CN113361572B - 图像处理模型的训练方法、装置、电子设备以及存储介质 - Google Patents

Abstract

本公开提供了一种图像处理模型的训练方法，涉及计算机技术领域，尤其涉及深度学习、计算机视觉等人工智能技术领域，具体实现方案为：获取样本图像，样本图像具有对应的标注图像特征，获取与样本图像对应的边缘图像特征，并将样本图像分别输入学生模型和教师模型，以得到学生模型输出的学生图像特征，和教师模型输出的教师图像特征，根据边缘图像特征和教师图像特征处理学生图像特征，以得到目标学生图像特征，采用教师图像特征、目标学生图像特征，以及标注图像特征训练学生模型，以得到图像处理模型，能够有效地辅助提升训练得到的图像处理模型针对图像特征的表达建模能力，提升图像处理模型的图像处理效果。

Description

图像处理模型的训练方法、装置、电子设备以及存储介质

技术领域

本公开涉及计算机技术领域，具体涉及深度学习、计算机视觉等人工智能技术领域，尤其涉及一种图像处理模型的训练方法、装置、电子设备以及存储介质。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

相关技术中的蒸馏方法，通常是采用教师模型输出的预测特征和学生模型输出的预测特征进行监督训练，当两种模型输出的预测特征的差异较大时，会影响教师模型对学生模型的训练指导效果，从而影响学生模型的预测准确性。

发明内容

本公开提供了一种图像处理模型的训练方法、图像处理方法、装置、电子设备、存储介质及计算机程序产品。

根据本公开的第一方面，提供了一种图像处理模型的训练方法，包括：获取样本图像，所述样本图像具有对应的标注图像特征；获取与所述样本图像对应的边缘图像特征；将所述样本图像分别输入学生模型和教师模型，以得到所述学生模型输出的学生图像特征，和所述教师模型输出的教师图像特征；根据所述边缘图像特征和所述教师图像特征处理所述学生图像特征，以得到目标学生图像特征；以及采用所述教师图像特征、所述目标学生图像特征，以及所述标注图像特征训练所述学生模型，以得到图像处理模型。

根据本公开的第二方面，提供了一种图像处理方法，包括：获取待处理图像；将所述待处理图像输入上述图像处理模型的训练方法训练得到的图像处理模型之中，以得到所述图像处理模型输出的目标图像特征。

根据本公开的第三方面，提供了一种图像处理模型的训练装置，包括：第一获取模块，用于获取样本图像，所述样本图像具有对应的标注图像特征；第二获取模块，用于获取与所述样本图像对应的边缘图像特征；第一输入模块，用于将所述样本图像分别输入学生模型和教师模型，以得到所述学生模型输出的学生图像特征，和所述教师模型输出的教师图像特征；第一处理模块，用于根据所述边缘图像特征和所述教师图像特征处理所述学生图像特征，以得到目标学生图像特征；以及训练模块，用于采用所述教师图像特征、所述目标学生图像特征，以及所述标注图像特征训练所述学生模型，以得到图像处理模型。

根据本公开的第四方面，提供了一种图像处理装置，包括：第三获取模块，用于获取待处理图像；第二输入模块，用于将所述待处理图像输入至如上述图像处理模型的训练装置训练得到的图像处理模型之中，以得到所述图像处理模型输出的目标图像特征。

根据本公开的第五方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的图像处理模型的训练方法，或者执行如第二方面所述的图像处理方法。

根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如第一方面所述的图像处理模型的训练方法，或者执行如第二方面所述的图像处理方法。

根据第七方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如第一方面所述的图像处理模型的训练方法，或者实现如第二方面所述的图像处理方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的示意图；

图2是根据本公开第二实施例的示意图；

图3是本公开实施例中的图像处理模型的训练方法的流程示意图；

图4是根据本公开第三实施例的示意图；

图5是根据本公开第四实施例的示意图；

图6是根据本公开第五实施例的示意图；

图7是根据本公开第六实施例的示意图；

图8示出了可以用来实施本公开的实施例的图像处理模型的训练方法的示例电子设备的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本公开第一实施例的示意图。

其中，需要说明的是，本实施例的图像处理模型的训练方法的执行主体为图像处理模型的训练装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。

本公开实施例涉及人工智能技术领域，具体涉及计算机视觉和深度学习技术领域，可应用于图像处理场景下。

其中，人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。

计算机视觉，指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。

而图像处理场景可以例如，采用一些硬件设备或者软件计算处理逻辑对待处理图像进行识别，以识别得到相应的图像特征，并采用该图像特征辅助后续的检测应用，将本公开实施例提供的图像处理模型的训练方法应用于图像处理场景中，能够有效地辅助提升训练得到的图像处理模型针对图像特征的表达建模能力，提升图像处理模型的图像处理效果，另外，还能够有效地提升硬件设备针对图像处理模型的训练效率，较大程度地提升图像处理模型的图像处理效果。

如图1所示，该图像处理模型的训练方法包括：

S101：获取样本图像，样本图像具有对应的标注图像特征。

其中，用于训练模型的图像，可以被称为样本图像，该样本图像的数量可以是一张或者多张，该样本图像也可以是从多个视频帧之中提取出的部分帧视频图像，对此不做限制。

而在训练模型的过程中，用于作为标注参考的图像特征，可以被称为标注图像特征，图像特征可以例如图像的色彩分布、明暗度参数等，而与样本图像对应的作为模型训练参考的标注图像特征，可以被称为与样本图像对应的标注图像特征，对此不做限制。

S102：获取与样本图像对应的边缘图像特征。

上述在获取样本图像之后，可以处理与样本图像对应的标注图像特征，以得到边缘图像特征，其中，该边缘图像特征，可以是与样本图像相关的，能够体现不同模型(例如学生模型和教师模型)的特征学习差异的特征，例如，该边缘图像特征能够体现不同模型预测特征之间的分布差异、或者体现不同模型预测特征之间的其它任意类型的差异，对此不做限制。

一些实施例中，例如可以学习学生模型和教师模型分别对应的预测特征，而后分析两种模型的预测特征之间的差异特征，并将该差异特征作为边缘图像特征，或者，也可以采用其它任意可能的方式获取与样本图像对应的边缘图像特征，对此不做限制。

S103：将样本图像分别输入学生模型和教师模型，以得到学生模型输出的学生图像特征，和教师模型输出的教师图像特征。

上述在获取样本图像之后，可以将样本图像分别输入学生模型和教师模型，以得到学生模型输出的学生图像特征，和教师模型输出的教师图像特征。

其中的学生模型可以为人工智能中的任一种模型，比如机器学习模型或者神经网络模型等等，对此不做限制。

其中的教师模型可以为人工智能中的任一种模型，比如机器学习模型或者神经网络模型等等，对此不做限制。

基于人工智能模型的蒸馏方法，通常是采用教师模型输出的预测特征和学生模型输出的预测特征进行监督训练，而学生模型通常较教师模型更为轻量，从而采用监督训练得到的学生模型执行预测任务，能够显著降低部署学生模型的资源消耗，本公开实施例中的学生模型，即可以是上述监督训练中的更为轻量的人工智能模型，而教师模型，则是用于训练学生模型的人工智能模型。

本公开实施例中的学生模型和教师模型能够执行图像处理任务，例如可以执行根据输入的图像，进行一些图像处理操作，以分析得到该输入图像的图像特征，从而将样本图像输入至学生模型，得到的学生模型输出的预测图像特征，即可以被称为学生图像特征，将样本图像输入至教师模型，得到的教师模型输出的预测图像特征，即可以被称为教师图像特征。

上述的教师图像特征，可以被用于对学生模型进行监督训练。

一些实施例中，获取与样本图像对应的边缘图像特征，可以是针对学生模型添加全连接层，并将学生图像特征输入至全连接层，并将全连接层输出的图像特征作为对应的边缘图像特征，也即是说，实现基于学生模型对样本图像进行特征识别，以得到学生图像特征后，可以直接将学生图像特征输入至全连接层，并将全连接层输出的图像特征作为对应的边缘图像特征。

由于人工智能模型中的全连接层能够将分布式的样本图像的图像特征映射至样本标记空间，这种映射过程能够使得图像处理过程更为聚焦于图像特征，全连接层通过支持一些卷积操作，以弱化不同模型预测特征之间的分布差异，或者其它形式的差异，从而能够有效地提升与样本图像对应的边缘图像特征的提取效率和提取准确性，辅助提升图像处理模型的训练准确性和训练效果。

上述在将样本图像分别输入学生模型和教师模型，以得到学生模型输出的学生图像特征，和教师模型输出的教师图像特征之后，还可以分别对学生图像特征和教师图像特征进行归一化处理，从而实施后续执行步骤时，可以直接采用归一化处理后的学生图像特征和教师图像特征，能够更有利于模型的监督训练过程。

S104：根据边缘图像特征和教师图像特征处理学生图像特征，以得到目标学生图像特征。

其中，对学生图像特征进行优化处理，得到的图像特征，可以被称为目标学生图像特征。

上述在将样本图像分别输入学生模型和教师模型，以得到学生模型输出的学生图像特征，和教师模型输出的教师图像特征，并获取与样本图像对应的边缘图像特征之后，可以根据边缘图像特征和教师图像特征处理学生图像特征，以得到目标学生图像特征。

举例而言，可以对边缘图像特征、教师图像特征进行加权融合处理，并采用融合处理后的图像特征处理学生图像特征，以得到目标学生图像特征，或者，也可以采用其它任意可能的方式来执行根据边缘图像特征和教师图像特征处理学生图像特征，以得到目标学生图像特征的步骤，对此不做限制。

上述根据边缘图像特征和教师图像特征对学生图像特征进行了相应的优化处理，以得到目标学生图像特征，由于该边缘图像特征能够体现不同模型预测特征之间的分布差异、或者体现不同模型预测特征之间的其它任意类型的差异，从而能够弱化教师图像特征和学生图像特征之间的差异，能够便于教师模型更好地对学生模型进行监督训练，从而辅助提升学生模型的训练效果。

本公开实施例中，还可以支持根据边缘图像特征和学生图像特征处理教师图像特征，以得到目标教师图像特征，也即是说，不仅仅实现根据边缘图像特征和教师图像特征对学生图像特征进行了相应的优化处理，还实现根据边缘图像特征和学生图像特征对教师图像特征进行了相应的优化处理，即实现对不同模型的预测特征分别进行了优化处理，从而能够较大程度地弱化教师图像特征和学生图像特征之间的差异，保障监督训练的准确性。

举例而言，可以对边缘图像特征、学生图像特征进行加权融合处理，并采用融合处理后的图像特征处理教师图像特征，以得到目标教师图像特征，或者，也可以采用其它任意可能的方式来执行根据边缘图像特征和学生图像特征处理教师图像特征，以得到目标教师图像特征的步骤，对此不做限制。

S105：采用教师图像特征、目标学生图像特征，以及标注图像特征训练学生模型，以得到图像处理模型。

上述在获得教师图像特征、目标学生图像特征之后，可以采用教师模型来对学生模型进行监督训练。

举例而言，可以将教师图像特征、目标学生图像特征输入至学生模型之中，以得到学生模型输出的预测图像特征，如果预测图像特征和标注图像特征之间满足收敛条件，则训练完毕，并将训练得到的学生模型作为图像处理模型。

本公开实施例中，可以针对学生模型预先配置损失函数，在训练学生模型的过程中，将教师图像特征、目标学生图像特征，以及标注图像特征作为损失函数的输入参数，并确定损失函数的输出值以作为损失值，而后，将损失值与设定损失阈值进行比对，以确定是否满足收敛时机。

一些实施例中，如果根据边缘图像特征和教师图像特征对学生图像特征进行了相应的优化处理，还根据边缘图像特征和学生图像特征对教师图像特征进行了相应的优化处理，则在训练学生模型的过程中，可以是采用目标教师图像特征、目标学生图像特征，以及标注图像特征训练学生模型，以得到图像处理模型，从而能够全方位地保障模型训练的效果。

本实施例中，通过获取样本图像，样本图像具有对应的标注图像特征，获取与样本图像对应的边缘图像特征，并将样本图像分别输入学生模型和教师模型，以得到学生模型输出的学生图像特征，和教师模型输出的教师图像特征，根据边缘图像特征和教师图像特征处理学生图像特征，以得到目标学生图像特征，采用教师图像特征、目标学生图像特征，以及标注图像特征训练学生模型，以得到图像处理模型，能够有效地辅助提升训练得到的图像处理模型针对图像特征的表达建模能力，提升图像处理模型的图像处理效果。

图2是根据本公开第二实施例的示意图。

如图2所示，该图像处理模型的训练方法包括：

S201：获取样本图像，样本图像具有对应的标注图像特征。

S202：获取与样本图像对应的边缘图像特征。

S201-S202的描述说明可以具体参见上述实施例，在此不再赘述。

S203：将样本图像分别输入学生模型和教师模型，以得到学生模型输出的学生图像特征，和教师模型输出的教师图像特征。

可以一并结合图3针对本实施例作出说明，如图3所示，图3是本公开实施例中的图像处理模型的训练方法的流程示意图，包括：教师模型和学生模型，与学生模型对应连接全连接层，将样本图像分别输入至教师模型和学生模型，以得到学生模型输出的学生图像特征，和教师模型输出的教师图像特征，以及全连接层输出的边缘图像特征，而后可以对学生图像特征和教师图像特征分别进行归一化处理，得到归一化处理后的学生图像特征和教师图像特征，而后融合学生图像特征、教师图像特征以及边缘图像特征。

本公开实施例中，可以分别对教师模型和学生模型配置相应的角度关系模块，从而采用与教师模型对应的角度关系模块来处理教师图像特征，以得到目标教师图像特征，采用与学生模型对应的角度关系模块来处理学生图像特征，以得到目标学生图像特征，而后可以基于目标教师图像特征和目标学生图像特征来计算得到损失函数的损失值。

举例而言，可以分别输入样本图像至学生模型和教师模型，得到学生图像特征和教师图像特征，并分别对学生图像特征和教师图像特征做归一化处理，得到归一化后的学生图像特征和教师图像特征，针对学生模型配置相连接的全连接层，生成边缘图像特征(边缘图像特征可以用Margin(边缘)值来表示)Margin值可以具体是大小为w*h的矩阵，其中，w为输入全连接层的学生图像特征对应的特征图宽度，h为该特征图的高度。

S204：确定教师图像特征、学生图像特征，以及边缘图像特征之间的第一角度关系值。

其中，用于描述教师图像特征、学生图像特征，以及边缘图像特征之间的关系的角度值，可以被称为第一角度关系值。

S205：采用逻辑回归函数对第一角度关系值进行映射处理，以得到第一映射值。

其中，逻辑回归函数可以例如为柔性最大值传输函数softmax，而采用softmax函数对第一角度关系值得到的映射值，可以被称为第一映射值。

S206：根据第一映射值处理学生图像特征，以得到目标学生图像特征。

举例而言，将上述归一化后的教师图像特征和学生图像特征以及Margin值输入至图3所示与学生模型对应的角度关系模块中，其中，角度关系模块可以执行以下计算任务：F2＝softmax(cos(arccos(f2*transpose(f1))+Margin值))*f2，其中，f1为输入的归一化后的教师图像特征，维度为(w*h，c)，f2为输入的归一化后的学生图像特征，维度为(w*h，c)，w表示特征图宽度，h表示特征图高度，F2表示经过角度关系模块融合后的学生图像特征，即目标学生图像特征。

上述F2＝softmax(cos(arccos(f2*transpose(f1))+Margin值))*f2之中，cos(arccos(f2*transpose(f1))+Margin值)对应计算的结果值，即可以被称为第一角度关系值，softmax(cos(arccos(f2*transpose(f1))+Margin值))对应计算的结果值，即可以被称为第一映射值，第一映射值与学生图像特征f2的乘积值，即可以被称为目标学生图像特征。

上述的transpose函数即是相关技术中的转置函数，针对transpose函数的具体解释说明在此不在赘述。

从而本实施例中，通过确定教师图像特征、学生图像特征，以及边缘图像特征之间的第一角度关系值，并采用逻辑回归函数对第一角度关系值进行映射处理，以得到第一映射值，以及根据第一映射值处理学生图像特征，以得到目标学生图像特征，实现准确地、便捷地对学生图像特征进行了优化处理，在有效地弱化教师图像特征和学生图像特征之间的差异的同时，较大程度地提升了学生图像特征的优化效率。

S207：确定教师图像特征、学生图像特征，以及边缘图像特征之间的第二角度关系值。

其中，用于描述教师图像特征、学生图像特征，以及边缘图像特征之间的关系的角度值，可以被称为第二角度关系值，需要说明的是，该第二角度关系值和上述第一角度关系值是采用不同的计算方式计算得到的，由此，第一角度关系值和第二角度关系值的数值不相同，第一角度关系和第二角度关系可以是基于不同的角度维度对上述特征分析得到的角度关系。

S208：采用逻辑回归函数对第二角度关系值进行映射处理，以得到第二映射值。

其中，逻辑回归函数可以例如为柔性最大值传输函数softmax，而采用softmax函数对第二角度关系值得到的映射值，可以被称为第二映射值。

S209：根据第二映射值处理教师图像特征，以得到目标教师图像特征。

举例而言，可以将上述归一化后的教师图像特征和学生图像特征以及Margin值输入至图3所示与教师模型对应的角度关系模块中，其中，角度关系模块可以执行以下计算任务：

F1＝softmax(cos(arccos(f1*transpose(f2))+margin))*f1，其中，f1为输入的归一化后的教师图像特征，维度为(w*h，c)，f2为输入的归一化后的学生图像特征，维度为(w*h，c)，w表示特征图宽度，h表示特征图高度，F1表示经过角度关系模块融合后的教师图像特征，即目标教师图像特征。

上述F1＝softmax(cos(arccos(f1*transpose(f2))+margin))*f1之中，cos(arccos(f1*transpose(f2))+margin)对应计算的结果值，即可以被称为第二角度关系值，softmax(cos(arccos(f1*transpose(f2))+margin))对应计算的结果值，即可以被称为第二映射值，第二映射值与归一化后的教师图像特征f1的乘积值，即可以被称为目标教师图像特征。

上述的transpose函数即是相关技术中的转置函数，针对transpose函数的具体解释说明在此不在赘述。

从而本实施例中，通过确定教师图像特征、学生图像特征，以及边缘图像特征之间的第二角度关系值，并采用逻辑回归函数对第二角度关系值进行映射处理，以得到第二映射值，以及根据第二映射值处理教师图像特征，以得到目标教师图像特征，实现准确地、便捷地对教师图像特征进行了优化处理，在有效地弱化教师图像特征和学生图像特征之间的差异的同时，较大程度地提升了教师图像特征的优化效率。

S210：确定目标教师图像特征、目标学生图像特征，以及标注图像特征之间的损失值。

本公开实施例中，可以针对学生模型预先配置损失函数，在训练学生模型的过程中，将目标教师图像特征、目标学生图像特征，以及标注图像特征作为损失函数的输入参数，并确定损失函数的输出值以作为损失值，而后，将损失值与设定损失阈值进行比对，以确定是否满足收敛时机。

举例而言，可以将上述优化得到的目标教师图像特征F1与目标学生图像特征F2输入与学生模型对应的L2损失函数中，监督学生模型的训练过程，具体损失函数公式可以如下所示，l2_loss＝(F1-F2)²，在训练完成后，保留学生模型的模型参数，去除连接的全连接层。

S211：如果损失值满足设定条件，则将训练得到的学生模型作为图像处理模型。

举例而言，如果损失值小于设定损失阈值，则可以确定损失值满足设定条件，或者，设定条件也可以配置为其它任意可能的条件，对此不做限制。

从而本实施例中，通过确定目标教师图像特征、目标学生图像特征，以及标注图像特征之间的损失值，如果损失值满足设定条件，则将训练得到的学生模型作为图像处理模型，能够实现准确地判定出学生模型的收敛时机，并且该收敛时机是结合优化后的目标教师图像特征和目标学生图像特征来确定的，从而避免了特征差异对收敛时机判定准确性的影响，能够有效提升收敛时机判定的准确性，提升模型训练效果。

本实施例中，通过获取样本图像，样本图像具有对应的标注图像特征，获取与样本图像对应的边缘图像特征，并将样本图像分别输入学生模型和教师模型，以得到学生模型输出的学生图像特征，和教师模型输出的教师图像特征，根据边缘图像特征和教师图像特征处理学生图像特征，以得到目标学生图像特征，以及采用教师图像特征、目标学生图像特征，以及标注图像特征训练学生模型，以得到图像处理模型，能够有效地辅助提升训练得到的图像处理模型针对图像特征的表达建模能力，提升图像处理模型的图像处理效果。通过确定目标教师图像特征、目标学生图像特征，以及标注图像特征之间的损失值，如果损失值满足设定条件，则将训练得到的学生模型作为图像处理模型，能够实现准确地判定出学生模型的收敛时机，并且该收敛时机是结合优化后的目标教师图像特征和目标学生图像特征来确定的，从而避免了特征差异对收敛时机判定准确性的影响，能够有效提升收敛时机判定的准确性，提升模型训练效果。

图4是根据本公开第三实施例的示意图。

如图4所示，该图像处理方法包括：

S401：获取待处理图像。

其中，当前待对其进行处理的图像，可以被称为待处理图像。

该待处理图像的数量可以是一张或者多张，该待处理图像也可以是从多个视频帧之中提取出的部分帧视频图像，对此不做限制。

S402：将待处理图像输入至如上述图像处理模型的训练方法训练得到的图像处理模型之中，以得到图像处理模型输出的目标图像特征。

上述在获取待处理图像之后，可以将待处理图像输入至如上述图像处理模型的训练方法训练得到的图像处理模型之中，以得到图像处理模型输出的目标图像特征，从而采用该目标图像特征辅助一些针对图像的检测和应用，对此不做限制。

本实施例中，通过获取待处理图像，并将待处理图像输入至如上述图像处理模型的训练方法训练得到的图像处理模型之中，以得到图像处理模型输出的目标图像特征，由于图像处理模型是采用优化后的学生图像特征和教师图像特征训练得到的，在优化过程中，弱化教师图像特征和学生图像特征之间的差异，从而在采用训练得到的图像处理模型处理待处理图像时，能够表达建模出更为准确的目标图像特征，提升图像处理模型的图像处理效果。

图5是根据本公开第四实施例的示意图。

如图5所示，该图像处理模型的训练装置50，包括：

第一获取模块501，用于获取样本图像，样本图像具有对应的标注图像特征；

第二获取模块502，用于获取与样本图像对应的边缘图像特征；

第一输入模块503，用于将样本图像分别输入学生模型和教师模型，以得到学生模型输出的学生图像特征，和教师模型输出的教师图像特征；

第一处理模块504，用于根据边缘图像特征和教师图像特征处理学生图像特征，以得到目标学生图像特征；以及

训练模块505，用于采用教师图像特征、目标学生图像特征，以及标注图像特征训练学生模型，以得到图像处理模型。

在本公开的一些实施例中，如图6所示，图6是根据本公开第五实施例的示意图，该图像处理模型的训练装置60，包括：第一获取模块601、第二获取模块602、第一输入模块603、第一处理模块604、训练模块605，其中，该装置60还包括：

第二处理模块606，用于根据所述边缘图像特征和所述学生图像特征处理所述教师图像特征，以得到目标教师图像特征；

其中，训练模块605，具体用于采用目标教师图像特征、目标学生图像特征，以及标注图像特征训练学生模型，以得到图像处理模型。

在本公开的一些实施例中，其中，第二获取模块602，包括：

添加子模块6021，用于针对学生模型添加全连接层；

输入子模块6022，用于将学生图像特征输入至全连接层，并将全连接层输出的图像特征作为对应的边缘图像特征。

在本公开的一些实施例中，其中，第一处理模块604，包括：

第一确定子模块6041，用于确定教师图像特征、学生图像特征，以及边缘图像特征之间的第一角度关系值；

第一处理子模块6042，用于采用逻辑回归函数对第一角度关系值进行映射处理，以得到第一映射值；

第二处理子模块6043，用于根据第一映射值处理学生图像特征，以得到目标学生图像特征。

在本公开的一些实施例中，其中，第二处理模块606，包括：

第二确定子模块6061，用于确定教师图像特征、学生图像特征，以及边缘图像特征之间的第二角度关系值；

第三处理子模块6062，用于采用逻辑回归函数对第二角度关系值进行映射处理，以得到第二映射值；

第四处理子模块6063，用于根据第二映射值处理教师图像特征，以得到目标教师图像特征。

在本公开的一些实施例中，其中，训练模块605，具体用于：

确定目标教师图像特征、目标学生图像特征，以及标注图像特征之间的损失值；

如果损失值满足设定条件，则将训练得到的学生模型作为图像处理模型。

可以理解的是，本实施例附图6中的图像处理模型的训练装置60与上述实施例中的图像处理模型的训练装置50，第一获取模块601与上述实施例中的第一获取模块501，第二获取模块602与上述实施例中的第二获取模块602，第一输入模块603与上述实施例中的第一输入模块503，第一处理模块604与上述实施例中的第一处理模块604，训练模块605与上述实施例中的训练模块505可以具有相同的功能和结构。

需要说明的是，前述对图像处理模型的训练方法的解释说明也适用于本实施例的图像处理模型的训练装置，此处不再赘述。

本实施例中，通过获取样本图像，样本图像具有对应的标注图像特征，获取与样本图像对应的边缘图像特征，并将样本图像分别输入学生模型和教师模型，以得到学生模型输出的学生图像特征，和教师模型输出的教师图像特征，根据边缘图像特征和教师图像特征处理学生图像特征，以得到目标学生图像特征，采用教师图像特征、目标学生图像特征，以及标注图像特征训练学生模型，以得到图像处理模型，能够有效地辅助提升训练得到的图像处理模型针对图像特征的表达建模能力，提升图像处理模型的图像处理效果。

图7是根据本公开第六实施例的示意图。

如图7所示，该图像处理装置70，包括：

第三获取模块701，用于获取待处理图像；

第二输入模块702，用于将待处理图像输入上述图像处理模型的训练装置训练得到的图像处理模型之中，以得到图像处理模型输出的目标图像特征。

需要说明的是，前述对图像处理方法的解释说明也适用于本实施例的图像处理装置，此处不再赘述。

本实施例中，通过获取待处理图像，并将待处理图像输入至如上述图像处理模型的训练方法训练得到的图像处理模型之中，以得到图像处理模型输出的目标图像特征，由于图像处理模型是采用优化后的学生图像特征和教师图像特征训练得到的，在优化过程中，弱化教师图像特征和学生图像特征之间的差异，从而在采用训练得到的图像处理模型处理待处理图像时，能够表达建模出更为准确的目标图像特征，提升图像处理模型的图像处理效果。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8示出了可以用来实施本公开的实施例的图像处理模型的训练方法的示例电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元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。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如，图像处理模型的训练方法，或者图像处理方法。例如，在一些实施例中，图像处理模型的训练方法，或者图像处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的，图像处理模型的训练方法，或者图像处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行，图像处理模型的训练方法，或者图像处理方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的图像处理模型的训练方法，或者图像处理方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网及区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (14)

1.一种图像处理模型的训练方法，包括：

获取样本图像，所述样本图像具有对应的标注图像特征；

获取与所述样本图像对应的边缘图像特征；

将所述样本图像分别输入学生模型和教师模型，以得到所述学生模型输出的学生图像特征，和所述教师模型输出的教师图像特征；

确定所述教师图像特征、所述学生图像特征，以及所述边缘图像特征之间的第一角度关系值；

采用逻辑回归函数对所述第一角度关系值进行映射处理，以得到第一映射值；

根据所述第一映射值处理所述学生图像特征，以得到目标学生图像特征；以及

采用所述教师图像特征、所述目标学生图像特征，以及所述标注图像特征训练所述学生模型，以得到图像处理模型。

2.根据权利要求1所述的方法，其中，在所述采用所述教师图像特征、所述目标学生图像特征，以及所述标注图像特征训练所述学生模型，以得到图像处理模型前，还包括：

根据所述边缘图像特征和所述学生图像特征处理所述教师图像特征，以得到目标教师图像特征；

其中，所述采用所述教师图像特征、所述目标学生图像特征，以及所述标注图像特征训练所述学生模型，以得到图像处理模型，包括：

采用所述目标教师图像特征、所述目标学生图像特征，以及所述标注图像特征训练所述学生模型，以得到图像处理模型。

3.根据权利要求1所述的方法，其中，所述获取与所述样本图像对应的边缘图像特征，包括：

针对所述学生模型添加全连接层；

将所述学生图像特征输入至所述全连接层，并将所述全连接层输出的图像特征作为所述对应的边缘图像特征。

4.根据权利要求2所述的方法，其中，所述根据所述边缘图像特征和所述学生图像特征处理所述教师图像特征，以得到目标教师图像特征，包括：

确定所述教师图像特征、所述学生图像特征，以及所述边缘图像特征之间的第二角度关系值；

采用所述逻辑回归函数对所述第二角度关系值进行映射处理，以得到第二映射值；

根据所述第二映射值处理所述教师图像特征，以得到所述目标教师图像特征。

5.根据权利要求2所述的方法，其中，所述采用所述目标教师图像特征、所述目标学生图像特征，以及所述标注图像特征训练所述学生模型，以得到图像处理模型，包括：

确定所述目标教师图像特征、所述目标学生图像特征，以及所述标注图像特征之间的损失值；

如果所述损失值满足设定条件，则将训练得到的学生模型作为所述图像处理模型。

6.一种图像处理方法，包括：

获取待处理图像；

将所述待处理图像输入至如上述权利要求1-5任一项所述的图像处理模型的训练方法训练得到的图像处理模型之中，以得到所述图像处理模型输出的目标图像特征。

7.一种图像处理模型的训练装置，包括：

第一获取模块，用于获取样本图像，所述样本图像具有对应的标注图像特征；

第二获取模块，用于获取与所述样本图像对应的边缘图像特征；

第一输入模块，用于将所述样本图像分别输入学生模型和教师模型，以得到所述学生模型输出的学生图像特征，和所述教师模型输出的教师图像特征；

第一处理模块，包括：第一确定子模块，用于确定所述教师图像特征、所述学生图像特征，以及所述边缘图像特征之间的第一角度关系值；第一处理子模块，用于采用逻辑回归函数对所述第一角度关系值进行映射处理，以得到第一映射值；第二处理子模块，用于根据所述第一映射值处理所述学生图像特征，以得到目标学生图像特征；以及

训练模块，用于采用所述教师图像特征、所述目标学生图像特征，以及所述标注图像特征训练所述学生模型，以得到图像处理模型。

8.根据权利要求7所述的装置，还包括：

第二处理模块，用于根据所述边缘图像特征和所述学生图像特征处理所述教师图像特征，以得到目标教师图像特征；

其中，所述训练模块，具体用于采用所述目标教师图像特征、所述目标学生图像特征，以及所述标注图像特征训练所述学生模型，以得到图像处理模型。

9.根据权利要求7所述的装置，其中，所述第二获取模块，包括：

添加子模块，用于针对所述学生模型添加全连接层；

输入子模块，用于将所述学生图像特征输入至所述全连接层，并将所述全连接层输出的图像特征作为所述对应的边缘图像特征。

10.根据权利要求8所述的装置，其中，所述第二处理模块，包括：

第二确定子模块，用于确定所述教师图像特征、所述学生图像特征，以及所述边缘图像特征之间的第二角度关系值；

第三处理子模块，用于采用所述逻辑回归函数对所述第二角度关系值进行映射处理，以得到第二映射值；

第四处理子模块，用于根据所述第二映射值处理所述教师图像特征，以得到所述目标教师图像特征。

11.根据权利要求8所述的装置，其中，所述训练模块，具体用于：

确定所述目标教师图像特征、所述目标学生图像特征，以及所述标注图像特征之间的损失值；

如果所述损失值满足设定条件，则将训练得到的学生模型作为所述图像处理模型。

12.一种图像处理装置，包括：

第三获取模块，用于获取待处理图像；

第二输入模块，用于将所述待处理图像输入至如上述权利要求7-11任一项所述的图像处理模型的训练装置训练得到的图像处理模型之中，以得到所述图像处理模型输出的目标图像特征。

13. 一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法，或者执行权利要求6所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法，或者执行权利要求6所述的方法。

Images