练图像中与模板图像无关的图像特征参数,保证模型训练所需特征参数的相关性,以提高训练模型更新的效率。
在一个可能的示例中,在根据所述模板图像和所述训练图像确定所述训练图像的第二图像特征参数方面,一个或多个程序621中的指令具体用于执行以下操作:获取所述模板图像中的对比图像区域,所述对比图像区域用于同所述训练图像进行图像对比;以及根据所述对比图像区域和所述训练图像确定所述训练图像的第二图像特征参数。
在一个可能的示例中,在获取所述模板图像中的对比图像区域方面,一个或多个程序621中的指令具体用于执行以下操作:获取所述模板图像的图像参数值,所述图像参数值包括图像亮度、图像灰度值、图像对比度中的至少一种;以及根据所述图像参数值和预设图像参数范围确定所述模板图像中的对比图像区域。
在一个可能的示例中,在获取所述模板图像中的对比图像区域方面,一个或多个程序621中的指令具体用于执行以下操作:将所述模板图像输入预先训练的图像分割模型,得到所述模板图像中的对比图像区域。
在一个可能的示例中,在根据所述对比图像区域和所述训练图像确定所述训练图像的第二图像特征参数方面,一个或多个程序621中的指令具体用于执行以下操作:对所述对比图像区域和所述训练图像进行特征降维,所述特征降维包括方差选择法、相关系数法、卡方检验、互信息法、主成分分析法、线性判别分析法中的至少一种;确定特征降维后的所述对比图像区域在低维空间的第一特征向量和特征降维后的所述训练图像在低维空间的第二特征向量;根据所述第一特征向量、所述第二特征向量和预设比较系数计算公式确定比较系数;以及根据所述比较系数和预设比较系数范围确定所述训练图像的第二图像特征参数。
在一个可能的示例中,所述预设比较系数计算公式为:
B(Ia,Ib)=min(D(Va,Vb))
其中,Ia表示特征降维后的所述对比图像区域,Ia表示特征降维后的所述训练图像,B(Ia,Ib)表示所述比较系数,函数D为欧式距离计算公式,Va表示所述第一特征向量,Vb示所述第二特征向量。
在一个可能的示例中,在根据所述模板图像和所述训练图像确定所述训练图像的第二图像特征参数方面,一个或多个程序621中的指令具体用于执行以下操作:提取所述模板图像的第三特征向量和所述训练图像的第四特征向量;根据所述第三特征向量、所述第四特征向量和预设对比系数计算公式确定对比系数;以及根据所述对比系数和预设对比系数范围确定所述训练图像的第二图像特征参数。
在一个可能的示例中,所述预设对比系数计算公式为:
S(Ic,Id)=(VcVd)/(||Vc||2+||Vd||2-VcVd)
其中,Ic表示所述模板图像,Id表示所述训练图像,S(Ic,Id)表示所述对比系数,Vc表示所述第一特征向量,Vd表示所述第二特征向量。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤,上述计算机包括服务器。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,上述计算机包括服务器。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个软件,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random AccessMemory,RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体示例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种训练模型更新方法,其特征在于,包括:
获取模板图像和训练模型所需的训练图像,所述训练图像包括第一图像特征参数;
根据所述模板图像和所述训练图像确定所述训练图像的第二图像特征参数,所述第二图像特征参数的数量小于所述第一图像特征参数的数量;
将所述第二图像特征参数输入所述训练模型以更新所述训练模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述模板图像和所述训练图像确定所述训练图像的第二图像特征参数,包括:
获取所述模板图像中的对比图像区域,所述对比图像区域用于同所述训练图像进行图像对比;
根据所述对比图像区域和所述训练图像确定所述训练图像的第二图像特征参数。
3.根据权利要求2所述的方法,其特征在于,所述获取所述模板图像中的对比图像区域,包括:
获取所述模板图像的图像参数值;
根据所述图像参数值和预设图像参数范围确定所述模板图像中的对比图像区域。
4.根据权利要求2所述的方法,其特征在于,所述获取所述模板图像中的对比图像区域,包括:
将所述模板图像输入预先训练的图像分割模型,得到所述模板图像中的对比图像区域。
5.根据权利要求2-4任一项所述的方法,其特征在于,所述根据所述对比图像区域和所述训练图像确定所述训练图像的第二图像特征参数,包括:
对所述对比图像区域和所述训练图像进行特征降维;
确定特征降维后的所述对比图像区域在低维空间的第一特征向量和特征降维后的所述训练图像在低维空间的第二特征向量;
根据所述第一特征向量、所述第二特征向量和预设比较系数计算公式确定比较系数;
根据所述比较系数和预设比较系数范围确定所述训练图像的第二图像特征参数。
6.根据权利要求1所述的方法,其特征在于,所述根据所述模板图像和所述训练图像确定所述训练图像的第二图像特征参数,包括:
提取所述模板图像的第三特征向量和所述训练图像的第四特征向量;
根据所述第三特征向量、所述第四特征向量和预设对比系数计算公式确定对比系数;
根据所述对比系数和预设对比系数范围确定所述训练图像的第二图像特征参数。
7.一种训练模型更新装置,其特征在于,包括:
处理单元,用于获取模板图像和训练模型所需的训练图像,所述训练图像包括第一图像特征参数;用于根据所述模板图像和所述训练图像确定所述训练图像的第二图像特征参数,所述第二图像特征参数的数量小于所述第一图像特征参数的数量;以及用于将所述第二图像特征参数输入所述训练模型以更新所述训练模型。
8.根据权利要求7所述的装置,其特征在于,所述根据所述模板图像和所述训练图像确定所述训练图像的第二图像特征参数,包括:
处理单元,用于获取所述模板图像中的对比图像区域,所述对比图像区域用于同所述训练图像进行图像对比;以及用于根据所述对比图像区域和所述训练图像确定所述训练图像的第二图像特征参数。
9.一种电子设备,其特征在于,包括处理器、存储器、通信接口,以及一个或多个程序,所述一个或多个程序被存储于所述存储器中,并且被配置由所述处理器执行,所述一个或多个程序包括用于执行如权利要求1-6任一项所述的方法中的步骤的指令。
10.一种计算机可读存储介质,其特征在于,存储用于电子数据交换的计算机程序,其中,所述计算机程序被处理器执行以实现如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911065343.5A CN112749705A (zh) | 2019-10-31 | 2019-10-31 | 训练模型更新方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911065343.5A CN112749705A (zh) | 2019-10-31 | 2019-10-31 | 训练模型更新方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112749705A true CN112749705A (zh) | 2021-05-04 |
Family
ID=75645087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911065343.5A Pending CN112749705A (zh) | 2019-10-31 | 2019-10-31 | 训练模型更新方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112749705A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1699916A (zh) * | 2004-03-25 | 2005-11-23 | 株式会社三丰 | 从由机器视觉检查系统执行的检查操作中排除无关特征的系统和方法 |
CN101216896A (zh) * | 2008-01-14 | 2008-07-09 | 浙江大学 | 一种基于模版匹配的视点无关的人体动作识别方法 |
US20120148103A1 (en) * | 2009-08-23 | 2012-06-14 | Iad Gesellschaft Fur Informatik, Automatisierung Und Datenverarbeitung Mbh | Method and system for automatic object detection and subsequent object tracking in accordance with the object shape |
CN104951743A (zh) * | 2015-03-04 | 2015-09-30 | 苏州大学 | 基于主动形状模型算法分析人脸表情的方法 |
CN106815323A (zh) * | 2016-12-27 | 2017-06-09 | 西安电子科技大学 | 一种基于显著性检测的跨域视觉检索方法 |
CN108898185A (zh) * | 2018-07-03 | 2018-11-27 | 北京字节跳动网络技术有限公司 | 用于生成图像识别模型的方法和装置 |
CN108960295A (zh) * | 2018-06-13 | 2018-12-07 | 中国科学院遥感与数字地球研究所 | 一种为多时相的全极化sar图像提取特征的方法及植被分布区域的分类方法 |
CN109086756A (zh) * | 2018-06-15 | 2018-12-25 | 众安信息技术服务有限公司 | 一种基于深度神经网络的文本检测分析方法、装置及设备 |
CN109101946A (zh) * | 2018-08-27 | 2018-12-28 | Oppo广东移动通信有限公司 | 一种图像特征的提取方法、终端设备及存储介质 |
CN110209859A (zh) * | 2019-05-10 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 地点识别及其模型训练的方法和装置以及电子设备 |
CN110321952A (zh) * | 2019-07-02 | 2019-10-11 | 腾讯医疗健康(深圳)有限公司 | 一种图像分类模型的训练方法及相关设备 |
-
2019
- 2019-10-31 CN CN201911065343.5A patent/CN112749705A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1699916A (zh) * | 2004-03-25 | 2005-11-23 | 株式会社三丰 | 从由机器视觉检查系统执行的检查操作中排除无关特征的系统和方法 |
CN101216896A (zh) * | 2008-01-14 | 2008-07-09 | 浙江大学 | 一种基于模版匹配的视点无关的人体动作识别方法 |
US20120148103A1 (en) * | 2009-08-23 | 2012-06-14 | Iad Gesellschaft Fur Informatik, Automatisierung Und Datenverarbeitung Mbh | Method and system for automatic object detection and subsequent object tracking in accordance with the object shape |
CN104951743A (zh) * | 2015-03-04 | 2015-09-30 | 苏州大学 | 基于主动形状模型算法分析人脸表情的方法 |
CN106815323A (zh) * | 2016-12-27 | 2017-06-09 | 西安电子科技大学 | 一种基于显著性检测的跨域视觉检索方法 |
CN108960295A (zh) * | 2018-06-13 | 2018-12-07 | 中国科学院遥感与数字地球研究所 | 一种为多时相的全极化sar图像提取特征的方法及植被分布区域的分类方法 |
CN109086756A (zh) * | 2018-06-15 | 2018-12-25 | 众安信息技术服务有限公司 | 一种基于深度神经网络的文本检测分析方法、装置及设备 |
CN108898185A (zh) * | 2018-07-03 | 2018-11-27 | 北京字节跳动网络技术有限公司 | 用于生成图像识别模型的方法和装置 |
CN109101946A (zh) * | 2018-08-27 | 2018-12-28 | Oppo广东移动通信有限公司 | 一种图像特征的提取方法、终端设备及存储介质 |
CN110209859A (zh) * | 2019-05-10 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 地点识别及其模型训练的方法和装置以及电子设备 |
CN110321952A (zh) * | 2019-07-02 | 2019-10-11 | 腾讯医疗健康(深圳)有限公司 | 一种图像分类模型的训练方法及相关设备 |
Non-Patent Citations (2)
Title |
---|
KAI CHEN 等: "SCALABLE TRAINING OF DEEP LEARNING MACHINES BY INCREMENTAL BLOCK TRAINING WITH INTRA-BLOCK PARALLEL OPTIMIZATION AND BLOCKWISE MODEL-UPDATE FILTERING", 《ICASSP 2016》, 31 December 2016 (2016-12-31), pages 5880 - 5884 * |
王勇 等: "基于地理标签的LBSN链接预测模型", 《计算机系统应用》, vol. 27, no. 12, 31 December 2018 (2018-12-31), pages 227 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110176027B (zh) | 视频目标跟踪方法、装置、设备及存储介质 | |
EP3916627A1 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
CN113160257B (zh) | 图像数据标注方法、装置、电子设备及存储介质 | |
CN110874594A (zh) | 基于语义分割网络的人体外表损伤检测方法及相关设备 | |
CN111178355B (zh) | 印章识别方法、装置和存储介质 | |
CN107871314B (zh) | 一种敏感图像鉴别方法和装置 | |
CN110889824A (zh) | 一种样本生成方法、装置、电子设备及计算机可读存储介质 | |
CN111080654B (zh) | 图像的病变区域分割方法、装置及服务器 | |
US10699751B1 (en) | Method, system and device for fitting target object in video frame | |
CN112418216A (zh) | 一种复杂自然场景图像中的文字检测方法 | |
CN115249306B (zh) | 图像分割模型训练方法、图像处理方法、装置及存储介质 | |
CN110781980A (zh) | 目标检测模型的训练方法、目标检测方法及装置 | |
CN111860369A (zh) | 一种欺诈识别方法、装置以及存储介质 | |
CN112102929A (zh) | 医学图像标注方法、装置、存储介质及电子设备 | |
WO2021103474A1 (zh) | 图像的处理方法和装置、存储介质及电子装置 | |
CN110610131B (zh) | 人脸运动单元的检测方法、装置、电子设备及存储介质 | |
JP2024508867A (ja) | 画像クラスタリング方法、装置、コンピュータ機器及びコンピュータプログラム | |
CN109615620B (zh) | 图像压缩度识别方法、装置、设备及计算机可读存储介质 | |
CN112966687B (zh) | 图像分割模型训练方法、装置及通信设备 | |
CN112906517A (zh) | 一种自监督的幂律分布人群计数方法、装置和电子设备 | |
CN111526422B (zh) | 一种视频帧中目标对象的拟合方法、系统及设备 | |
CN112016592A (zh) | 基于交叉领域类别感知的领域适应语义分割方法及装置 | |
CN116798041A (zh) | 图像识别方法、装置和电子设备 | |
CN112749705A (zh) | 训练模型更新方法及相关设备 | |
CN113837236A (zh) | 图像中目标对象的识别方法、装置、终端设备及存储介质 |
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 |