CN114463584B - 图像处理、模型训练方法、装置、设备、存储介质及程序 - Google Patents
图像处理、模型训练方法、装置、设备、存储介质及程序 Download PDFInfo
- Publication number
- CN114463584B CN114463584B CN202210111581.0A CN202210111581A CN114463584B CN 114463584 B CN114463584 B CN 114463584B CN 202210111581 A CN202210111581 A CN 202210111581A CN 114463584 B CN114463584 B CN 114463584B
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- sub
- processing
- enhancement
- 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
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Abstract
本公开提供了图像处理、模型训练方法、装置、设备、存储介质及程序,涉及人工智能领域,尤其涉及计算机视觉和深度学习技术领域。具体实现方案为:获取待处理的第一图像,对第一图像进行特征提取,得到第一图像特征,根据M种特征增强方式,对所述第一图像特征进行M次特征增强处理,得到M个第二图像特征,所述M为大于或等于1的整数;对所述M个第二图像特征进行分类处理,得到所述第一图像的类别。上述过程,一方面提高了图像分类结果的准确性,另一方面提高了分类效率。
Description
技术领域
本公开涉及人工智能领域,具体涉及计算机视觉和深度学习技术,尤其涉及一种图像处理、模型训练方法、装置、设备、存储介质及程序。
背景技术
目前,图像和视频等多媒体数据在人们生活中得到广泛应用。越来越多的用户通过图像和视频等多媒体数据来表达和传递信息。
在很多应用场景中,需要对图像或者视频进行分类。例如,一些场景中,需要识别图像是否为色情图像。另一些场景中,需要识别图像是否为伪造图像。还有一些场景中,需要将图像分类为人物图像、风景图像、动物图像等。以识别色情图像的场景为例,在用户向多媒体平台发布图像时,由审核人员对待发布的图像进行人工审核,确定是否含有色情内容,从而确定图像的类别。
然而,上述方式中需要人工对图像进行分类,一方面效率较低,另一方面,图像分类结果容易受到人为因素影响,准确性无法保证。
发明内容
本公开提供了一种图像处理、模型训练方法、装置、设备、存储介质及程序。
根据本公开的第一方面,提供了一种图像处理方法,包括:
获取待处理的第一图像;
对所述第一图像进行特征提取,得到第一图像特征;
根据M种特征增强方式,对所述第一图像特征进行M次特征增强处理,得到M个第二图像特征,所述M为大于或等于1的整数;
对所述M个第二图像特征进行分类处理,得到所述第一图像的类别。
根据本公开的第二方面,提供了一种模型训练方法,包括:
获取第一样本图像和所述第一样本图像对应的标记类别;
通过预设模型对所述第一样本图像进行特征提取,得到第一图像特征;
通过所述预设模型根据M种特征增强方式,对所述第一图像特征进行M次特征增强处理,得到M个第二图像特征,所述M为大于或等于1的整数;
通过所述预设模型对所述M个第二图像特征进行分类处理,得到所述第一样本图像的预测类别;
根据所述标记类别和所述预测类别,更新所述预设模型的模型参数。
根据本公开的第三方面,提供了一种图像处理装置,包括:
获取模块,用于获取待处理的第一图像;
特征提取模块,用于对所述第一图像进行特征提取,得到第一图像特征;
特征增强模块,用于根据M种特征增强方式,对所述第一图像特征进行M次特征增强处理,得到M个第二图像特征,所述M为大于或等于1的整数;
分类模块,用于对所述M个第二图像特征进行分类处理,得到所述第一图像的类别。
根据本公开的第四方面,提供了一种模型训练装置,包括:
获取模块,用于获取第一样本图像和所述第一样本图像对应的标记类别;
特征提取模块,用于通过预设模型对所述第一样本图像进行特征提取,得到第一图像特征;
特征增强模块,用于通过所述预设模型根据M种特征增强方式,对所述第一图像特征进行M次特征增强处理,得到M个第二图像特征,所述M为大于或等于1的整数;
分类模块,用于通过所述预设模型对所述M个第二图像特征进行分类处理,得到所述第一样本图像的预测类别;
更新模块,用于根据所述标记类别和所述预测类别,更新所述预设模型的模型参数。
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第一方面所述的方法,或者,执行第二方面所述的方法。
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,其中,所述计算机指令用于使所述计算机执行根据第一方面所述的方法,或者,第二方面所述的方法。
根据本公开的第七方面,提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法,或者,执行第二方面所述的方法。
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为本公开实施例提供的一种系统架构的示意图;
图2为本公开实施例提供的一种图像处理方法的流程示意图;
图3为本公开实施例提供的一种预设模型的结构示意图;
图4为本公开实施例提供的一种特征提取网络及其处理过程的示意图;
图5为本公开实施例提供的一种特征增强网络及其处理过程的示意图;
图6为本公开实施例提供的另一种图像处理方法的流程示意图;
图7为本公开实施例提供的一种分类网络及其处理过程的示意图;
图8为本公开实施例提供的一种模型训练方法的流程示意图;
图9为本公开实施例提供的一种图像处理装置的结构示意图;
图10为本公开实施例提供的一种模型训练装置的结构示意图;
图11为本公开实施例提供的一种电子设备的结构示意图。
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。
本公开提供一种图像处理、模型训练方法、装置、设备、存储介质及程序,应用于人工智能领域中的计算机视觉和深度学习技术,可应用于图像分类场景,以提高分类效率以及分类结果的准确性。
需要说明的是,本公开提供的技术方案可应用于任何需要对图像进行分类的场景。例如,识别图像是否为色情图像的场景、识别图像是否为伪造图像的场景、识别图像是否为人物图像的场景等。本公开对此不作限定。后续涉及举例时,以色情图像的识别场景为例进行说明。
一些相关技术中,在对色情图像进行识别时,可以利用图像处理算法对图像中的关键区域(例如人体皮肤裸露区域)进行特征提取,进而,利用事先确定的分类策略对提取的特征进行分类,确定图像是否为色情图像。然而,实际应用场景中,识别结果容易受到多种因素的影响,例如皮肤裸露部位、裸露区域的大小、裸露部位在图像中的位置等。
本公开提供的图像处理方法,可以通过对第一图像进行特征提取,得到第一图像特征,根据M种特征增强方式,对第一图像特征进行M次特征增强处理,得到M个第二图像特征,进而对M个第二图像特征进行分类处理,得到第一图像的类别,其中M为大于或者等于1的整数。上述过程中,通过对第一图像特征进行M次特征增强处理,使得得到的M个第二图像特征的表征能力更强,进而根据M个第二图像特征进行分类处理,得到第一图像的类别,能够提高图像分类结果的准确性。另外,由于上述过程实现了对第一图像进行自动分类,提高了分类效率,并且降低了人力成本和时间成本。
为了便于理解本公开的技术方案,下面结合图1对本公开实施例涉及的系统架构进行介绍。
图1为本公开实施例提供的一种系统架构的示意图。如图1所示,该系统架构包括:训练设备和执行设备。
其中,训练设备可以对样本图像数据库中的多个样本图像进行学习、建模,得到预设模型。示例性的,在训练之前,可以对各样本图像的类别进行标注,例如,标注每个样本图像为色情图像或者非色情图像。在训练过程中,根据标注结果对多个样本图像进行学习,得到预设模型,使得预设模型具有对图像进行分类的能力。本公开实施例中,预设模型也可以称为图像识别模型,或者称为图像分类模型。
训练设备训练得到的预设模型可以部署到执行设备中。参见图1,将待处理的第一图像输入执行设备。执行设备利用预设模型对第一图像进行处理,得到第一图像的类别。
示例性的,执行设备可以通过预设模型对第一图像进行特征提取,得到第一图像特征,通过预设模型根据M种特征增强方式,对第一图像进行M次特征增强处理,得到M个第二图像特征,并通过预设模型对M个第二图像特征进行分类处理,得到第一图像的类别。
需要说明的是,上述系统架构以及应用场景仅作为一些可能的示例,不应该作为对本公开实施例的限定。一些应用场景中,训练设备、执行设备可以是相互独立的电子设备。另一些应用场景中,训练设备和执行设备可以是同一电子设备。
下面以具体地实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本公开实施例提供的一种图像处理方法的流程示意图。如图2所示,本实施例的方法包括:
S201:获取待处理的第一图像。
本实施例中,第一图像为待分类图像。一个示例场景中,第一图像可以为用户请求上传的图像。另一示例场景中,第一图像可以为用户请求上传的视频中的一帧图像。
S202:对所述第一图像进行特征提取,得到第一图像特征。
本实施例中,可以采用图像特征提取算法,对第一图像进行特征提取,得到第一图像特征。还可以利用预先训练得到的机器学习模型对第一图像进行特征提取,得到第一图像特征。
S203:根据M种特征增强方式,对所述第一图像特征进行M次特征增强处理,得到M个第二图像特征,所述M为大于或等于1的整数。
本实施例中,通过对第一图像特征进行特征增强处理,使得得到的第二图像特征的表征能力更强且更具有针对性。
当M大于1时,M次特征增强处理所对应的特征增强方式不同,相应的,对第一图像特征进行M次特征增强处理所得到的M个第二图像特征也不同。举例而言,假设M=2,则采用特征增强方式1对第一图像特征进行特征增强处理,得到第二图像特征,采用特征增强方式2对第一图像特征进行特征增强处理,得到第二图像特征。两次得到的第二图像特征不同。本实施例中,针对不同次特征增强处理,所增强的是不同的特征,这样得到的M个第二图像特征的表征能力更加全面。
S204:对所述M个第二图像特征进行分类处理,得到所述第一图像的类别。
需要说明的是,本实施例对于具体的图像分类场景不作限定。一些示例中,图像分类场景可以为二分类场景,这样,第一图像的类别为预设类别或者非预设类别。举例而言,在色情图像识别场景中,第一图像的类别为色情图像或者非色情图像。在伪造图像识别场景中,第一图像的类别为伪造图像或者非伪造图像。
另一些示例中,图像分类场景可以为多分类。以三分类为例,第一图像的类别可以为类别1、类别2或者类别3。举例而言,第一图像的类别可以为人物图像、动物图像、风景图像。
本实施例提供的图像处理方法,包括:获取待处理的第一图像,对第一图像进行特征提取,得到第一图像特征;根据M种特征增强方式,对第一图像特征进行M次特征增强处理,得到M个第二图像特征,进而对M个第二图像特征进行分类处理,得到第一图像的类别。上述过程中,通过对第一图像特征进行M次特征增强处理,使得得到的M个第二图像特征的表征能力更强并且更加全面,因此,根据M个第二图像特征分类得到的第一图像的类别更加准确。另外,由于上述过程实现了对第一图像进行自动分类,提高了分类效率,并且降低了人力成本和时间成本。
上述图2所示实施例提供的图像处理方法可以由电子设备(例如图1中的执行设备)执行。一些可能的实现方式中,电子设备中可以部署有预设模型。其中,预设模型可以是利用机器学习技术预先训练得到的机器学习模型。预设模型具有图像进行分类的能力。
具体而言,电子设备获取到待处理的第一图像之后,可以通过预设模型对第一图像进行特征提取,得到第一图像特征;通过预设模型根据M种特征增强方式,对第一图像特征进行M次特征增强处理,得到M个第二图像特征;进而,通过预设模型对M个第二图像特征进行分类处理,得到第一图像的类别。
图3为本公开实施例提供的一种预设模型的结构示意图。如图3所示,预设模型包括:特征提取网络、特征增强网络和分类网络。其中,特征增强网络的数量为M,M个特征增强网络为并联关系。
利用图3所示的预设模型对图像分类的过程如下:将第一图像输入至特征提取网络,通过特征提取网络对第一图像进行特征提取,得到第一图像特征。将第一图像特征分别输入到M个特征增强网络中,通过M个特征增强网络对第一图像特征进行特征增强处理,得到M个第二图像特征。应理解的是,M个特征增强网络对第一图像特征进行特征增强处理时,采用的特征增强方式不同,因此,M个第二图像特征也不相同。进一步的,将M个第二图像特征输入至分类网络中,通过分类网络对M个第二图像特征进行分类处理,得到第一图像的类别。
下面结合具体的示例,对特征提取网络、特征增强网络、分类网络的结构以及处理过程进行详细说明。
图4为本公开实施例提供的一种特征提取网络及其处理过程的示意图。如图4所示,特征提取网络包括:卷积单元和N个通道处理单元。其中,卷积单元、N个通道处理单元依次串联连接。
可选的,卷积单元可以包括3*3卷积(Conv 3*3)层和归一化(BatchNorm2d)层。
可选的,通道处理单元可以采用MB卷积块(MB Conv Block)。示例性的,MB卷积块可以包括:3*3卷积(Conv 3*3)层、归一化(BatchNorm2d)层、压缩与激励块(Squeeze-and-Excitation Block,SE Block)、1*1卷积(Conv 1*1)层、归一化(BatchNorm2d)层和丢弃(Dropout)层。
结合图4,特征提取网络对第一图像进行特征提取的过程如下:
(1)对第一图像进行卷积处理,得到第1卷积图像。第1卷积图像中包括N1个通道。N1为大于1的整数。
例如,参见图4,将第一图像输入卷积单元,卷积单元对第一图像进行卷积处理,得到第1卷积图像。
(2)对第1卷积图像进行通道扩充处理,得到第2卷积图像,第2卷积图像包括N2个通道。N2>N1。
例如,参见图4,将第1卷积图像输入第1个通道处理单元,第1个通道处理单元对第1卷积图像进行通道扩充处理,得到第2卷积图像。第2卷积图像中的通道数大于第1卷积图像中的通道数。
(3)对第i卷积图像进行通道扩充处理,得到第i+1卷积图像,第i+1卷积图像包括Ni+1个通道。Ni+1>Ni。i依次取2、3、4、……、N。
例如,参见图4,将第2卷积图像输入第2个通道处理单元,第2个通道处理单元对第2卷积图像进行通道扩充处理,得到第3卷积图像。第3卷积图像中的通道数大于第2卷积图像中的通道数。依次类推,直至将第N卷积图像输入第N个通道处理单元,第N个通道处理单元对第N卷积图像进行通道扩充处理,得到第N+1卷积图像。第N+1卷积图像中的通道数大于第N卷积图像中的通道数。
(4)根据第N+1卷积图像,确定第一图像特征。
示例性的,根据第N+1卷积图像中各通道对应的通道特征,确定第一图像特征。第一图像特征中包括Ni+1个通道对应的通道特征。
本实施例中,通过在特征提取网络中添加SE块,SE块在对各通道进行处理时,可以针对不同通道设置不同的通道权重,相当于为不同通道添加了不同注意力,从而可以针对性的增强部分通道的特征,使得第一图像特征更加准确。
图5为本公开实施例提供的一种特征增强网络及其处理过程的示意图。如图5所示,特征增强网络包括:卷积单元、位置编码单元、卷积和池化单元。示例性的,卷积单元可以包括1*1的卷积层。位置编码单元可以包括位置编码层。卷积和池化单元可以包括1*1的卷积层和池化层。
本实施例中,特征增强网络对第一图像特征进行特征增强处理时,采用的特征增强方式至少取决于:图5中的卷积单元对应的卷积参数、位置编码单元对应的位置编码参数。例如,卷积参数可以为卷积单元中采用的1*1卷积核。位置编码参数可以为编码层的相关参数。
需要说明的是,图5是以一个特征增强网络为例进行示意的,图3中的每个特征增强网络的结构及其处理过程均与图5类似。不同特征增强网络采用的特征增强方式(例如卷积单元对应的卷积参数、位置编码单元对应的位置编码参数)不同。各特征增强网络采用的特征增强方式是在预设模型的训练过程中确定的。
图6为本公开实施例提供的另一种图像处理方法的流程示意图。图6示例的是采用图5所示的特征增强网络对第一图像特征进行特征增强处理的过程。如图6所示,本实施例的方法包括:
S601:根据卷积参数对所述第一图像特征进行卷积处理,得到第三图像特征。
示例性的,卷积参数可以为图5中卷积单元中采用的1*1卷积核。第一图像特征可以包括K1个通道对应的通道特征。第三图像特征可以包括K2个通道对应的通道特征,K2<K1。也就是说,通过对第一图像特征进行卷积处理,能够降低图像特征中的通道数,从而降低后续处理的计算量。
S602:对所述第三图像特征进行通道分解处理,得到第一子图像特征和第二子图像特征。
参见图5,假设第三图像特征的维度为32*32*1100,即图像宽和高为32,通道数为1100。可以从通道维度对第三图像特征进行通道分解处理,得到第一子图像特征和第二子图像特征。例如,第一子图像特征的维度为32*32*800,第二子图像特征的维度为32*32*300。
S603:在所述第一子图像特征中确定第三子图像特征和第四子图像特征。
参见图5,第一子图像特征的维度为32*32*800,可以从通道维度对第一子图像特征进行通道分解处理,得到第三子图像特征和第四子图像特征。例如,第三子图像特征的维度为32*32*400,第四子图像特征的维度为32*32*400。应理解,第三子图像特征的维度和第四子通道特征的维度可以相同或者不同,本实施例对此不作限定。
S604:根据位置编码参数,对所述第三子图像特征进行位置编码处理,得到位置矩阵。
参见图5,将第三子图像特征输入位置编码单元,位置编码单元利用位置编码参数对第三子图像特征进行位置编码处理,得到位置矩阵(Location Matrix)。应理解,位置矩阵反映了第三子图像特征中各特征之间的位置关系。
S605:对所述第三子图像特征和所述第四子图像特征进行预设运算,得到权重系数矩阵。
示例性的,参见图5,可以对第三子图像特征和第四子图像特征进行相乘处理,得到中间融合结果。中间融合结果指示了第三子图像特征和第四子图像特征中的各通道特征之间的相互关系。利用激活函数对中间融合结果进行处理,得到权重系数矩阵(WeightMartix)。示例性的,激活函数可以为softmax函数。通过激活函数对中间融合结果进行处理,使得权重系数矩阵具有非线性特征。
S606:根据位置矩阵和权重系数矩阵,确定目标增强参数。
示例性的,参见图5,将位置矩阵和权重系数矩阵进行相加,得到目标增强参数。
S607:根据目标增强参数对第二子图像特征进行特征增强处理,得到第二图像特征。
示例性的,参见图5,对目标增强参数和第二子图像特征进行相乘处理,得到增强图像特征。将增强图像特征输入至卷积和池化单元,以对增强图像特征进行卷积处理和池化处理,得到第二图像特征。
上述过程中,根据位置编码参数、第三子图像特征和第四子图像特征,确定出目标增强参数,目标增强参数可以视为第二子图像特征中各特征对应的注意力权重。进而,根据目标增强参数对第二子图像特征进行特征增强处理,得到第二图像特征,使得第二图像特征的表征能力更强且具有针对性。
图7为本公开实施例提供的一种分类网络及其处理过程的示意图。如图7所示,将M个第二图像特征输入至分类网络,分类网络对M个第二图像特征进行分类处理,得到第一图像的类别。
示例性的,参见图7,分类网络中可以包括融合单元和分类单元。示例性的,分类单元可以包括:1*1卷积(Conv 3*3)层、归一化(BatchNorm2d)层、池化(Pooling)层、丢弃(Dropout)层、线性(Linear)层。其中,池化层可以采用平均池化(Avg Pooling)或者最大池化(Max Pooling)。
以二分类场景为例,对M个第二图像特征进行分类处理的过程如下:
(1)对M个第二图像特征进行融合处理,得到融合图像特征。
例如,参见图7,将M个第二图像特征输入至融合单元,融合单元对M个第二图像特征进行融合处理,得到融合图像特征。例如,融合的方式可以是将M个第二图像特征进行相加。
(2)对融合图像特征进行分类处理,得到第一图像为预设类别的概率。
例如,参见图7,将融合图像特征输入至分类单元,分类单元根据融合特征预测得到第一图像为预设类别(例如色情图像)的概率。
(3)若所述概率大于或者等于预设阈值,则确定第一图像的类别为预设类别。
(4)若所述概率小于预设阈值,则确定第一图像的类别为非预设类别。
应理解,在多分类场景下,分类单元可以预测得到第一图像为每个预设类别的概率,根据每个预设类别对应的概率,确定出第一图像的类别。例如,将最大概率对应的预设类别,确定为第一图像的类别。
下面结合两个具体的应用场景对本公开方案进行举例说明。
一个示例场景中,本公开提供的图像处理方法可以应用于终端设备。用户通过终端设备向多媒体平台上传图像,或者,用户通过终端设备向其他用户分享图像时,终端设备获取到用户待上传/待分享的第一图像之后,可以针对第一图像执行本实施例的方法,识别得到第一图像为色情图像或者非色情图像。若是色情图像,则显示第一图像的类别,以提示用户。例如终端设备可以显示如下提示信息“该图像为色情图像,请勿在网络中传播色情图像”。
另一个示例场景中,用户通过终端设备向多媒体平台上传视频,或者,用户通过终端设备向其他用户分享视频时,终端设备获取到用户待上传/待分享的第一视频之后,可以对第一视频进行分帧处理,得到多个图像帧,针对每个图像帧执行本实施例的方法,确定出每个图像帧是否为色情图像。若第一视频中包括至少一个图像帧为色情图像,则显示提示信息“该视频中包括色情内容,请勿在网络中传播”。
上述两个示例场景中,终端设备获取到用户待上传/待分享的第一图像/第一视频之后,可以将第一图像/第一视频发送至服务器,由服务器针对第一图像/第一视频中的各图像帧执行本实施例提供的图像处理方法,得到第一图像/第一视频中的各图像帧的类别,并将识别结果发送至终端设备。终端设备根据识别结果进行相应的提示信息的展示,或者进行相应的处理。
上述实施例描述了利用预设模型对第一图像进行处理,以识别第一图像的类别。下面结合具体的实施例说明预设模型的训练过程。
图8为本公开实施例提供的一种模型训练方法的流程示意图。本实施例的方法可以由图1中的训练设备执行。如图8所示,本实施例的方法包括:
S801:获取第一样本图像和所述第一样本图像对应的标记类别。
本实施例中,可以事先获取大量样本图像,并确定每个样本图像对应的标记类别。举例而言,以识别色情图像场景为例,可以由标注人员人工分析每个样本图像是否为色情图像,并将该样本图像标注为色情图像或者非色情图像。进一步的,可以利用大量样本图像以及各样本图像对应的标记类别,对待训练的预设模型进行训练。
应理解,根据训练目标的不同,样本图像对应的标记类别也所有不同。例如,若预设模型用于识别色情图像,则各样本图像对应的标记类别为色情图像或者非色情图像。若预设模型用于识别伪造图像,则各样本图像对应的标记类别为伪造图像或者非伪造图像。若预设模型用于将图像分类为人物图像、动物图像或风景图像,则各样本图像对应的标记类别为人物图像、动物图像或者风景图像。
能够理解的是,在训练过程中,需要利用大量的样本图像对预设模型进行训练。而各样本图像的训练过程是类似的。本实施例中以第一样本图像对预设模型的训练过程为例进行描述。
S802:通过预设模型对所述第一样本图像进行特征提取,得到第一图像特征。
S803:通过所述预设模型根据M种特征增强方式,对所述第一图像特征进行M次特征增强处理,得到M个第二图像特征,所述M为大于或等于1的整数。
S804:通过所述预设模型对所述M个第二图像特征进行分类处理,得到所述第一样本图像的预测类别。
应理解,S802至S804通过预设模型对第一样本图像的处理过程与前述实施例是类似的,此处不作赘述。
S805:根据所述标记类别和所述预测类别,更新所述预设模型的模型参数。
具体的,可以根据标记类别和预测类别,确定损失函数。根据损失函数对预设模型的模型参数进行更新,得到更新后的预设模型。
进一步的,确定更新后的预设模型是否收敛。若收敛,则预设模型的训练过程结束。若未收敛,则重复执行S801至S805的训练过程,直至预设模型收敛。
一些可能的实现方式中,还可以将多个样本图像划分为训练集和测试集。利用训练集中的样本图像及其标记类别,对预设模型进行训练,得到训练后的预设模型。进而,利用测试集中的样本图像及其标记类别,对训练后的预设模型进行测试,根据测试结果对训练后的预设模型进行优化,得到优化后的预设模型。这样,优化后的预设模型可用于对待处理的第一图像进行分类。
在一些场景中,正样本(例如标记为色情图像的样本图像)获取困难,使得正样本数量和负样本(标记为非色情图像的样本图像)数量相差悬殊。为了解决上述问题,本公开的一些可能的实现方式中,可以对已有的正样本进行仿射变换、角度变换等空间层次的图像处理操作,以生成更多“不同的”正样本,以提高样本数据库中的正样本数量。
本实施例中,预设模型可以采用如图3、图4、图5、图7所示的网络结构。一些可能的实现方式中,考虑到模型的深度及宽带会对模型的训练过程带来震荡、较难收敛等问题,可以对预设模型进行分阶段训练。示例性的,在第一训练阶段,先对特征提取网络和分类网络进行训练。在特征提取网络和分类网络训练收敛之后,在第二训练阶段,将训练后的特征提取网络、分类网络与特征增强网络一起训练,从而得到最终训练完成的预设模型。通过分阶段训练,一方面可以提高训练效率,另一方面可以提高模型的性能。
一些可能的实现方式中,S803中,根据M种特征增强方式,对所述第一图像特征进行M次特征增强处理,得到M个第二图像特征,包括:
根据每一特征增强方式,在所述第一图像特征中确定第一子图像特征和第二子图像特征;
根据每一特征增强方式,对所述第一子图像特征进行处理,得到目标增强参数;
根据所述目标增强参数对所述第二子图像特征进行特征增强处理,得到每一特征增强方式对应的所述第二图像特征。
一些可能的实现方式中,根据每一特征增强方式,对所述第一子图像特征进行处理,得到目标增强参数,包括:
在所述第一子图像特征中确定第三子图像特征和第四子图像特征;
根据所述特征增强方式对应的位置编码参数,对所述第三子图像特征进行位置编码处理,得到位置矩阵;
对所述第三子图像特征和第四子图像特征进行预设运算,得到权重系数矩阵;
根据所述位置矩阵和所述权重系数矩阵,确定所述目标增强参数。
一些可能的实现方式中,对所述第三子图像特征和所述第四子图像特征进行预设运算,得到权重系数矩阵,包括:
对所述第三子图像特征和所述第四子图像特征进行相乘处理,得到中间融合结果;
利用激活函数对所述中间融合结果进行处理,得到所述权重系数矩阵。
一些可能的实现方式中,所述第一图像特征包括K1个通道对应的通道特征;根据每一特征增强方式,在所述第一图像特征中确定第一子图像特征和第二子图像特征,包括:
根据所述特征增强方式对应的卷积参数对所述第一图像特征进行卷积处理,得到第三图像特征,所述第三图像特征中包括K2个通道对应的通道特征,K2<K1;
对所述第三图像特征进行通道分解处理,得到所述第一子图像特征和所述第二子图像特征。
一些可能的实现方式中,根据所述目标增强参数对所述第二子图像特征进行特征增强处理,得到所述第二图像特征,包括:
对所述目标增强参数和所述第二子图像特征进行相乘处理,得到增强图像特征;
对所述增强图像特征进行卷积处理和池化处理,得到所述第二图像特征。
一些可能的实现方式中,S802中,对所述第一样本图像进行特征提取,得到第一图像特征,包括:
对所述第一样本图像进行卷积处理,得到第1卷积图像,所述第1卷积图像中包括N1个通道;
对第i卷积图像进行通道扩充处理,得到第i+1卷积图像;所述i依次取1、2、…、N,所述第i+1卷积图像包括Ni+1个通道,Ni+1>Ni;
根据所述第N+1卷积图像确定所述第一图像特征。
一些可能的实现方式中,S803中,对所述M个第二图像特征进行分类处理,得到所述第一样本图像的类别,包括:
对所述M个第二图像特征进行融合处理,得到融合图像特征;
对所述融合图像特征进行分类处理,得到所述第一样本图像为预设类别的概率;
若所述概率大于或者等于预设阈值,则确定所述第一样本图像的类别为所述预设类别;
若所述概率小于预设概率,则确定所述第一样本图像的类别为非预设类别。
本实施例提供的模型训练方法,包括:获取第一样本图像和所述第一样本图像对应的标记类别,通过预设模型对第一样本图像进行特征提取,得到第一图像特征;通过预设模型根据M种特征增强方式,对第一图像特征进行M次特征增强处理,得到M个第二图像特征,M为大于或等于1的整数;通过预设模型对M个第二图像特征进行分类处理,得到第一样本图像的预测类别;根据标记类别和预测类别,更新预设模型的模型参数。通过上述过程,使得预设模型具有图像分类能力,这样,可以利用预设模型对图像进行分类处理,降低人力成本和时间成本,提高效率。并且,通过对第一图像特征进行M次特征增强处理,使得得到的M个第二图像特征的表征能力更强并且更加全面,因此,预设模型能够提高分类结果的准确性。
图9为本公开实施例提供的一种图像处理装置的结构示意图。该装置可以为软件和/或硬件的形式。示例性的,该装置可以为图1中的执行设备,或者为设置在执行设备中的模块、单元、处理器、芯片、芯片模组等。
如图9所示,本实施例提供的图像处理装置900,包括:
获取模块901,用于获取待处理的第一图像;
特征提取模块902,用于对所述第一图像进行特征提取,得到第一图像特征;
特征增强模块903,用于根据M种特征增强方式,对所述第一图像特征进行M次特征增强处理,得到M个第二图像特征,所述M为大于或等于1的整数;
分类模块904,用于对所述M个第二图像特征进行分类处理,得到所述第一图像的类别。
一些可能的实现方式中,所述特征增强模块903包括:
第一确定单元,用于根据每一特征增强方式,在所述第一图像特征中确定第一子图像特征和第二子图像特征;
第二确定单元,用于根据每一特征增强方式,对所述第一子图像特征进行处理,得到目标增强参数;
增强处理单元,用于根据所述目标增强参数对所述第二子图像特征进行特征增强处理,得到每一特征增强方式对应的所述第二图像特征。
一些可能的实现方式中,所述第二确定单元包括:
第一确定子单元,用于在所述第一子图像特征中确定第三子图像特征和第四子图像特征;
第二确定子单元,用于根据所述特征增强方式对应的位置编码参数,对所述第三子图像特征进行位置编码处理,得到位置矩阵;
第三确定子单元,用于对所述第三子图像特征和第四子图像特征进行预设运算,得到权重系数矩阵;
第四确定子单元,用于根据所述位置矩阵和所述权重系数矩阵,确定所述目标增强参数。
一些可能的实现方式中,所述第三确定子单元具体用于:
对所述第三子图像特征和所述第四子图像特征进行相乘处理,得到中间融合结果;
利用激活函数对所述中间融合结果进行处理,得到所述权重系数矩阵。
一些可能的实现方式中,所述第一图像特征包括K1个通道对应的通道特征;所述第一确定单元包括:
第五确定子单元,用于根据所述特征增强方式对应的卷积参数对所述第一图像特征进行卷积处理,得到第三图像特征,所述第三图像特征中包括K2个通道对应的通道特征,K2<K1;
第六确定子单元,用于对所述第三图像特征进行通道分解处理,得到所述第一子图像特征和所述第二子图像特征。
一些可能的实现方式中,所述增强处理单元包括:
第一处理子单元,用于对所述目标增强参数和所述第二子图像特征进行相乘处理,得到增强图像特征;
第二处理子单元,用于对所述增强图像特征进行卷积处理和池化处理,得到所述第二图像特征。
一些可能的实现方式中,所述特征提取模块902包括:
第一处理单元,用于对所述第一图像进行卷积处理,得到第1卷积图像,所述第1卷积图像中包括N1个通道;
第二处理单元,用于对第i卷积图像进行通道扩充处理,得到第i+1卷积图像;所述i依次取1、2、…、N,所述第i+1卷积图像包括Ni+1个通道,Ni+1>Ni;
第三确定单元,用于根据所述第N+1卷积图像确定所述第一图像特征。
一些可能的实现方式中,所述分类模块904包括:
第三处理单元,用于对所述M个第二图像特征进行融合处理,得到融合图像特征;
第四处理单元,用于对所述融合图像特征进行分类处理,得到所述第一图像为预设类别的概率;
第四确定单元,用于若所述概率大于或者等于预设阈值,则确定所述第一图像的类别为所述预设类别;或者,若所述概率小于预设概率,则确定所述第一图像的类别为非预设类别。
一些可能的实现方式中,所述特征提取模块902具体用于:通过预设模型对所述第一图像进行特征提取,得到第一图像特征;
所述特征增强模块903具体用于:通过所述预设模型根据M种特征增强方式,对所述第一图像特征进行M次特征增强处理,得到M个第二图像特征;
所述分类模块904具体用于:通过所述预设模型对所述M个第二图像特征进行分类处理,得到所述第一图像的类别。
一些可能的实现方式中,本实施例提供的图像处理装置还包括:
显示模块,用于显示所述第一图像的类别;或者,
发送模块,用于向预设设备发送所述第一图像的类别。
本实施例提供的图像处理装置,可用于执行上述任意方法实施例提供的图像处理方法,其实现原理和技术效果类似,此处不作赘述。
图10为本公开实施例提供的一种模型训练装置的结构示意图。本实施例的装置可以为软件和/或硬件的形式。示例性的,该装置可以为图1中的训练设备,或者为设置在训练设备中的模块、单元、处理器、芯片、芯片模组等。
如图10所示,本实施例提供的模型训练装置1000,包括:
获取模块1001,用于获取第一样本图像和所述第一样本图像对应的标记类别;
特征提取模块1002,用于通过预设模型对所述第一样本图像进行特征提取,得到第一图像特征;
特征增强模块1003,用于通过所述预设模型根据M种特征增强方式,对所述第一图像特征进行M次特征增强处理,得到M个第二图像特征,所述M为大于或等于1的整数;
分类模块1004,用于通过所述预设模型对所述M个第二图像特征进行分类处理,得到所述第一样本图像的预测类别;
更新模块1005,用于根据所述标记类别和所述预测类别,更新所述预设模型的模型参数。
一些可能的实现方式中,所述特征增强模块1003包括:
第一确定单元,用于根据每一特征增强方式,在所述第一图像特征中确定第一子图像特征和第二子图像特征;
第二确定单元,用于根据每一特征增强方式,对所述第一子图像特征进行处理,得到目标增强参数;
增强处理单元,用于根据所述目标增强参数对所述第二子图像特征进行特征增强处理,得到每一特征增强方式对应的所述第二图像特征。
一些可能的实现方式中,所述第二确定单元包括:
第一确定子单元,用于在所述第一子图像特征中确定第三子图像特征和第四子图像特征;
第二确定子单元,用于根据所述特征增强方式对应的位置编码参数,对所述第三子图像特征进行位置编码处理,得到位置矩阵;
第三确定子单元,用于对所述第三子图像特征和所述第四子图像特征进行预设运算,得到权重系数矩阵;
第四确定子单元,用于根据所述位置矩阵和所述权重系数矩阵,确定所述目标增强参数。
一些可能的实现方式中,所述第三确定子单元具体用于:
对所述第三子图像特征和所述第四子图像特征进行相乘处理,得到中间融合结果;
利用激活函数对所述中间融合结果进行处理,得到所述权重系数矩阵。
一些可能的实现方式中,所述第一图像特征包括K1个通道对应的通道特征;所述第一确定单元包括:
第五确定子单元,用于根据所述特征增强方式对应的卷积参数对所述第一图像特征进行卷积处理,得到第三图像特征,所述第三图像特征中包括K2个通道对应的通道特征,K2<K1;
第六确定子单元,用于对所述第三图像特征进行通道分解处理,得到所述第一子图像特征和所述第二子图像特征。
一些可能的实现方式中,所述增强处理单元包括:
第一处理子单元,用于对所述目标增强参数和所述第二子图像特征进行相乘处理,得到增强图像特征;
第二处理子单元,用于对所述增强图像特征进行卷积处理和池化处理,得到所述第二图像特征。
一些可能的实现方式中,所述特征提取模块1002包括:
第一处理单元,用于对所述第一样本图像进行卷积处理,得到第1卷积图像,所述第1卷积图像中包括N1个通道;
第二处理单元,用于对第i卷积图像进行通道扩充处理,得到第i+1卷积图像;所述i依次取1、2、…、N,所述第i+1卷积图像包括Ni+1个通道,Ni+1>Ni;
第三确定单元,用于根据所述第N+1卷积图像确定所述第一图像特征。
一些可能的实现方式中,所述分类模块1004包括:
第三处理单元,用于对所述M个第二图像特征进行融合处理,得到融合图像特征;
第四处理单元,用于对所述融合图像特征进行分类处理,得到所述第一样本图像为预设类别的概率;
第四确定单元,用于若所述概率大于或者等于预设阈值,则确定所述第一样本图像的类别为所述预设类别;或者,若所述概率小于预设概率,则确定所述第一样本图像的类别为非预设类别。
本实施例提供的模型训练装置,可用于执行上述任一方法实施例提供的模型训练方法,其实现原理和技术效果类似,此处不作赘述。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
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。
根据本公开的实施例,本公开还提供了一种计算机程序产品,计算机程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图11示出了可以用来实施本公开的实施例的示例电子设备1100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11所示,设备1100包括计算单元1101,其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序,来执行各种适当的动作和处理。在RAM 1103中,还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
设备1100中的多个部件连接至I/O接口1105,包括:输入单元1106,例如键盘、鼠标等;输出单元1107,例如各种类型的显示器、扬声器等;存储单元1108,例如磁盘、光盘等;以及通信单元1109,例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100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1101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1101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1101执行上文所描述的各个方法和处理,例如图像处理方法/模型训练方法。例如,在一些实施例中,图像处理方法/模型训练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1108。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时,可以执行上文描述的图像处理方法/模型训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元1101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方法/模型训练方法。
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)、复杂可编程逻辑设备(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)和互联网。
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 (28)
1.一种图像处理方法,包括:
获取待处理的第一图像;
对所述第一图像进行特征提取,得到第一图像特征;
根据M种特征增强方式,对所述第一图像特征进行M次特征增强处理,得到M个第二图像特征,所述M为大于或等于1的整数;
对所述M个第二图像特征进行分类处理,得到所述第一图像的类别;
其中,根据M种特征增强方式,对所述第一图像特征进行M次特征增强处理,得到M个第二图像特征,包括:
根据每一特征增强方式,在所述第一图像特征中确定第一子图像特征和第二子图像特征,所述第一子图像特征和所述第二子图像特征是基于卷积处理后的第一图像特征进行通道分解得到;
根据每一特征增强方式,对所述第一子图像特征进行处理,得到目标增强参数;
根据所述目标增强参数对所述第二子图像特征进行特征增强处理,得到每一特征增强方式对应的所述第二图像特征。
2.根据权利要求1所述的方法,其中,根据每一特征增强方式,对所述第一子图像特征进行处理,得到目标增强参数,包括:
在所述第一子图像特征中确定第三子图像特征和第四子图像特征,所述第三子图像特征和所述第四子图像特征是基于对所述第一子图像特征进行通道分解得到;
根据所述特征增强方式对应的位置编码参数,对所述第三子图像特征进行位置编码处理,得到位置矩阵;
对所述第三子图像特征和所述第四子图像特征进行预设运算,得到权重系数矩阵;
根据所述位置矩阵和所述权重系数矩阵,确定所述目标增强参数。
3.根据权利要求2所述的方法,其中,对所述第三子图像特征和所述第四子图像特征进行预设运算,得到权重系数矩阵,包括:
对所述第三子图像特征和所述第四子图像特征进行相乘处理,得到中间融合结果;
利用激活函数对所述中间融合结果进行处理,得到所述权重系数矩阵。
4.根据权利要求1至3任一项所述的方法,其中,所述第一图像特征包括K1个通道对应的通道特征;根据每一特征增强方式,在所述第一图像特征中确定第一子图像特征和第二子图像特征,包括:
根据所述特征增强方式对应的卷积参数对所述第一图像特征进行卷积处理,得到第三图像特征,所述第三图像特征中包括K2个通道对应的通道特征,K2<K1;
对所述第三图像特征进行通道分解处理,得到所述第一子图像特征和所述第二子图像特征。
5.根据权利要求1至3任一项所述的方法,其中,根据所述目标增强参数对所述第二子图像特征进行特征增强处理,得到每一特征增强方式对应的所述第二图像特征,包括:
对所述目标增强参数和所述第二子图像特征进行相乘处理,得到增强图像特征;
对所述增强图像特征进行卷积处理和池化处理,得到所述第二图像特征。
6.根据权利要求1至3任一项所述的方法,其中,对所述第一图像进行特征提取,得到第一图像特征,包括:
对所述第一图像进行卷积处理,得到第1卷积图像,所述第1卷积图像中包括N1个通道;
对第i卷积图像进行通道扩充处理,得到第i+1卷积图像;所述i依次取1、2、…、N,所述第i+1卷积图像包括Ni+1个通道,Ni+1>Ni;
根据所述第N+1卷积图像确定所述第一图像特征。
7.根据权利要求1至3任一项所述的方法,其中,对所述M个第二图像特征进行分类处理,得到所述第一图像的类别,包括:
对所述M个第二图像特征进行融合处理,得到融合图像特征;
对所述融合图像特征进行分类处理,得到所述第一图像为预设类别的概率;
若所述概率大于或者等于预设阈值,则确定所述第一图像的类别为所述预设类别;
若所述概率小于预设概率,则确定所述第一图像的类别为非预设类别。
8.根据权利要求1至3任一项所述的方法,其中,
对所述第一图像进行特征提取,得到第一图像特征,包括:
通过预设模型对所述第一图像进行特征提取,得到第一图像特征;
根据M种特征增强方式,对所述第一图像特征进行M次特征增强处理,得到M个第二图像特征,包括:
通过所述预设模型根据M种特征增强方式,对所述第一图像特征进行M次特征增强处理,得到M个第二图像特征;
对所述M个第二图像特征进行分类处理,得到所述第一图像的类别,包括:
通过所述预设模型对所述M个第二图像特征进行分类处理,得到所述第一图像的类别。
9.根据权利要求1至3任一项所述的方法,对所述M个第二图像特征进行分类处理,得到所述第一图像的类别之后,还包括:
显示所述第一图像的类别;或者,
向预设设备发送所述第一图像的类别。
10.一种模型训练方法,包括:
获取第一样本图像和所述第一样本图像对应的标记类别;
通过预设模型对所述第一样本图像进行特征提取,得到第一图像特征;
通过所述预设模型根据M种特征增强方式,对所述第一图像特征进行M次特征增强处理,得到M个第二图像特征,所述M为大于或等于1的整数;
通过所述预设模型对所述M个第二图像特征进行分类处理,得到所述第一样本图像的预测类别;
根据所述标记类别和所述预测类别,更新所述预设模型的模型参数;
其中,根据M种特征增强方式,对所述第一图像特征进行M次特征增强处理,得到M个第二图像特征,包括:
根据每一特征增强方式,在所述第一图像特征中确定第一子图像特征和第二子图像特征,所述第一子图像特征和所述第二子图像特征是基于卷积处理后的第一图像特征进行通道分解得到;
根据每一特征增强方式,对所述第一子图像特征进行处理,得到目标增强参数;
根据所述目标增强参数对所述第二子图像特征进行特征增强处理,得到每一特征增强方式对应的所述第二图像特征。
11.根据权利要求10所述的方法,其中,根据每一特征增强方式,对所述第一子图像特征进行处理,得到目标增强参数,包括:
在所述第一子图像特征中确定第三子图像特征和第四子图像特征,所述第三子图像特征和所述第四子图像特征是基于对所述第一子图像特征进行通道分解得到;
根据所述特征增强方式对应的位置编码参数,对所述第三子图像特征进行位置编码处理,得到位置矩阵;
对所述第三子图像特征和所述第四子图像特征进行预设运算,得到权重系数矩阵;
根据所述位置矩阵和所述权重系数矩阵,确定所述目标增强参数。
12.根据权利要求11所述的方法,其中,对所述第三子图像特征和所述第四子图像特征进行预设运算,得到权重系数矩阵,包括:
对所述第三子图像特征和所述第四子图像特征进行相乘处理,得到中间融合结果;
利用激活函数对所述中间融合结果进行处理,得到所述权重系数矩阵。
13.根据权利要求10至12任一项所述的方法,其中,所述第一图像特征包括K1个通道对应的通道特征;根据每一特征增强方式,在所述第一图像特征中确定第一子图像特征和第二子图像特征,包括:
根据所述特征增强方式对应的卷积参数对所述第一图像特征进行卷积处理,得到第三图像特征,所述第三图像特征中包括K2个通道对应的通道特征,K2<K1;
对所述第三图像特征进行通道分解处理,得到所述第一子图像特征和所述第二子图像特征。
14.一种图像处理装置,包括:
获取模块,用于获取待处理的第一图像;
特征提取模块,用于对所述第一图像进行特征提取,得到第一图像特征;
特征增强模块,用于根据M种特征增强方式,对所述第一图像特征进行M次特征增强处理,得到M个第二图像特征,所述M为大于或等于1的整数;
分类模块,用于对所述M个第二图像特征进行分类处理,得到所述第一图像的类别;
其中,所述特征增强模块包括:
第一确定单元,用于根据每一特征增强方式,在所述第一图像特征中确定第一子图像特征和第二子图像特征,所述第一子图像特征和所述第二子图像特征是基于卷积处理后的第一图像特征进行通道分解得到;
第二确定单元,用于根据每一特征增强方式,对所述第一子图像特征进行处理,得到目标增强参数;
增强处理单元,用于根据所述目标增强参数对所述第二子图像特征进行特征增强处理,得到每一特征增强方式对应的所述第二图像特征。
15.根据权利要求14所述的装置,其中,所述第二确定单元包括:
第一确定子单元,用于在所述第一子图像特征中确定第三子图像特征和第四子图像特征,所述第三子图像特征和所述第四子图像特征是基于对所述第一子图像特征进行通道分解得到;
第二确定子单元,用于根据所述特征增强方式对应的位置编码参数,对所述第三子图像特征进行位置编码处理,得到位置矩阵;
第三确定子单元,用于对所述第三子图像特征和第四子图像特征进行预设运算,得到权重系数矩阵;
第四确定子单元,用于根据所述位置矩阵和所述权重系数矩阵,确定所述目标增强参数。
16.根据权利要求15所述的装置,其中,所述第三确定子单元具体用于:
对所述第三子图像特征和所述第四子图像特征进行相乘处理,得到中间融合结果;
利用激活函数对所述中间融合结果进行处理,得到所述权重系数矩阵。
17.根据权利要求14至16任一项所述的装置,其中,所述第一图像特征包括K1个通道对应的通道特征;所述第一确定单元包括:
第五确定子单元,用于根据所述特征增强方式对应的卷积参数对所述第一图像特征进行卷积处理,得到第三图像特征,所述第三图像特征中包括K2个通道对应的通道特征,K2<K1;
第六确定子单元,用于对所述第三图像特征进行通道分解处理,得到所述第一子图像特征和所述第二子图像特征。
18.根据权利要求14至16任一项所述的装置,其中,所述增强处理单元包括:
第一处理子单元,用于对所述目标增强参数和所述第二子图像特征进行相乘处理,得到增强图像特征;
第二处理子单元,用于对所述增强图像特征进行卷积处理和池化处理,得到所述第二图像特征。
19.根据权利要求14至16任一项所述的装置,其中,所述特征提取模块包括:
第一处理单元,用于对所述第一图像进行卷积处理,得到第1卷积图像,所述第1卷积图像中包括N1个通道;
第二处理单元,用于对第i卷积图像进行通道扩充处理,得到第i+1卷积图像;所述i依次取1、2、…、N,所述第i+1卷积图像包括Ni+1个通道,Ni+1>Ni;
第三确定单元,用于根据所述第N+1卷积图像确定所述第一图像特征。
20.根据权利要求14至16任一项所述的装置,其中,所述分类模块包括:
第三处理单元,用于对所述M个第二图像特征进行融合处理,得到融合图像特征;
第四处理单元,用于对所述融合图像特征进行分类处理,得到所述第一图像为预设类别的概率;
第四确定单元,用于若所述概率大于或者等于预设阈值,则确定所述第一图像的类别为所述预设类别;或者,若所述概率小于预设概率,则确定所述第一图像的类别为非预设类别。
21.根据权利要求14至16任一项所述的装置,其中,
所述特征提取模块具体用于:通过预设模型对所述第一图像进行特征提取,得到第一图像特征;
所述特征增强模块具体用于:通过所述预设模型根据M种特征增强方式,对所述第一图像特征进行M次特征增强处理,得到M个第二图像特征;
所述分类模块具体用于:通过所述预设模型对所述M个第二图像特征进行分类处理,得到所述第一图像的类别。
22.根据权利要求14至16任一项所述的装置,还包括:
显示模块,用于显示所述第一图像的类别;或者,
发送模块,用于向预设设备发送所述第一图像的类别。
23.一种模型训练装置,包括:
获取模块,用于获取第一样本图像和所述第一样本图像对应的标记类别;
特征提取模块,用于通过预设模型对所述第一样本图像进行特征提取,得到第一图像特征;
特征增强模块,用于通过所述预设模型根据M种特征增强方式,对所述第一图像特征进行M次特征增强处理,得到M个第二图像特征,所述M为大于或等于1的整数;
分类模块,用于通过所述预设模型对所述M个第二图像特征进行分类处理,得到所述第一样本图像的预测类别;
更新模块,用于根据所述标记类别和所述预测类别,更新所述预设模型的模型参数;
其中,所述特征增强模块包括:
第一确定单元,用于根据每一特征增强方式,在所述第一图像特征中确定第一子图像特征和第二子图像特征,所述第一子图像特征和所述第二子图像特征是基于卷积处理后的第一图像特征进行通道分解得到;
第二确定单元,用于根据每一特征增强方式,对所述第一子图像特征进行处理,得到目标增强参数;
增强处理单元,用于根据所述目标增强参数对所述第二子图像特征进行特征增强处理,得到每一特征增强方式对应的所述第二图像特征。
24.根据权利要求23所述的装置,其中,所述第二确定单元包括:
第一确定子单元,用于在所述第一子图像特征中确定第三子图像特征和第四子图像特征,所述第三子图像特征和所述第四子图像特征是基于对所述第一子图像特征进行通道分解得到;
第二确定子单元,用于根据所述特征增强方式对应的位置编码参数,对所述第三子图像特征进行位置编码处理,得到位置矩阵;
第三确定子单元,用于对所述第三子图像特征和所述第四子图像特征进行预设运算,得到权重系数矩阵;
第四确定子单元,用于根据所述位置矩阵和所述权重系数矩阵,确定所述目标增强参数。
25.根据权利要求24所述的装置,其中,所述第三确定子单元具体用于:
对所述第三子图像特征和所述第四子图像特征进行相乘处理,得到中间融合结果;
利用激活函数对所述中间融合结果进行处理,得到所述权重系数矩阵。
26.根据权利要求23至25任一项所述的装置,其中,所述第一图像特征包括K1个通道对应的通道特征;所述第一确定单元包括:
第五确定子单元,用于根据所述特征增强方式对应的卷积参数对所述第一图像特征进行卷积处理,得到第三图像特征,所述第三图像特征中包括K2个通道对应的通道特征,K2<K1;
第六确定子单元,用于对所述第三图像特征进行通道分解处理,得到所述第一子图像特征和所述第二子图像特征。
27.一种电子设备,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至9中任一项所述的方法,或者,执行权利要求10至13中任一项所述的方法。
28.一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至9中任一项所述的方法,或者,权利要求10至13中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210111581.0A CN114463584B (zh) | 2022-01-29 | 2022-01-29 | 图像处理、模型训练方法、装置、设备、存储介质及程序 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210111581.0A CN114463584B (zh) | 2022-01-29 | 2022-01-29 | 图像处理、模型训练方法、装置、设备、存储介质及程序 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114463584A CN114463584A (zh) | 2022-05-10 |
CN114463584B true CN114463584B (zh) | 2023-03-24 |
Family
ID=81410579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210111581.0A Active CN114463584B (zh) | 2022-01-29 | 2022-01-29 | 图像处理、模型训练方法、装置、设备、存储介质及程序 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463584B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446927A (zh) * | 2016-07-07 | 2017-02-22 | 浙江大学 | 一种自步增强图像分类方法及系统 |
CN109859152A (zh) * | 2018-12-25 | 2019-06-07 | 北京奇艺世纪科技有限公司 | 模型生成方法、图像增强方法、装置及计算机可读存储介质 |
WO2019233421A1 (zh) * | 2018-06-04 | 2019-12-12 | 京东数字科技控股有限公司 | 图像处理方法及装置、电子设备、存储介质 |
WO2021008233A1 (zh) * | 2019-07-17 | 2021-01-21 | 上海商汤智能科技有限公司 | 机器人图像增强方法及装置、处理器、设备、介质和程序 |
CN113379627A (zh) * | 2021-06-07 | 2021-09-10 | 北京百度网讯科技有限公司 | 图像增强模型的训练方法和对图像进行增强的方法 |
CN113538235A (zh) * | 2021-06-30 | 2021-10-22 | 北京百度网讯科技有限公司 | 图像处理模型的训练方法、装置、电子设备及存储介质 |
CN113610905A (zh) * | 2021-08-02 | 2021-11-05 | 北京航空航天大学 | 基于子图像匹配的深度学习遥感图像配准方法及应用 |
CN113902010A (zh) * | 2021-09-30 | 2022-01-07 | 北京百度网讯科技有限公司 | 分类模型的训练方法和图像分类方法、装置、设备和介质 |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6856704B1 (en) * | 2000-09-13 | 2005-02-15 | Eastman Kodak Company | Method for enhancing a digital image based upon pixel color |
CN103400583B (zh) * | 2006-10-16 | 2016-01-20 | 杜比国际公司 | 多声道下混对象编码的增强编码和参数表示 |
US10681122B2 (en) * | 2014-12-09 | 2020-06-09 | Samsung Electronics Co., Ltd. | Method and apparatus for converting content using cloud |
US10311552B2 (en) * | 2017-04-06 | 2019-06-04 | Pixar | De-noising images using machine learning |
CN207673329U (zh) * | 2017-11-30 | 2018-07-31 | 杭州迅美科技有限公司 | 一种电成像测井图像增强显示处理系统 |
CN108734211B (zh) * | 2018-05-17 | 2019-12-24 | 腾讯科技(深圳)有限公司 | 图像处理的方法和装置 |
GB2591066A (en) * | 2018-08-24 | 2021-07-21 | Nokia Technologies Oy | Spatial audio processing |
CN110163235B (zh) * | 2018-10-11 | 2023-07-11 | 腾讯科技(深圳)有限公司 | 图像增强模型的训练、图像增强方法、装置和存储介质 |
CN109544482A (zh) * | 2018-11-29 | 2019-03-29 | 厦门美图之家科技有限公司 | 一种卷积神经网络模型生成方法及图像增强方法 |
CN109685750A (zh) * | 2018-12-14 | 2019-04-26 | 厦门美图之家科技有限公司 | 图像增强方法及计算设备 |
CN112927144A (zh) * | 2019-12-05 | 2021-06-08 | 北京迈格威科技有限公司 | 图像增强方法、图像增强装置、介质和电子设备 |
CN113436081A (zh) * | 2020-03-23 | 2021-09-24 | 阿里巴巴集团控股有限公司 | 数据处理方法、图像增强方法及其模型训练方法 |
CN113674159A (zh) * | 2020-05-15 | 2021-11-19 | 北京三星通信技术研究有限公司 | 图像处理方法、装置、电子设备及可读存储介质 |
CN111681177B (zh) * | 2020-05-18 | 2022-02-25 | 腾讯科技(深圳)有限公司 | 视频处理方法及装置、计算机可读存储介质、电子设备 |
EP4150907A1 (en) * | 2020-06-10 | 2023-03-22 | Huawei Technologies Co., Ltd. | Adaptive image enhancement using inter-channel correlation information |
WO2022006738A1 (zh) * | 2020-07-07 | 2022-01-13 | 中加健康工程研究院(合肥)有限公司 | 图像处理方法、装置、计算设备和介质 |
CN113538304B (zh) * | 2020-12-14 | 2023-08-18 | 腾讯科技(深圳)有限公司 | 图像增强模型的训练方法及装置、图像增强方法及装置 |
CN112651451B (zh) * | 2020-12-30 | 2023-08-11 | 北京百度网讯科技有限公司 | 图像识别方法、装置、电子设备及存储介质 |
CN112819007B (zh) * | 2021-01-07 | 2023-08-01 | 北京百度网讯科技有限公司 | 图像识别方法、装置、电子设备及存储介质 |
CN113327217B (zh) * | 2021-05-31 | 2024-03-22 | 上海阵量智能科技有限公司 | 一种卷积处理方法、装置、计算机设备及存储介质 |
CN113361633A (zh) * | 2021-06-29 | 2021-09-07 | 重庆飞唐网景科技有限公司 | 一种医疗图像大数据3d残差网络分类方法 |
CN113627422A (zh) * | 2021-06-30 | 2021-11-09 | 华为技术有限公司 | 一种图像分类方法及其相关设备 |
CN113847923A (zh) * | 2021-08-18 | 2021-12-28 | 北京百度网讯科技有限公司 | 预估到达时间的计算方法、装置、电子设备和可读存储介质 |
CN113989152A (zh) * | 2021-10-29 | 2022-01-28 | 北京百度网讯科技有限公司 | 图像增强方法、装置、设备以及存储介质 |
-
2022
- 2022-01-29 CN CN202210111581.0A patent/CN114463584B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446927A (zh) * | 2016-07-07 | 2017-02-22 | 浙江大学 | 一种自步增强图像分类方法及系统 |
WO2019233421A1 (zh) * | 2018-06-04 | 2019-12-12 | 京东数字科技控股有限公司 | 图像处理方法及装置、电子设备、存储介质 |
CN109859152A (zh) * | 2018-12-25 | 2019-06-07 | 北京奇艺世纪科技有限公司 | 模型生成方法、图像增强方法、装置及计算机可读存储介质 |
WO2021008233A1 (zh) * | 2019-07-17 | 2021-01-21 | 上海商汤智能科技有限公司 | 机器人图像增强方法及装置、处理器、设备、介质和程序 |
CN113379627A (zh) * | 2021-06-07 | 2021-09-10 | 北京百度网讯科技有限公司 | 图像增强模型的训练方法和对图像进行增强的方法 |
CN113538235A (zh) * | 2021-06-30 | 2021-10-22 | 北京百度网讯科技有限公司 | 图像处理模型的训练方法、装置、电子设备及存储介质 |
CN113610905A (zh) * | 2021-08-02 | 2021-11-05 | 北京航空航天大学 | 基于子图像匹配的深度学习遥感图像配准方法及应用 |
CN113902010A (zh) * | 2021-09-30 | 2022-01-07 | 北京百度网讯科技有限公司 | 分类模型的训练方法和图像分类方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114463584A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113326764B (zh) | 训练图像识别模型和图像识别的方法和装置 | |
CN112633384B (zh) | 基于图像识别模型的对象识别方法、装置和电子设备 | |
WO2020000879A1 (zh) | 图像识别方法和装置 | |
CN113657465A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
CN113033537A (zh) | 用于训练模型的方法、装置、设备、介质和程序产品 | |
CN113657269A (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN114494784A (zh) | 深度学习模型的训练方法、图像处理方法和对象识别方法 | |
CN114092759A (zh) | 图像识别模型的训练方法、装置、电子设备及存储介质 | |
CN112650885A (zh) | 视频分类方法、装置、设备和介质 | |
CN113591864B (zh) | 文本识别模型框架的训练方法、装置及系统 | |
CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN114445826A (zh) | 视觉问答方法、装置、电子设备以及存储介质 | |
CN111444364B (zh) | 一种图像检测方法和装置 | |
CN114463584B (zh) | 图像处理、模型训练方法、装置、设备、存储介质及程序 | |
CN114724144B (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
CN114550300A (zh) | 视频数据分析方法、装置、电子设备及计算机存储介质 | |
CN114842541A (zh) | 模型的训练及人脸识别方法、装置、设备以及存储介质 | |
CN115273148A (zh) | 行人重识别模型训练方法、装置、电子设备及存储介质 | |
CN114882334A (zh) | 用于生成预训练模型的方法、模型训练方法及装置 | |
CN114549904A (zh) | 视觉处理及模型训练方法、设备、存储介质及程序产品 | |
CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
CN114120410A (zh) | 用于生成标签信息的方法、装置、设备、介质和产品 | |
CN113887630A (zh) | 图像分类方法、装置、电子设备和存储介质 | |
CN113610856A (zh) | 训练图像分割模型和图像分割的方法和装置 | |
CN113642495B (zh) | 用于评价时序提名的模型的训练方法、设备、程序产品 |
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 |