CN114266723A - 图像处理方法、装置、存储介质以及计算机终端 - Google Patents

Abstract

本申请公开了一种图像处理方法、装置、存储介质以及计算机终端。其中，该方法包括：获取目标图像，其中，目标图像包含目标对象；利用目标检测模型对目标图像进行检测，得到目标对象的检测结果，其中，目标检测模型通过第一训练样本对预训练模型进行训练得到，预训练模型通过第一训练样本训练得到，第一训练样本通过对初始训练样本进行数据增强处理得到。本申请解决了相关技术中由于训练样本较少且样本精确度较低导致训练得到的检测模型检测精度较低的技术问题。

Description

图像处理方法、装置、存储介质以及计算机终端

技术领域

本申请涉及图像处理领域，具体而言，涉及一种图像处理方法、装置、存储介质以及计算机终端。

背景技术

目前，随着计算机视觉技术不断发展，越来越多的基于计算机视觉技术的方法投入到实际的生产应用中。目标检测技术是现在应用最广泛的计算机视觉技术之一，例如人脸检测，车辆检测等。在实际的生产应用中，一些目标类别的图片样本较难获取，只能获取少量样本，同时在训练数据集中，可能存在着大量的噪声标签。少样本和噪声标签对模型的训练效果都具有较大的影响。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种图像处理方法、装置、存储介质以及计算机终端，以至少解决相关技术中由于训练样本较少且样本精确度较低导致训练得到的检测模型检测精度较低的技术问题。

根据本申请实施例的一个方面，提供了一种图像处理方法，包括：获取目标图像，其中，目标图像包含目标对象；利用目标检测模型对目标图像进行检测，得到目标对象的检测结果，其中，目标检测模型通过第一训练样本对预训练模型进行训练得到，预训练模型通过第一训练样本训练得到，第一训练样本通过对初始训练样本进行数据增强处理得到。

根据本申请实施例的另一方面，还提供了一种图像处理方法，包括：云服务器接收客户端上传的目标图像，其中，目标图像包含目标对象；云服务器利用目标检测模型对目标图像进行检测，得到目标对象的检测结果，其中，目标检测模型通过第一训练样本对预训练模型进行训练得到，预训练模型通过第一训练样本训练得到，第一训练样本通过对初始训练样本进行数据增强处理得到；云服务器输出检测结果至客户端。

根据本申请实施例的另一方面，还提供了一种图像处理方法，包括：云服务器接收客户端上传的模型训练请求，其中，模型训练请求包括：初始训练样本；云服务器对初始训练样本进行数据增强处理，得到第一训练样本；云服务器通过第一训练样本训练得到预训练模型；云服务器通过第一训练样本对预训练模型进行训练，得到目标检测模型；云服务器输出目标检测模型至客户端。

根据本申请实施例的另一方面，还提供了一种图像处理装置，包括：获取模块，用于获取目标图像，其中，目标图像包含目标对象；检测模块，用于利用目标检测模型对目标图像进行检测，得到目标对象的检测结果，其中，目标检测模型通过第一训练样本对预训练模型进行训练得到，预训练模型通过第一训练样本训练得到，第一训练样本通过对初始训练样本进行数据增强处理得到。

根据本申请实施例的另一方面，还提供了一种图像处理装置，包括：接收模块，用于接收客户端上传的目标图像，其中，目标图像包含目标对象；检测模块，用于利用目标检测模型对目标图像进行检测，得到目标对象的检测结果，其中，目标检测模型通过第一训练样本对预训练模型进行训练得到，预训练模型通过第一训练样本训练得到，第一训练样本通过对初始训练样本进行数据增强处理得到；输出检测模块，用于输出检测结果至客户端。

根据本申请实施例的另一方面，还提供了一种图像处理装置，包括：接收模块，用于接收客户端上传的模型训练请求，其中，模型训练请求包括：初始训练样本；处理模块，用于对初始训练样本进行数据增强处理，得到第一训练样本；第一训练模块，用于通过第一训练样本训练得到预训练模型；第二训练模块，用于通过第一训练样本对预训练模型进行训练，得到目标检测模型；输出检测模块，用于输出目标检测模型至客户端。

根据本申请实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述的图像处理方法。

根据本申请实施例的另一方面，还提供了一种计算机终端，包括存储器和处理器，处理器用于运行存储器中存储的程序，其中，程序运行时执行上述的图像处理方法。

在本申请实施例中，首先获取目标图像，其中，目标图像包含目标对象，可以利用目标检测模型对目标图像进行检测，得到目标对象的检测结果，其中，目标检测模型通过第一训练样本对预训练模型进行训练得到，预训练模型通过第一训练样本训练得到，第一训练样本通过对初始训练样本进行数据增强处理得到，实现了利用少量样本训练得到的精确度较高的目标检测模型进行检测的目的。容易注意到的是，由于训练目标检测模型的过程中所使用的第一训练样本是通过对初始训练样本进行数据增强得到的，在此过程中可能会出现较多的噪声样本，因此，在利用第一训练样本对目标检测模型进行训练之前，可以先通过第一训练样本训练得到预训练模型，以便根据预训练模型标注出第一训练样本中的噪声样本，在实际训练的过程中，通过预训练模型可以降低噪声样本对训练得到的目标检测模型的影响，进而解决了相关技术中由于训练样本较少且样本精确度较低导致训练得到的检测模型检测精度较低的技术问题。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据现有技术的一种用于实现图像处理方法的计算机终端(或移动设备)的硬件结构框图；

图2是根据本申请实施例1的一种图像处理方法的流程图；

图3是根据本申请实施例1的另一种图像处理方法的流程图；

图4是根据本申请实施例2的另一种图像处理方法的流程图；

图5是根据本申请实施例3的另一种图像处理方法的流程图；

图6是根据本申请实施例4的一种图像处理装置的示意图；

图7是根据本申请实施例5的另一种图像处理装置的示意图；

图8是根据本申请实施例6的另一种图像处理装置的示意图；

图9是根据本申请实施例的一种计算机终端的结构框图。

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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，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”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：

Cascade-RCNN(Cascade-Regions with Convolutional Neural NetworkFeatures)：卷积神经网络的级联目标检测器。

Faster-RCNN(Faster-Regions with Convolutional Neural NetworkFeatures)：卷积神经网络的快速目标检测器。

SSD(Single Shot MultiBox Detector)：单个深度神经网络图像检测器。

目前，针对于少量样本图像训练得到的检测模型容易出现过拟合的情况，导致检测模型的泛化能力变差。并且将含有大量噪声样本的数据集直接应用于模型的训练过程，会令模型对噪声样本过拟合，且同样会导致其泛化能力变差。

为了解决上述问题，本申请提供了如下解决方案。

实施例1

根据本申请实施例，还提供了一种图像处理方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现图像处理方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。

存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的图像处理方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的图像处理方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。

此处需要说明的是，在一些可选实施例中，上述图1所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。

在上述运行环境下，本申请提供了如图2所示的图像处理方法。图2是根据本申请实施例1的一种图像处理方法的流程图。如图2所示，该方法可以包括以下步骤：

步骤S202，获取目标图像。

其中，目标图像包含目标对象。

上述的目标图像可以为待检测的图像，其中，目标图像中可以包括至少一个对象。目标图像可以为遥感图像，也可以是无人机拍摄的航拍图像，还可以是雷达图像，还可以是卫星拍摄的图像，但不仅限于此。

上述的目标对象为待检测的对象，其中，目标对象可以为一个或多个。

在一种可选的实施例中，目标图像可以为建筑物图像，其中，目标对象可以为建筑物；目标图像可以为交通图像，其中，目标对象可以为车辆；目标图像可以为人脸图像，其中，目标对象可以为待识别的人脸。

在另一种可选的实施例中，目标图像可以显示在图像采集区域内，反馈区域可以显示有目标对象的检测结果。用户可以将目标图像主动上传至服务器，由服务器处理，用户可以通过点击交互界面中的“上传图像”按钮，或将目标图像直接拖入虚线框的方式完成目标图像上传服务器的目的，而且，用户上传的目标图像可以显示的图像采集区域内。此处的服务器可以是部署在本地的服务器，也可以是部署在云端的服务器。

步骤S204，利用目标检测模型对目标图像进行检测，得到目标对象的检测结果。

其中，目标检测模型通过第一训练样本对预训练模型进行训练得到，预训练模型通过第一训练样本训练得到，第一训练样本通过对初始训练样本进行数据增强处理得到。

上述的目标检测模型可以为Cascade-RCNN、Faster-RCNN，此处对检测模型的类型不做任何限定。

上述的初始训练样本的数量可以小于第一训练样本的数量。

在一种可选的实施例中，由于初始训练样本的数量较少，因此，可以先对初始训练样本进行数据增强，以便得到样本数量较多的第一训练样本，在获取到第一训练样本之后，可以裁剪出第一训练样本中的至少一个对象的图像，采用动量对比的方式利用至少一个对象的图像对预训练模型进行训练，其中，动量对比可以是根据图像的特征向量相似度来确定多张图像是否来自于同一张图像中，若预训练模型识别两张图像来自于同一张图像中，且两张图像确实来自于同一张图像中，则说明预训练模型的识别准确度较高，此时，可以通过第一训练样本对预训练模型进行训练，得到目标检测模型。

进一步地，若预训练模型识别两张图像来自于同一张图像中，而两张图像并非来自于同一张图像中，则说明预训练模型的识别准确度较低，此时，可以对预训练模型的参数进行调整，以便提高预训练模型的识别精度。

在另一种可选的实施例中，可以通过对初始训练样本进行随机数据增强得到第一训练样本，具体的，可以是对初始训练样本进行随机亮度变化、模糊处理、随机雾化等方式来进行随机数据增强，以得到包含多个训练图像的训练样本。

为了进一步地提高训练样本的数量，可以在对初始训练样本进行随机数据增强之后，对增强之后的训练样本进行裁剪处理，具体的，可以根据每个训练图像所包含的至少一个对象的包围框进行裁剪，得到每个训练图像对应的至少一个对象的图像，从而进一步地提高训练样本的数量。

为了降低目标检测模型的过拟合风险并增强目标检测模型的泛化能力，在获取到第一训练样本之后，可以通过对比学习的方式训练预训练模型，具体的，可以通过预训练模型识别两个对象的图像是否来自于同一训练图像，若预训练模型能够准确识别，则说明预训练模型的泛化性较强，此时，可以进一步地通过第一训练样本对预训练模型进行训练，得到上述的目标检测模型，以降低目标检测模型的过拟合风险，并增强目标检测模型的泛化能力较强。进一步地，可以通过对初始训练样本进行数据增强处理，生成第一训练样本，并通过目标检测模型对训练图像进行检测，则检测到训练图像的标注结果出现问题时，可以将出现错误的标注结果进行替换，得到正确的标注结果，并基于正确的标注结果对目标检测模型重新进行训练，以进一步地降低目标检测模型的过拟合风险，并增强目标检测模型的泛化能力较强。

通过上述步骤，获取目标图像，其中，目标图像包含目标对象，可以利用目标检测模型对目标图像进行检测，得到目标对象的检测结果，其中，目标检测模型通过第一训练样本对预训练模型进行训练得到，预训练模型通过第一训练样本训练得到，第一训练样本通过对初始训练样本进行数据增强处理得到，实现了利用少量样本训练得到的精确度较高的目标检测模型进行检测的目的。容易注意到的是，由于训练目标检测模型的过程中所使用的第一训练样本是通过对初始训练样本进行数据增强得到的，在此过程中可能会出现较多的噪声样本，因此，在利用第一训练样本对目标检测模型进行训练之前，可以先通过第一训练样本训练得到预训练模型，以便根据预训练模型标注出第一训练样本中的噪声样本，在实际训练的过程中，通过预训练模型可以降低噪声样本对训练得到的目标检测模型的影响，进而解决了相关技术中由于训练样本较少且样本精确度较低导致训练得到的检测模型检测精度较低的技术问题。

本申请上述实施例中，第一训练样本包括：训练图像和训练图像的第一标注结果，该方法还包括：基于第一标注结果对训练图像进行分割，得到第一训练样本包含的至少一个对象的图像；利用至少一个对象的图像通过对比学习训练得到预训练模型。

在一种可选的实施例中，训练图像中可以包含有多个对象，每个对象都对应一个第一标注结果，可以根据每个对象的第一标注结果沿着每个对象的标注包围框进行分割，得到来自于训练图像的多个对象图像，从而增加训练图像的数量。

为了提高预训练模型的精度，在获取到多个对象的图像时，可以利用预训练模型对任意两个对象的图像进行相似度识别，确定这两个对象的图像是否来自于同一个训练图像中，若识别结果为确定两个对象的图像来自于同一个训练图像，且这两个对象的图像实际就是来自于同一个训练图像；或者识别结果为确定两个对象的图像来自不同的训练图像，且这两个对象的图像实际就是来自不同的训练图像，则说明预训练模型的识别精度较高；若识别结果为确定两个对象的图像来自于同一个训练图像，而两个对象的图像实际是来自不同训练图像；或者识别结果为确定两个对象的图像来自不同训练图像，而两个对象的图像实际来自同一训练图像，则说明预训练模型的识别精度较低，此时需要对预训练模型的参数进行调整。

在另一种可选的实施例中，为了进一步增加至少一个对象的图像，可以对得到的至少一个对象的图像进行随机数据增加，具体的，可以为对至少一个对象的图像进行随机亮度变化、模糊处理、随机雾化等。

本申请上述实施例中，利用至少一个对象的图像通过对比学习训练得到预训练模型包括：基于至少一个对象的图像，构建第二训练样本，其中，第二训练样本包括：两张图像和第二标注结果，第二标注结果用于表征两张图像是否来自同一个训练图像；利用预训练模型对两张图像进行处理，得到两张图像的识别结果，其中，识别结果用于表征第二训练样本对包含的两个图像是否来自同一个训练图像；基于识别结果和第二标注结果，生成预训练模型的第一损失函数；基于第一损失函数确定是否调整预训练模型的模型参数。

在一种可选的实施例中，训练图像中可以包含有多个对象，根据第一标注结果可以对多个对象进行分割，得到多个对象对应的图像，可以基于多个对象对应的图像构建新的第二训练样本，其中，第二训练样本中包含两个对象对应的两张图像，并标注这两张图像是否来自于同一个训练图像，用于后续验证预训练模型的精度。

进一步地，可以利用预训练模型对第二训练样本中的两张图像进行识别，识别第二训练样本中的两张图像是否来自于同一训练图像。在得到识别结果后，可以根据识别结果和第二标注结果生成预训练模型的第一损失函数，若识别结果与第二标注结果的不一致程度越小，则说明第一损失函数越小，其预训练模型的精确度越高；若识别结果与第二标注结果的不一致程度越大，则说明第一损失函数越大，其预训练模型的精确度越低，此时需要调整预训练模型的模型参数。

示例性的，训练图像为包含多个车辆的图像，训练图像的第一标注结果为多个车辆的车牌号，可以根据多个车辆的车牌号对训练图像中的多个车辆进行分割，具体的，可以沿着多个车辆的标注包围框进行分割，得到多张车辆图像，可以对每张训练图像按照同样的方式进行分割，得到更多的车辆图像，基于更多的车辆图像可以生成新的第二训练样本，每个第二训练样本中包含有两张车辆图像和对应的标注结果，其中，标注结果用于表示这两张车辆图像是否来自于同一个训练样本，同时可以利用上述的预训练模型对新的训练样本进行识别，得到两张车辆图像的识别结果，若识别结果与新的训练样本中的标注结果相同，则说明预训练模型的识别精度较高，若识别结果与新的训练样本中的标注结果不同，则说明预训练模型的识别精度较低，此时需要对预训练模型的模型参数进行调节，以提高预训练模型的识别精度。

本申请上述实施例中，该方法还包括：基于预训练模型对初始模型进行初始化；利用第一训练样本对初始化后的初始模型进行训练，得到目标检测模型。

上述的初始模型可以是具有检测功能的模型。上述的预训练模型可以是具有识别功能的模型。

在一种可选的实施例中，在通过第一训练样本训练得到预训练模型之后，可以获取到预训练模型中的模型参数，基于预训练模型的模型参数对初始模型进行初始化，具体的，可以将预训练模型的模型参数替换至初始模型中以实现对初始模型的初始化，在得到初始化后的初始模型时，可以利用数量较多且样本准确度较高的第一训练样本对初始化后的初始模型进行训练，以得到精确度较高的目标检测模型。

本申请上述实施例中，在利用第一训练样本对初始化后的初始模型进行训练，得到目标检测模型之后，该方法还包括：利用目标检测模型对训练图像进行检测，得到训练图像的检测结果；基于训练图像的检测结果和训练图像的第一标注结果，确定训练图像的第三标注结果；基于训练图像和训练图像的第三标注结果构建第三训练样本；利用第三训练样本对目标检测模型进行重新训练。

在一种可选的实施例中，为了进一步提高目标检测模型的检测精确度，可以利用训练得到的目标检测模型对上述的训练图像进行检测，得到训练图像的检测结果，以便根据训练图像的检测结果确定目标检测模型的第一标注结果是否为伪标签，在检测结果与第一标注结果相同时，说明第一标注结果为正确的标签，此时，可以确定第一标注结果为训练图像的第三标注结果，并利用第三标注结果对目标检测模型重新训练；在检测结果与第一标注结果不相同时，说明第一标注结果为伪标签，也即第一标注结果为错误的标签，此时，可以确定检测结果为训练图像的第三标注结果，并利用第三标注结果对目标检测模型重新训练。在此过程中，可以分析得到真实标签和伪标签，并根据确定的真实标签重新生成第三标注结果，以提高训练样本的准确度，并利用准确度较高的训练样本对目标检测模型重新训练，防止目标检测模型出现过拟合的情况，进而提高目标检测模型的检测精度。

在另一种可选的实施例中，可以根据训练图像和训练图像的第三标注结果构建第三训练样本，由于第三标注结果的准确度较高，因此，通过第三训练样本对目标检测模型进行重新训练可以进一步地提高目标检测模型的检测精度。

可选地，基于训练图像的检测结果和训练图像的第一标注结果，确定训练图像的第三标注结果包括：将检测结果和第一标注结果进行匹配；如果检测结果和第一标注结果匹配成功，则确定第三标注结果为第一标注结果；如果检测结果和第一标注结果匹配失败，则确定第三标注结果为检测结果。

在一种可选的实施例中，可以将检测结果和第一标注结果进行匹配，如果检测结果和第一标注结果匹配成功，则说明第一标注结果对应的标签为真实的标签，此时，可以确定第三标注结果为第一标注结果；如果检测结果和第一标注结果匹配失败，则说明第一标注结果对应的标签为伪标签，此时，可以确定第三标注结果为检测结果，以提高第三标注结果的准确性。

下面结合图3对本申请一种优选的实施例进行详细说明，该方法可以由移动终端或服务器执行，在本申请实施例中，以该方法由服务器执行为例进行说明。如图3所示，该方法可以包括如下步骤：

步骤S301，对初始训练样本进行数据增强，生成第一训练样本；

可选地，对上述的初始训练样本进行随机数据增强的方式可以为随机亮度变化、模糊处理、随机雾化等。

步骤S302，对第一训练样本中的训练图像按照包围框进行分割，得到至少一个对象的图像；

步骤S303，利用至少一个对象的图像进行动量对比，训练得到预训练模型；

上述的动量对比也即对比学习。

步骤S304，基于预训练模型对初始模型进行初始化，利用第一训练样本对初始化后的模型进行训练，得到目标检测模型；

上述的初始模型可以为Cascade-RCNN、Faster-RCNN、SSD等。

步骤S305，利用目标检测模型对训练图像进行检测，得到训练图像对应的真实标签；

上述的真实标签可以为第三标注结果。

步骤S306，根据训练图像和训练图像对应的真实标签重新训练目标检测模型。

可选地，可以结合真实标签和伪标签重新训练目标检测模型。

通过上述步骤，可以采用数据增强来增强训练样本，以防止训练得到的目标检测模型出现过拟合，通过自监督动量对比的方法训练预训练模型，缓解了模型的过拟合风险，针对于噪声样本的问题，可以通过分析训练图像的真实标签和伪标签，重新生成标签来用于模型的训练，以减少训练样本中噪声样本的数量，从而训练得到精确度较高的目标检测模型。

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。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例的方法。

实施例2

根据本申请实施例，还提供了一种图像处理方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图4是根据本发明实施例的一种图像处理方法的流程图。如图4所示，该方法可以包括以下步骤：

步骤S402，云服务器接收客户端上传的目标图像。

其中，目标图像包含目标对象。

上述的客户端与云服务器之间可以通过特定接口进行数据交互，客户端可以将用户选择的目标图像传入接口函数，并作为接口的一个参数，实现将目标图像上传至云服务器的目的。

步骤S404，云服务器利用目标检测模型对目标图像进行检测，得到目标对象的检测结果。

其中，目标检测模型通过第一训练样本对预训练模型进行训练得到，预训练模型通过第一训练样本训练得到，第一训练样本通过对初始训练样本进行数据增强处理得到；

步骤S406，云服务器输出检测结果至客户端。

本申请上述实施例中，第一训练样本包括：训练图像和训练图像的第一标注结果，该方法还包括：云服务器基于第一标注结果对训练图像进行分割，得到第一训练样本包含的至少一个对象的图像；云服务器利用至少一个对象的图像通过对比学习训练得到预训练模型。

本申请上述实施例中，云服务器利用至少一个对象的图像通过对比学习训练得到预训练模型包括：云服务器基于至少一个对象的图像，构建第二训练样本，其中，第二训练样本包括：两张图像和第二标注结果，第二标注结果用于表征两张图像是否来自同一个训练图像；云服务器利用预训练模型对两张图像进行处理，得到两张图像的识别结果，其中，识别结果用于表征第二训练样本对包含的两个图像是否来自同一个训练图像；云服务器基于识别结果和第二标注结果，生成预训练模型的第一损失函数；云服务器基于第一损失函数确定是否调整预训练模型的模型参数。

本申请上述实施例中，该方法还包括：云服务器基于预训练模型对初始模型进行初始化；云服务器利用第一训练样本对初始化后的初始模型进行训练，得到目标检测模型。

本申请上述实施例中，在云服务器利用第一训练样本对初始化后的初始模型进行训练，得到目标检测模型之后，方法还包括：云服务器利用目标检测模型对训练图像进行检测，得到训练图像的检测结果；云服务器基于训练图像的检测结果和训练图像的第一标注结果，确定训练图像的第三标注结果；云服务器基于训练图像和训练图像的第三标注结果构建第三训练样本；云服务器利用第三训练样本对目标检测模型进行重新训练。

本申请上述实施例中，云服务器基于训练图像的检测结果和训练图像的第一标注结果，确定训练图像的第三标注结果包括：云服务器将检测结果和第一标注结果进行匹配；云服务器如果检测结果和第一标注结果匹配成功，则确定第三标注结果为第一标注结果；云服务器如果检测结果和第一标注结果匹配失败，则确定第三标注结果为检测结果。

需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。

实施例3

根据本申请实施例，还提供了一种图像处理方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图5是根据本申请实施例3的一种图像处理方法的流程图。如图5所示，该方法可以包括以下步骤：

步骤S502，云服务器接收客户端上传的模型训练请求；

其中，模型训练请求包括：初始训练样本。

步骤S504，云服务器对初始训练样本进行数据增强处理，得到第一训练样本；

步骤S506，云服务器通过第一训练样本训练得到预训练模型；

步骤S508，云服务器通过第一训练样本对预训练模型进行训练，得到目标检测模型；

步骤S510，云服务器输出目标检测模型至客户端。

本申请上述实施例中，第一训练样本包括：训练图像和训练图像的第一标注结果，云服务器通过第一训练样本训练得到预训练模型，包括：云服务器基于第一标注结果对训练图像进行分割，得到第一训练样本包含的至少一个对象的图像；云服务器利用至少一个对象的图像通过对比学习训练得到预训练模型。

本申请上述实施例中，云服务器利用至少一个对象的图像通过对比学习训练得到预训练模型包括：云服务器基于至少一个对象的图像，构建第二训练样本，其中，第二训练样本包括：两张图像和第二标注结果，第二标注结果用于表征两张图像是否来自同一个训练图像；云服务器利用预训练模型对两张图像进行处理，得到两张图像的识别结果，其中，识别结果用于表征第二训练样本对包含的两个图像是否来自同一个训练图像；云服务器基于识别结果和第二标注结果，生成预训练模型的第一损失函数；云服务器基于第一损失函数确定是否调整预训练模型的模型参数。

本申请上述实施例中，云服务器通过第一训练样本对预训练模型进行训练，得到目标检测模型，包括：云服务器基于预训练模型对初始模型进行初始化；云服务器利用第一训练样本对初始化后的初始模型进行训练，得到目标检测模型。

本申请上述实施例中，在云服务器利用第一训练样本对初始化后的初始模型进行训练，得到目标检测模型之后，方法还包括：云服务器利用目标检测模型对训练图像进行检测，得到训练图像的检测结果；云服务器基于训练图像的检测结果和训练图像的第一标注结果，确定训练图像的第三标注结果；云服务器基于训练图像和训练图像的第三标注结果构建第三训练样本；云服务器利用第三训练样本对目标检测模型进行重新训练。

本申请上述实施例中，云服务器基于训练图像的检测结果和训练图像的第一标注结果，确定训练图像的第三标注结果包括：云服务器将检测结果和第一标注结果进行匹配；云服务器如果检测结果和第一标注结果匹配成功，则确定第三标注结果为第一标注结果；云服务器如果检测结果和第一标注结果匹配失败，则确定第三标注结果为检测结果。

需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。

实施例4

根据本申请实施例，还提供了一种用于实施上述图像处理方法的图像处理装置，如图6所示，该装置600包括：获取模块602、检测模块604。

其中，获取模块602，用于获取目标图像，其中，目标图像包含目标对象；检测模块604，用于利用目标检测模型对目标图像进行检测，得到目标对象的检测结果，其中，目标检测模型通过第一训练样本对预训练模型进行训练得到，预训练模型通过第一训练样本训练得到，第一训练样本通过对初始训练样本进行数据增强处理得到。

此处需要说明的是，上述获取模块602、检测模块604对应于实施例1中的步骤S202至步骤S204，两个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。

本申请上述实施例中，该装置还包括：分割模块、对比模块。

其中，分割模块用于基于第一标注结果对训练图像进行分割，得到第一训练样本包含的至少一个对象的图像；对比模块用于利用至少一个对象的图像通过对比学习训练得到预训练模型。

本申请上述实施例中，对比模块包括：构建单元、处理单元、生成单元、第一确定单元。

其中，构建单元用于基于至少一个对象的图像，构建第二训练样本，其中，第二训练样本包括：两张图像和第二标注结果，第二标注结果用于表征两张图像是否来自同一个训练图像；处理单元用于利用预训练模型对两张图像进行处理，得到两张图像的识别结果，其中，识别结果用于表征第二训练样本对包含的两个图像是否来自同一个训练图像；生成单元用于基于识别结果和第二标注结果，生成预训练模型的第一损失函数；第一确定单元用于基于第一损失函数确定是否调整预训练模型的模型参数。

本申请上述实施例中，该装置还包括：初始模块、训练模块。

其中，初始模块用于基于预训练模型对初始模型进行初始化；训练模块用于利用第一训练样本对初始化后的初始模型进行训练，得到目标检测模型。

本申请上述实施例中，该装置还包括：检测模块还用于利用目标检测模型对训练图像进行检测，得到训练图像的检测结果；确定模块，用于基于训练图像的检测结果和训练图像的第一标注结果，确定训练图像的第三标注结果；构建模块，用于基于训练图像和训练图像的第三标注结果构建第三训练样本；训练模块还用于利用第三训练样本对目标检测模型进行重新训练。

本申请上述实施例中，确定模块包括：匹配单元、第二确定单元。

其中，匹配单元用于将检测结果和第一标注结果进行匹配；第二确定单元用于在检测结果和第一标注结果匹配成功的情况下，确定第三标注结果为第一标注结果；第二确定单元还用于在检测结果和第一标注结果匹配失败的情况下，确定第三标注结果为检测结果。

需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。

实施例5

根据本申请实施例，还提供了一种用于实施上述图像处理方法的图像处理装置，如图7所示，该装置700包括：获取模块702、检测模块704、输出检测模块706。

其中，接收模块702，用于接收客户端上传的目标图像，其中，目标图像包含目标对象；检测模块704，用于利用目标检测模型对目标图像进行检测，得到目标对象的检测结果，其中，目标检测模型通过第一训练样本对预训练模型进行训练得到，预训练模型通过第一训练样本训练得到，第一训练样本通过对初始训练样本进行数据增强处理得到；输出检测模块706，用于输出检测结果至客户端。

此处需要说明的是，上述获取模块702、检测模块704、输出检测模块706对应于实施例2中的步骤S402至步骤S406，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例2所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。

需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。

实施例6

根据本申请实施例，还提供一种用于实施上述图像处理方法的图像处理装置，如图8所示，该装置800包括：接收模块802、处理模块804、第一训练模块806、第二训练模块808、输出检测模块810。

其中，接收模块802，用于接收客户端上传的模型训练请求，其中，模型训练请求包括：初始训练样本；处理模块804，用于对初始训练样本进行数据增强处理，得到第一训练样本；第一训练模块806，用于通过第一训练样本训练得到预训练模型；第二训练模块808，用于通过第一训练样本对预训练模型进行训练，得到目标检测模型；输出检测模块810，用于输出目标检测模型至客户端。

此处需要说明的是，上述接收模块802、处理模块804、第一训练模块806、第二训练模块808、输出检测模块810对应于实施例3中的步骤S502至步骤S510，五个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例3所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。

需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。

实施例7

本申请的实施例可以提供一种计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。

可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。

在本实施例中，上述计算机终端可以执行图像处理方法中以下步骤的程序代码：获取目标图像，其中，目标图像包含目标对象；利用目标检测模型对所述目标图像进行检测，得到所述目标对象的检测结果，其中，所述目标检测模型通过第一训练样本对预训练模型进行训练得到，所述预训练模型通过所述第一训练样本训练得到，所述第一训练样本通过对初始训练样本进行数据增强处理得到。

可选地，图9是根据本申请实施例的一种计算机终端的结构框图。如图9所示，该计算机终端900可以包括：一个或多个(图中仅示出一个)处理器、存储器。

其中，存储器可用于存储软件程序以及模块，如本申请实施例中的图像处理方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的图像处理方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至终端900。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取目标图像，其中，目标图像包含目标对象；利用目标检测模型对目标图像进行检测，得到目标对象的检测结果，其中，目标检测模型通过第一训练样本对预训练模型进行训练得到，预训练模型通过第一训练样本训练得到，第一训练样本通过对初始训练样本进行数据增强处理得到。

可选的，上述处理器还可以执行如下步骤的程序代码：基于第一标注结果对训练图像进行分割，得到第一训练样本包含的至少一个对象的图像；利用至少一个对象的图像通过对比学习训练得到预训练模型。

可选的，上述处理器还可以执行如下步骤的程序代码：基于至少一个对象的图像，构建第二训练样本，其中，第二训练样本包括：两张图像和第二标注结果，第二标注结果用于表征两张图像是否来自同一个训练图像；利用预训练模型对两张图像进行处理，得到两张图像的识别结果，其中，识别结果用于表征第二训练样本对包含的两个图像是否来自同一个训练图像；基于识别结果和第二标注结果，生成预训练模型的第一损失函数；基于第一损失函数确定是否调整预训练模型的模型参数。

可选的，上述处理器还可以执行如下步骤的程序代码：基于预训练模型对初始模型进行初始化；利用第一训练样本对初始化后的初始模型进行训练，得到目标检测模型。

可选的，上述处理器还可以执行如下步骤的程序代码：利用目标检测模型对训练图像进行检测，得到训练图像的检测结果；基于训练图像的检测结果和训练图像的第一标注结果，确定训练图像的第三标注结果；基于训练图像和训练图像的第三标注结果构建第三训练样本；利用第三训练样本对目标检测模型进行重新训练。

可选的，上述处理器还可以执行如下步骤的程序代码：将检测结果和第一标注结果进行匹配；如果检测结果和第一标注结果匹配成功，则确定第三标注结果为第一标注结果；如果检测结果和第一标注结果匹配失败，则确定第三标注结果为检测结果。

采用本申请实施例，提供了一种图像处理方法的方案。获取目标图像，其中，目标图像包含目标对象，可以利用目标检测模型对目标图像进行检测，得到目标对象的检测结果，其中，目标检测模型通过第一训练样本对预训练模型进行训练得到，预训练模型通过第一训练样本训练得到，第一训练样本通过对初始训练样本进行数据增强处理得到，实现了利用少量样本训练得到的精确度较高的目标检测模型进行检测的目的。容易注意到的是，由于训练目标检测模型的过程中所使用的第一训练样本是通过对初始训练样本进行数据增强得到的，在此过程中可能会出现较多的噪声样本，因此，在利用第一训练样本对目标检测模型进行训练之前，可以先通过第一训练样本训练得到预训练模型，以便根据预训练模型标注出第一训练样本中的噪声样本，在实际训练的过程中，通过预训练模型可以降低噪声样本对训练得到的目标检测模型的影响，进而解决了相关技术中由于训练样本较少且样本精确度较低导致训练得到的检测模型检测精度较低的技术问题。

本领域普通技术人员可以理解，图9所示的结构仅为示意，计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(MobileInternet Devices，MID)、PAD等终端设备。图9其并不对上述电子装置的结构造成限定。例如，计算机终端900还可包括比图9中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图9所示不同的配置。

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终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。

实施例8

本申请的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例所提供的图像处理方法所执行的程序代码。

可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取目标图像，其中，目标图像包含目标对象；利用目标检测模型对目标图像进行检测，得到目标对象的检测结果，其中，目标检测模型通过第一训练样本对预训练模型进行训练得到，预训练模型通过第一训练样本训练得到，第一训练样本通过对初始训练样本进行数据增强处理得到。

可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：基于第一标注结果对训练图像进行分割，得到第一训练样本包含的至少一个对象的图像；利用至少一个对象的图像通过对比学习训练得到预训练模型。

可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：基于至少一个对象的图像，构建第二训练样本，其中，第二训练样本包括：两张图像和第二标注结果，第二标注结果用于表征两张图像是否来自同一个训练图像；利用预训练模型对两张图像进行处理，得到两张图像的识别结果，其中，识别结果用于表征第二训练样本对包含的两个图像是否来自同一个训练图像；基于识别结果和第二标注结果，生成预训练模型的第一损失函数；基于第一损失函数确定是否调整预训练模型的模型参数。

可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：基于预训练模型对初始模型进行初始化；利用第一训练样本对初始化后的初始模型进行训练，得到目标检测模型。

可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：利用目标检测模型对训练图像进行检测，得到训练图像的检测结果；基于训练图像的检测结果和训练图像的第一标注结果，确定训练图像的第三标注结果；基于训练图像和训练图像的第三标注结果构建第三训练样本；利用第三训练样本对目标检测模型进行重新训练。

可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：将检测结果和第一标注结果进行匹配；如果检测结果和第一标注结果匹配成功，则确定第三标注结果为第一标注结果；如果检测结果和第一标注结果匹配失败，则确定第三标注结果为检测结果。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在本申请的上述实施例中，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，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，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系统，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所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。

所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介质中。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介质中，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所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (13)

1.一种图像处理方法，其特征在于，包括：

获取目标图像，其中，目标图像包含目标对象；

利用目标检测模型对所述目标图像进行检测，得到所述目标对象的检测结果，其中，所述目标检测模型通过第一训练样本对预训练模型进行训练得到，所述预训练模型通过所述第一训练样本训练得到，所述第一训练样本通过对初始训练样本进行数据增强处理得到。

2.根据权利要求1所述的方法，其特征在于，所述第一训练样本包括：训练图像和所述训练图像的第一标注结果，所述方法还包括：

基于所述第一标注结果对所述训练图像进行分割，得到所述第一训练样本包含的至少一个对象的图像；

利用所述至少一个对象的图像通过对比学习训练得到所述预训练模型。

3.根据权利要求2所述的方法，其特征在于，利用所述至少一个对象的图像通过对比学习训练得到所述预训练模型包括：

基于所述至少一个对象的图像，构建第二训练样本，其中，所述第二训练样本包括：两张图像和第二标注结果，所述第二标注结果用于表征所述两张图像是否来自同一个训练图像；

利用所述预训练模型对所述两张图像进行处理，得到所述两张图像的识别结果，其中，所述识别结果用于表征所述第二训练样本对包含的两个图像是否来自同一个训练图像；

基于所述识别结果和所述第二标注结果，生成所述预训练模型的第一损失函数；

基于所述第一损失函数确定是否调整所述预训练模型的模型参数。

4.根据权利要求2所述的方法，其特征在于，所述方法还包括：

基于所述预训练模型对初始模型进行初始化；

利用所述第一训练样本对初始化后的初始模型进行训练，得到所述目标检测模型。

5.根据权利要求4所述的方法，其特征在于，在利用所述第一训练样本对初始化后的初始模型进行训练，得到所述目标检测模型之后，所述方法还包括：

利用所述目标检测模型对所述训练图像进行检测，得到所述训练图像的检测结果；

基于所述训练图像的检测结果和所述训练图像的第一标注结果，确定所述训练图像的第三标注结果；

基于所述训练图像和所述训练图像的第三标注结果构建第三训练样本；

利用所述第三训练样本对所述目标检测模型进行重新训练。

6.根据权利要求5所述的方法，其特征在于，基于所述训练图像的检测结果和所述训练图像的第一标注结果，确定所述训练图像的第三标注结果包括：

将所述检测结果和所述第一标注结果进行匹配；

如果所述检测结果和所述第一标注结果匹配成功，则确定所述第三标注结果为所述第一标注结果；

如果所述检测结果和所述第一标注结果匹配失败，则确定所述第三标注结果为所述检测结果。

7.一种图像处理方法，其特征在于，包括：

云服务器接收客户端上传的目标图像，其中，目标图像包含目标对象；

所述云服务器利用目标检测模型对所述目标图像进行检测，得到所述目标对象的检测结果，其中，所述目标检测模型通过第一训练样本对预训练模型进行训练得到，所述预训练模型通过所述第一训练样本训练得到，所述第一训练样本通过对初始训练样本进行数据增强处理得到；

所述云服务器输出所述检测结果至所述客户端。

8.一种图像处理方法，其特征在于，包括：

云服务器接收客户端上传的模型训练请求，其中，所述模型训练请求包括：初始训练样本；

所述云服务器对所述初始训练样本进行数据增强处理，得到第一训练样本；

所述云服务器通过所述第一训练样本训练得到预训练模型；

所述云服务器通过所述第一训练样本对所述预训练模型进行训练，得到目标检测模型；

所述云服务器输出所述目标检测模型至所述客户端。

9.一种图像处理装置，其特征在于，包括：

获取模块，用于获取目标图像，其中，目标图像包含目标对象；

检测模块，用于利用目标检测模型对所述目标图像进行检测，得到所述目标对象的检测结果，其中，所述目标检测模型通过第一训练样本对预训练模型进行训练得到，所述预训练模型通过所述第一训练样本训练得到，所述第一训练样本通过对初始训练样本进行数据增强处理得到。

10.一种图像处理装置，其特征在于，包括：

接收模块，用于接收客户端上传的目标图像，其中，目标图像包含目标对象；

检测模块，用于利用目标检测模型对所述目标图像进行检测，得到所述目标对象的检测结果，其中，所述目标检测模型通过第一训练样本对预训练模型进行训练得到，所述预训练模型通过所述第一训练样本训练得到，所述第一训练样本通过对初始训练样本进行数据增强处理得到；

输出检测模块，用于输出所述检测结果至所述客户端。

11.一种图像处理装置，其特征在于，包括：

接收模块，用于接收客户端上传的模型训练请求，其中，所述模型训练请求包括：初始训练样本；

处理模块，用于对所述初始训练样本进行数据增强处理，得到第一训练样本；

第一训练模块，用于通过所述第一训练样本训练得到预训练模型；

第二训练模块，用于通过所述第一训练样本对所述预训练模型进行训练，得到目标检测模型；

输出检测模块，用于输出所述目标检测模型至所述客户端。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至8中任意一项所述的图像处理方法。

13.一种计算机终端，其特征在于，包括：存储器和处理器，所述处理器用于运行所述存储器中存储的程序，其中，所述程序运行时执行权利要求1至8中任意一项所述的图像处理方法。

Images