CN114494782B - 图像处理方法、模型训练方法、相关装置及电子设备 - Google Patents

图像处理方法、模型训练方法、相关装置及电子设备 Download PDF

Info

Publication number
CN114494782B
CN114494782B CN202210096259.5A CN202210096259A CN114494782B CN 114494782 B CN114494782 B CN 114494782B CN 202210096259 A CN202210096259 A CN 202210096259A CN 114494782 B CN114494782 B CN 114494782B
Authority
CN
China
Prior art keywords
features
image
network
images
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210096259.5A
Other languages
English (en)
Other versions
CN114494782A (zh
Inventor
王健
韩钧宇
陈金文
刘路飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210096259.5A priority Critical patent/CN114494782B/zh
Publication of CN114494782A publication Critical patent/CN114494782A/zh
Application granted granted Critical
Publication of CN114494782B publication Critical patent/CN114494782B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种图像处理方法、模型训练方法、相关装置及电子设备，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M个第一图像；基于第一网络对所述M个第一图像分别进行特征提取，得到M个第一特征图；基于所述M个第一特征图，确定所述M个第一图像一一对应的M个第一图像特征；基于第二网络对所述M个第一图像特征分别进行特征提取，得到M个第一目标分类特征，所述第二网络的网络结构与所述第一网络的网络结构不同；基于所述M个第一目标分类特征进行图像处理，得到所述M个第一图像的M个第一图像处理结果。

Description

图像处理方法、模型训练方法、相关装置及电子设备
技术领域
本公开涉及人工智能技术领域，尤其涉及深度学习、计算机视觉技术领域，具体涉及一种图像处理方法、模型训练方法、相关装置及电子设备。
背景技术
随着人工智能技术的发展，多任务联合处理得到了广泛的应用。多任务联合处理是通过一个模型来同时处理多个任务，这样可以提高任务处理的效率。
目前，多任务联合处理的方式通常是选择同一网络结构的网络作为模型框架进行任务处理。
发明内容
本公开提供了一种图像处理方法、模型训练方法、相关装置及电子设备。
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M个第一图像，M为正整数；
基于第一网络对所述M个第一图像分别进行特征提取，得到M个第一特征图；
基于所述M个第一特征图，确定所述M个第一图像一一对应的M个第一图像特征；
基于第二网络对所述M个第一图像特征分别进行特征提取，得到M个第一目标分类特征，所述第二网络的网络结构与所述第一网络的网络结构不同；
基于所述M个第一目标分类特征进行图像处理，得到所述M个第一图像的M个第一图像处理结果。
根据本公开的第二方面，提供了一种模型训练方法，包括：
获取训练样本集，所述训练样本集包括N个第一图像，N为大于1的整数；
将所述N个第一图像输入至目标模型进行图像处理操作，得到所述N个第一图像的N个第一图像处理结果；所述目标模型包括第一网络和第二网络，所述第二网络的网络结构与所述第一网络的网络结构不同，所述图像处理操作包括：基于所述第一网络对所述N个第一图像分别进行特征提取，得到N个第一特征图；基于所述N个第一特征图，确定所述N个第一图像一一对应的N个第一图像特征；基于所述第二网络对所述N个第一图像特征分别进行特征提取，得到N个第一目标分类特征；基于所述N个第一目标分类特征进行图像处理，得到所述N个第一图像的N个第一图像处理结果；
基于所述N个第一图像处理结果，更新所述目标模型中的网络参数，所述目标模型中的网络参数包括所述第一网络的网络参数和所述第二网络的网络参数。
根据本公开的第三方面，提供了一种图像处理装置，包括：
第一获取模块，用于获取M个第一图像，M为正整数；
第一特征提取模块，用于基于第一网络对所述M个第一图像分别进行特征提取，得到M个第一特征图；
确定模块，用于基于所述M个第一特征图，确定所述M个第一图像一一对应的M个第一图像特征；
第二特征提取模块，用于基于第二网络对所述M个第一图像特征分别进行特征提取，得到M个第一目标分类特征，所述第二网络的网络结构与所述第一网络的网络结构不同；
图像处理模块，用于基于所述M个第一目标分类特征进行图像处理，得到所述M个第一图像的M个第一图像处理结果。
根据本公开的第四方面，提供了一种模型训练装置，包括：
第一获取模块，用于获取训练样本集，所述训练样本集包括N个第一图像；
操作模块，用于将所述N个第一图像输入至目标模型进行图像处理操作，得到所述N个第一图像的N个第一图像处理结果；所述目标模型包括第一网络和第二网络，所述第二网络的网络结构与所述第一网络的网络结构不同，所述图像处理操作包括：基于所述第一网络对所述N个第一图像分别进行特征提取，得到N个第一特征图；基于所述N个第一特征图，确定所述N个第一图像一一对应的N个第一图像特征；基于所述第二网络对所述N个第一图像特征分别进行特征提取，得到N个第一目标分类特征；基于所述N个第一目标分类特征进行图像处理，得到所述N个第一图像的N个第一图像处理结果；
更新模块，用于基于所述N个第一图像处理结果，更新所述目标模型中的网络参数，所述目标模型中的网络参数包括所述第一网络的网络参数和所述第二网络的网络参数。
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
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器能够执行第一方面中的任一项方法，或者执行第二方面中的任一项方法。
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，该计算机指令用于使计算机执行第一方面中的任一项方法，或者执行第二方面中的任一项方法。
根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现第一方面中的任一项方法，或者执行时实现第二方面中的任一项方法。
根据本公开的技术解决了多任务联合处理时图像处理效果比较差的问题，提高了多任务联合处理时图像处理的效果。
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图像处理方法的流程示意图；
图2是基于目标模型进行任务处理的流程示意图之一；
图3是基于目标模型进行任务处理的流程示意图之二；
图4是根据本公开第二实施例的模型训练方法的流程示意图；
图5是目标模型的训练流程示意图之一；
图6是目标模型的训练流程示意图之一；
图7是根据本公开第三实施例的图像处理装置的结构示意图；
图8是根据本公开第四实施例的模型训练装置的结构示意图
图9是用来实施本公开的实施例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。
第一实施例
如图1所示，本公开提供一种图像处理方法，包括如下步骤：
步骤S101：获取M个第一图像。
其中，M为正整数。
本实施例中，图像处理方法涉及人工智能技术领域，尤其涉及深度学习、计算机视觉技术领域，其可以广泛应用于图像处理、图像检测等场景中。本公开实施例的图像处理方法，可以由本公开实施例的图像处理装置执行。本公开实施例的图像处理装置可以配置在任意电子设备中，以执行本公开实施例的图像处理方法。该电子设备可以为服务器，也可以为终端设备，这里不进行具体限定。
本实施例中的图像处理可以指的是图像识别或图像分割等，以图像识别为例，可以采用目标模型进行任务处理，具体可以将至少一个图像输入至目标模型进行图像识别，每个图像对应一种图像识别的任务，如针对一图像进行人脸识别、针对另一图像进行人体识别、针对又一图像进行车辆识别等。其中，不同图像对应的图像识别的任务可以相同，也可以不同，这里不进行具体限定。
需要说明的是，在输入至少两个图像到目标模型进行图像处理的情况下，该目标模型可以进行多任务联合处理，得到每个图像的图像处理结果。其中，该目标模型可以为深度学习模型，如视觉Transformer模型。
第一图像可以为任一图像，第一图像的图像内容通常与任务索引对应的任务匹配，如任务索引对应的任务为人脸识别时，第一图像通常包括人脸图像内容，任务索引对应的任务为车辆识别时，第一图像通常包括车辆图像内容。
可以对目标模型可图像处理的所有任务进行索引标记，得到各个任务的任务索引，之后根据第一图像所需要执行图像处理的任务，与对应的任务索引关联，如第一图像所需要执行的图像处理任务为人脸识别，则将该第一图像与人脸识别任务的任务索引关联。
并且，在获取至少两个第一图像的情况下，不同第一图像关联的任务索引不同，以进行多任务联合处理。
可以采用以下任一方式获取一个第一图像，比如，可以采用摄像头实时拍摄的图像作为第一图像，也可以获取预先存储的该第一图像，还可以从网络上下载第一图像，亦或是接收其他电子设备发送的第一图像。可以采用上述一种或多种方式获取M个第一图像。
可以将M个第一图像和与M个第一图像一一关联的M个任务索引组成一组数据进行批量处理，即组成batch并输入至目标模型中。其中，任务索引作为辅助输入，在索引任务特征时使用，以下再对此进行详细说明。
步骤S102：基于第一网络对所述M个第一图像分别进行特征提取，得到M个第一特征图。
目标模型可以包括第一网络和第二网络，第一网络的网络结构和第二网络的网络结构不同，第一网络可以为卷积神经网络(Convolutional Neural Networks，CNN)，或者第一网络也可以为与CNN网络结构类似的网络。第二网络可以为Transformer，或者第二网络也可以为与Transformer网络结构类似的网络。也就是说，目标模型可以为CNN+Transformer混合结构的模型。
相关技术中，由于每个任务间的全局特征差异大，需要关注的局部特征也不同，而CNN虽然具有很强的语义特征提取能力，但其更强调的是全局特征，因此仅包括CNN的目标模型进行多任务联合处理不合适。而Transformer虽然可以很好的解决局部差异化的关注问题，但不同任务的基础局部特征的关系是可以共享的，如果Transformer从原始图像的图像块开始学习不同任务内局部特征之间的关系，会效率比较低，因此仅包括Transformer的目标模型进行多任务联合处理也不合适。
本实施例可以采用CNN+Transformer混合结构的目标模型进行多任务联合处理，这样可以充分利用不同网络结构的编码能力，显著提升特征的编码效率，从而可以提高图像处理效果。
具体的，可以基于第一网络，采用现有的或新的特征提取方式对M个第一图像分别进行特征提取，目的是利用CNN的基础特征提取能力，提取各个任务中第一图像的共同基础语义特征，得到M个第一特征图。如第一特征图可以为大小为C1xHxW的特征图。
步骤S103：基于所述M个第一特征图，确定所述M个第一图像一一对应的M个第一图像特征。
该步骤中，在一可选实施方式中，可以对所述第一特征图进行分块处理，得到多个图像块，如可以将第一特征图以C1x1x1的大小进行分块，得到的图像块的数量为HxW；获取每个图像块的图像特征；将这多个图像块的图像特征进行融合，得到所述第一特征图的图像特征，该第一特征图的图像特征即为第一图像的第一图像特征。
在该实施方式中，每个图像块的图像特征可以表征为一个向量，如大小为1×256的向量，将多个图像块的图像特征融合后，可以得到为矩阵的第一图像特征，比如，当图像块的数量为9时，则第一图像特征可以为9×256的矩阵。这样可以提高图像的特征表征能力。
在另一可选实施方式中，可以对所述M个第一特征图分别进行卷积操作，得到所述M个第一图像一一对应的M个第二特征图，所述第二特征图的通道数量大于所述第一特征图的通道数量；如第二特征图的大小为C2xHxW，C2大于C1，这样可以增加特征的通道数量，从而可以提高特征的表征能力。
相应的，可以针对每个第一图像对应的第二特征图，获取所述第二特征图对应的目标图像特征，所述目标图像特征为所述第一图像对应的第一图像特征。其中，所述第二特征图对应的目标图像特征的获取方式可以与第一特征图的图像特征的获取方式类似，这里不进行赘述。
目标模型可以包括嵌入层，可以通过该嵌入层基于M个第一特征图，确定M个第一图像一一对应的M个第一图像特征。
步骤S104：基于第二网络对所述M个第一图像特征分别进行特征提取，得到M个第一目标分类特征，所述第二网络的网络结构与所述第一网络的网络结构不同。
该步骤中，基于第二网络对M个第一图像特征分别进行特征提取的方式可以包括两种，第一种可以为：获取与任务数量相同个数的第一分类特征，如M个第一分类特征，将M个第一分类特征与M个第一图像特征融合，得到M个第一目标特征，一个第一分类特征与一个第一图像特征融合得到一个第一目标特征，第二网络可以以M个通道对所述M个第一目标特征进行特征提取，其中，一个通道可以对一个第一目标特征进行特征提取，得到M个第二分类特征，最终可以得到M×M个第二分类特征。相应的，可以从M×M个第二分类特征中选取M个任务索引一一对应的M个第二分类特征，M个任务索引一一对应的M个第二分类特征即为M个第一目标分类特征。
第二种可以为：获取一个第一分类特征，将M个第一图像特征分别与该第一分类特征融合，得到M个第一目标特征，第二网络可以以一个通道分别对所述M个第一目标特征中每个第一目标特征进行特征提取，得到M个第二分类特征，针对每个任务索引，从所述M个第二分类特征中选取所述任务索引对应的第二分类特征进行所述任务索引对应的正则化处理，得到所述任务索引对应的第一目标分类特征。具体的，针对每个第一目标特征，可以通过该目标模型的第二网络抽取第一图像特征至第一分类特征，得到与第一分类特征具有迁移关系的一个第二分类特征。
步骤S105：基于所述M个第一目标分类特征进行图像处理，得到所述M个第一图像的M个第一图像处理结果。
该步骤中，针对每个任务索引，可以基于该任务索引对应的第一目标分类特征进行图像处理，得到该任务下第一图像的第一图像处理结果。
比如，M为3时，任务索引分别为索引1、索引2和索引3，第一图像A关联索引1，第一图像B关联索引2，第一图像C关联索引3。可以获取索引1对应的第一目标分类特征，基于该第一目标分类特征进行图像处理，得到第一图像A的第一图像处理结果；获取索引2对应的第一目标分类特征，基于该第一目标分类特征进行图像处理，得到第一图像B的第一图像处理结果；获取索引3对应的第一目标分类特征，基于该第一目标分类特征进行图像处理，得到第一图像C的第一图像处理结果。
目标模型可以包括图像处理网络，可以将M个第一目标分类特征输入至图像处理网络，图像处理网络可以为分类网络，该图像处理网络可以分别基于每个任务对应的第一目标分类特征进行图像处理，得到M个第一图像一一对应的M个第一图像处理结果。
本实施例中，可以采用CNN+Transformer混合结构的目标模型进行多任务联合处理，这样可以充分利用不同网络结构的编码能力，显著提升特征的编码效率，从而可以提高图像处理效果。
可选的，所述步骤S103具体包括：
对所述M个第一特征图分别进行卷积操作，得到所述M个第一图像一一对应的M个第二特征图，所述第二特征图的通道数量大于所述第一特征图的通道数量；
针对每个第一图像对应的第二特征图，获取所述第二特征图对应的目标图像特征，所述目标图像特征为所述第一图像对应的第一图像特征。
本实施方式中，目标模型还可以包括卷积conv模块，如1x1conv模块，可以将M个第一特征图输入至1x1conv模块进行卷积操作，其目的是增加特征图的通道数量，相应的，1x1conv模块输出的第二特征图的通道数量大于第一特征图的通道数量。
在一可选实施方式中，针对每个第一图像对应的第二特征图，可以将第二特征图作为一个整体，对该第二特征图进行特征表征，得到第二特征图对应的目标图像特征。
在另一可选实施方式中，可以对所述第二特征图进行分块处理，得到K个图像块，如可以将第二特征图以C2x1x1的大小进行分块，得到的图像块的数量为HxW；获取每个图像块的图像特征；将这K个图像块的图像特征进行融合，得到所述第二特征图对应的目标图像特征。
本实施方式中，通过对所述M个第一特征图分别进行卷积操作，得到所述M个第一图像一一对应的M个第二特征图，所述第二特征图的通道数量大于所述第一特征图的通道数量；针对每个第一图像对应的第二特征图，获取所述第二特征图对应的目标图像特征，所述目标图像特征为所述第一图像对应的第一图像特征。如此，可以增加特征图的通道数量，从而可以提高特征图的特征表征能力，进而可以进一步提高图像处理效果。
可选的，所述获取所述第二特征图对应的目标图像特征，包括：
对所述第二特征图进行分块处理，得到K个图像块，K为大于1的整数；
获取每个图像块的图像特征；
将所述K个图像块的图像特征进行融合，得到所述目标图像特征。
本实施方式中，目标图像特征可以为矩阵，可以采用现有的或新的分块方式对第二特征图进行分块处理，得到K个图像块，如可以将第二特征图以C2x1x1的大小进行分块，得到的图像块的数量为HxW。
可以通过目标模型的嵌入层对每个图像块进行特征表征，得到每个图像块的图像特征，每个图像块的图像特征可以表征为一个向量，如大小为1×256的向量。
将K个图像块的图像特征融合后，可以得到为矩阵的目标图像特征，比如，当K为9时，则将9个图像块的图像特征进行拼接后，得到大小为9×256的矩阵的目标图像特征。这样可以提高图像的特征表征能力，且利用Transformer的局部特征关联能力，可以获取不同任务内部的第二特征图中图像块即patch的关联关系，从第二特征图中patch开始学习不同任务内局部特征之间的关系，可以提高图像处理效率。
可选的，每个第一图像关联一个任务索引，不同第一图像关联的任务索引不同，所述步骤S104之前，还包括：
获取第一分类特征；
将所述M个第一图像特征分别与所述第一分类特征进行融合，得到M个第一目标特征；
所述步骤S104具体包括：
基于所述第二网络的网络参数，分别对每个所述第一目标特征进行特征提取，得到K个第二分类特征，K大于或等于M；
从所述K个第二分类特征中选取M个所述任务索引一一对应的M个第二分类特征；
基于M个所述任务索引一一对应的M个第二分类特征，确定所述M个第一目标分类特征。
本实施方式中，第一分类特征可以指的是用于分类的特征，可以称之为classtoken，第一分类特征可以为一个向量，如大小为1×256的向量。
该第一分类特征可以为初始分类特征，可以随机生成，也可以预先存储，这里不进行具体限定。
第一分类特征的数量可以为1，第一分类特征的数量也可以与第一图像的数量相等，即第一分类特征的数量与当前进行图像处理的任务数量相等，如当前进行图像处理的任务数量为3个，则可以获取3个第一分类特征，这里不进行具体限定。
在第一分类特征的数量为1的情况下，可以针对M个任务索引中每个任务索引，将该任务索引对应的第一图像特征与第一分类特征进行融合，得到一个第一目标特征。比如，第一分类特征为1×256的向量，第一图像特征为9×256的矩阵，则融合后得到第一目标特征为10×256的矩阵。
在第一分类特征的数量为M的情况下，可以针对M个任务索引中每个任务索引，将该任务索引对应的第一分类特征与该任务索引对应的第一图像的第一图像特征进行融合，得到该任务索引对应的第一目标特征。
得到M个第一目标特征后，可以输入至第二网络。相应的，可以基于所述第二网络的网络参数，分别对每个所述第一目标特征进行特征提取，得到K个第二分类特征。
在一可选实施方式中，第一分类特征的数量为1，图2是基于目标模型进行任务处理的流程示意图之一，如图2所示，对目标模型可处理的所有任务进行索引标记，目标模型最多可处理N个任务，分别标记为索引1、索引2、…、索引N。
输入M个第一图像，并根据第一图像所需要执行的图像处理任务，与相应的任务索引关联。比如，M为2，第一图像A需要执行人脸识别任务，索引1对应的任务为人脸识别任务，则将第一图像A与索引1关联，第一图像B需要执行人体识别任务，索引2对应的任务为人体识别任务，则将第一图像B与索引2关联。
关联之后，将M个第一图像和相应的任务索引组成batch输入至目标模型中，基于目标模型中的CNN分别对每个第一图像进行特征提取，得到M个第一特征图，经过1×1conv模块分别对每个第一特征图进行卷积操作，得到M个第二特征图，基于M个第二特征图，确定M个第一图像特征，分别为第一图像特征A和第一图像特征B，将该M个第一图像特征分别与该第一分类特征进行融合得到M个第一目标特征。
相应的，第二网络可以基于其网络参数以一个通道分别对所述M个第一目标特征中每个第一目标特征进行特征提取，得到K个第二分类特征，K等于M，如分别为第二分类特征A和第二分类特征B。具体的，针对每个第一目标特征，可以通过第二网络抽取第一图像特征至第一分类特征，得到与第一分类特征具有迁移关系的一个第二分类特征。
在另一可选实施方式中，第一分类特征的数量为M，图3是基于目标模型进行任务处理的流程示意图之二，如图3所示，对目标模型可处理的所有任务进行索引标记，目标模型最多可处理N个任务，分别标记为索引1、索引2、…、索引N。
输入M个第一图像，并根据第一图像所需要执行的图像处理任务，与相应的任务索引关联。比如，M为2，第一图像A需要执行人脸识别任务，索引1对应的任务为人脸识别任务，则将第一图像A与索引1关联，第一图像B需要执行人体识别任务，索引2对应的任务为人体识别任务，则将第一图像B与索引2关联。
关联之后，将M个第一图像和相应的任务索引组成batch输入至目标模型中，目标模型中的CNN可以分别对每个第一图像进行特征提取，得到M个第一特征图，经过1×1conv模块分别对每个第一特征图进行卷积操作，得到M个第二特征图，基于M个第二特征图，确定M个第一图像特征，分别为第一图像特征A和第一图像特征B。目标模型的嵌入层获取M个第一分类特征，分别为第一分类特征A和第一分类特征B，将第一分类特征A和第一图像特征A融合得到第一目标特征A，以及将第一分类特征B和第一图像特征B融合得到第一目标特征B。
相应的，第二网络可以基于其网络参数以M个通道对所述M个第一目标特征进行特征提取，具体的，第二网络可以基于同一网络参数，针对每个第一目标特征(如第一目标特征A或第一目标特征B)，对该第一目标特征进行复制处理，对复制处理得到的M个特征中每个特征进行特征提取，得到M个第二分类特征。如针对索引1对应任务，输出第二分类特征A和第二分类特征C，针对索引2对应任务，输出第二分类特征B和第二分类特征D，其中，第二分类特征A与索引1对应，第二分类特征B与索引2对应，这样可以保证任务具有分离性，防止任务之间的冲突。
选取第二分类特征A，得到第一目标分类特征A，以及选取第二分类特征B，得到第一目标分类特征B，并输入至图像处理网络，该图像处理网络可以分别对每个第一目标分类特征进行图像处理，得到与M个第一图像一一对应的M个第一图像处理结果。
其中，第二网络可以为视觉Transformer网络，视觉Transformer网络可以包括多个编码器，每个编码器可以包括自注意力层和前馈神经网络。通过对第二网络进行训练，可以确定每种任务的迁移关系，且每种任务的迁移关系不同，特征提取的能力也不同。并且，第二网络仅包括一个单独网络，训练后该第二网络的网络参数可以分别表征各个任务的迁移关系。对目标模型训练的目的即是确定该目标模型的网络参数(该目标模型的网络参数包括第二网络的网络参数)，以能够准确表征各个任务的迁移关系，从而针对每个任务对应的第一图像，基于第一分类特征和第一图像特征，可以从第一图像特征抽取出该任务中与第一分类特征具有特定迁移关系的第二分类特征。
本实施方式中，通过获取第一分类特征；将所述M个第一图像特征分别与所述第一分类特征进行融合，得到M个第一目标特征；基于所述第二网络的网络参数，分别对每个所述第一目标特征进行特征提取，得到K个第二分类特征；从所述K个第二分类特征中选取M个所述任务索引一一对应的M个第二分类特征；基于M个所述任务索引一一对应的M个第二分类特征，确定所述M个第一目标分类特征。如此，可以基于第二网络实现对所述M个第一图像特征分别进行特征提取，从而实现图像处理。
可选的，所述基于M个所述任务索引一一对应的M个第二分类特征，确定所述M个第一目标分类特征，包括：
针对每个所述任务索引对应的第二分类特征，对所述第二分类特征进行所述任务索引对应的正则化处理，得到所述任务索引对应的所述第一目标分类特征。
本实施方式中，由于多任务间的M个第二分类特征之间的数据分布差异大，若采用统一的正则化处理，会导致无法准确划分出不同任务的数据分布，而使得图像处理效果比较差。
因此，如图2所示，在第一分类特征的数量为1的情况下，可以针对每个任务索引，从所述M个第二分类特征中选取所述任务索引对应的第二分类特征，并对该第二分类特征进行所述任务索引对应的正则化处理，从而可以准确划分出该任务索引对应任务的数据分布，提高图像处理效果。
比如，目标模型同时处理3个任务，分别标记为索引1、索引2和索引3，通过对目标模型进行训练后，可以使得基于该目标模型输出的索引1对应任务的特征数据分布在0-0.8之间，索引2对应任务的特征数据分布在0.6-0.8之间，而索引3对应任务的特征数据分布在0.4-0.6之间。相应的，针对每个任务索引，通过对该任务索引对应的第二分类特征进行该任务索引对应的正则化处理，得到第一目标分类特征，第一目标分类特征的数据分布可以与该任务索引对应任务的特征数据分布相同，从而可以通过特征数据分布来区分不同任务的分类特征，保证各个任务具有分离性，进而可以提高多任务联合处理时图像处理的效果。
进行所述任务索引对应的正则化处理时，通常需要用到特征统计信息，特征统计信息可以包括两个参数，分别为特征数据均值和特征数据方差，在一可选实施方式中，所述任务索引对应的特征数据均值和特征数据方差可以通过对目标模型进行训练得到，如训练过程中，对该任务索引对应的所有分类特征进行特征统计，得到所述任务索引对应的特征数据均值和特征数据方差。
在另一可选实施方式中，可以对所述任务索引对应的第二分类特征进行特征统计，得到特征统计信息，特征统计信息可以包括所述任务索引对应的特征数据均值和特征数据方差。
相应的，对该第二分类特征进行所述任务索引对应的正则化处理可以具体为：对所述任务索引的第二分类特征进行归一化操作，归一化操作可以包括将所述任务索引的第二分类特征中数据分别减去该任务索引对应的特征数据均值，再分别除以该任务索引对应的特征数据方差，得到第一目标分类特征。
本实施方式中，通过针对每个所述任务索引对应的第二分类特征，对所述第二分类特征进行所述任务索引对应的正则化处理，得到所述任务索引对应的所述第一目标分类特征，基于第一目标分类特征进行图像处理。如此，在第一分类特征的数量为1的情况下，可以通过划分特征数据分布来区分不同任务的分类特征，保证各个任务具有分离性，减少任务间的冲突，进而可以提高多任务联合处理时图像处理的效果。
第二实施例
如图4所示，本公开提供一种模型训练方法，包括如下步骤：
步骤S401：获取训练样本集，所述训练样本集包括N个第一图像，N为大于1的整数；
步骤S402：将所述N个第一图像输入至目标模型进行图像处理操作，得到所述N个第一图像的N个第一图像处理结果；所述目标模型包括第一网络和第二网络，所述第二网络的网络结构与所述第一网络的网络结构不同，所述图像处理操作包括：基于所述第一网络对所述N个第一图像分别进行特征提取，得到N个第一特征图；基于所述N个第一特征图，确定所述N个第一图像一一对应的N个第一图像特征；基于所述第二网络对所述N个第一图像特征分别进行特征提取，得到N个第一目标分类特征；基于所述N个第一目标分类特征进行图像处理，得到所述N个第一图像的N个第一图像处理结果；
步骤S403：基于所述N个第一图像处理结果，更新所述目标模型中的网络参数，所述目标模型中的网络参数包括所述第一网络的网络参数和所述第二网络的网络参数。
本实施例描述的是目标模型的训练过程，该目标模型最多可处理N个任务，其中，N通常大于或等于M，M为基于该目标模型进行图像处理的任务数量。
训练样本集可以包括每个任务的训练数据，其中，针对一个任务，其训练数据可以包括该任务的第一图像(第一图像可以为训练样本图像)，以及第一图像的图像分类标签，其中，目标模型训练过程中的第一图像(即训练数据中的第一图像)与基于该目标模型进行图像处理过程中的第一图像可以相同，也可以不同，这里不进行具体限定。
训练样本集中第一图像的获取方式与第一实施例中第一图像的获取方式类似，这里不进行赘述，而训练样本集中第一图像的图像分类标签可以人工标注，也可以自动标注，这里不进行具体限定。
可以获取训练样本集中各个任务的第一图像，并将每个第一图像与所需要执行的任务的任务索引关联。
图5是目标模型的训练流程示意图之一，如图5所示，对目标模型的所有任务进行索引标记，分别标记为索引1、索引2、…、索引N，抽取训练样本集中不同任务的训练数据组成batch输入至目标模型中。其中，该batch中每个任务的训练数据包括任务标签关联的一个第一图像和该第一图像的图像分类标签。
相应的，该目标模型可以基于该batch进行图像处理操作。具体的，基于目标模型中的CNN分别对每个第一图像进行特征提取，得到N个第一特征图，经过1×1conv模块分别对每个第一特征图进行卷积操作，得到N个第二特征图，基于N个第二特征图，确定N个第一图像一一对应的N个第一图像特征。
该目标模型还包括嵌入层，通过嵌入层可以随机生成或获取预先存储的一个第一分类特征，将N个第一图像特征分别与第一分类特征进行融合，得到N个第一目标特征。
得到N个第一目标特征后，将N个第一目标特征输入至第二网络，该第二网络基于同一网络参数分别对每个第一目标特征进行特征提取，得到N个第二分类特征。
针对每个任务索引，从N个第二分类特征中选取该任务索引对应的第二分类特征进行所述任务索引对应的正则化处理，得到该任务索引对应的第一目标分类特征。
将N个第一目标分类特征输入至图像处理网络，该图像处理网络可以分别对每个第一目标分类特征进行图像处理，得到N个第一图像一一对应的N个第一图像处理结果。
图6是目标模型的训练流程示意图之二，如图6所示，通过嵌入层可以随机生成或获取预先存储的N个第一分类特征，将一个第一分类特征与一个第一图像特征进行融合，得到一个第一目标特征，N个第一分类特征与N个第一图像特征融合得到N个第一目标特征。
第二网络可以基于同一网络参数，针对每个第一目标特征，对该第一目标特征进行复制处理，对复制处理得到的N个特征中每个特征进行特征提取，得到N个第二分类特征，从N个第二分类特征中选取任务索引对应的第二分类特征作为该任务索引对应的第一目标分类特征，最终可得到N个第一目标分类特征。
将N个第一目标分类特征输入至图像处理网络，该图像处理网络可以分别对每个第一目标分类特征进行图像处理，得到N个第一图像一一对应的N个第一图像处理结果。
得到N个第一图像处理结果之后，可以针对每个第一图像对应的第一图像处理结果，可以计算第一图像处理结果与该第一图像的图像分类标签的差异值，基于该差异值，确定目标模型的网络损失，从而可以基于该网络损失更新目标模型的网络参数。
本实施例中，可以采用CNN+Transformer混合结构的目标模型进行多任务联合处理，这样可以充分利用不同网络结构的编码能力，显著提升特征的编码效率和联合训练效果，从而可以提高图像处理效果。
可选的，每个第一图像关联一个任务索引，不同第一图像关联的任务索引不同，所述步骤S403具体包括：
基于所述N个第一图像处理结果，确定每个任务索引对应的网络损失值；
基于N个所述网络损失值，更新所述目标模型中的网络参数。
本实施方式中，可以针对每个第一图像处理结果，计算该第一图像处理结果与对应的第一图像的图像分类标签的差异值，基于该差异值确定该第一图像处理结果对应的任务索引的网络损失值，即确定该任务索引对应任务的网络损失值，以得到N个任务的N个网络损失值。
可以将N个网络损失值求和，基于N个网络损失值的和值，采用反向梯度传播方式更新目标模型中的网络参数，通过不断迭代更新目标模型中的网络参数，使得各个任务的网络损失值的和值达到最小，此时训练完成。其中，该网络参数包括第一网络的网络参数和第二网络的网络参数。
在第一分类特征的数量为N的情况下，为了保证不同任务的第一目标分类特征之间具备差异性，以更好地分离各个任务的特征，也可以基于N个网络损失值和N个任务中不同任务的分类特征的相似度值，来更新目标模型中的网络参数，以下再对此进行详细说明。
可选的，所述基于N个所述网络损失值，更新所述目标模型中的网络参数之前，所述方法还包括：
对所述N个第一目标分类特征分别进行归一化处理，得到N个第三分类特征；
计算所述N个第三分类特征的相似度矩阵；
基于所述相似度矩阵，确定所述N个第三分类特征中不同第三分类特征之间的相似度值；
所述基于N个所述网络损失值，更新所述目标模型中的网络参数，包括：
基于N个所述网络损失值和所述相似度值，更新所述目标模型中的网络参数。
本实施方式中，可以采用归一化公式如L2范数归一化公式，对所述N个第一目标分类特征分别进行归一化处理，得到N个第三分类特征。
可以计算N个第三分类特征的相似度矩阵，具体可以将N个第三分类特征进行拼接，得到一矩阵，将该矩阵与转置后的该矩阵进行余弦相乘，得到N个第三分类特征的相似度矩阵。
比如，N为5，第三分类特征为1×256的向量，将5个第三分类特征拼接后得到5×256的矩阵，将该矩阵与转置后的该矩阵进行余弦相乘，得到5×5的相似度矩阵。
其中，该相似度矩阵中每个元素的值，可以表征两个第三分类特征之间的相似度。比如，5个第三分类特征分别为第三分类特征A、第三分类特征B、第三分类特征C、第三分类特征D和第三分类特征E，第2行第3列元素的值，可以表征第三分类特征B与第三分类特征C的相似度，第2行第2列元素的值，可以表征第三分类特征B与其自身的相似度。
该相似度矩阵中所有元素的值均在0至1之间，两个第三分类特征越相似，该相似度矩阵中表征这两个第三分类特征的相似度的值越大，如该相似度矩阵中对角线元素的值均为1，两个第三分类特征越不相似即差异越大，该相似度矩阵中表征这两个第三分类特征的相似度的值越小，即越接近0。
相应的，可以基于该相似度矩阵，确定N个第三分类特征中不同第三分类特征之间的相似度值，具体可以将该相似度矩阵中除对角线之外的部分或所有值相加，得到N个第三分类特征中不同第三分类特征之间的相似度值。
之后，可以将N个网络损失值与该相似度值进行求和，基于N个网络损失值与该相似度值的和值，采用反向梯度传播方式更新目标模型中的网络参数，通过不断迭代更新目标模型中的网络参数，使得各个任务的网络损失值与该相似度值的和值达到最小，此时训练完成。
本实施方式中，通过基于所述N个第一图像处理结果，确定每个任务索引对应的网络损失值；基于N个所述网络损失值，更新所述目标模型中的网络参数。如此，可以实现目标模型网络参数的更新，从而可以实现对目标模型的训练。
第三实施例
如图7所示，本公开提供一种图像处理装置700，包括：
第一获取模块701，用于获取M个第一图像，M为正整数；
第一特征提取模块702，用于基于第一网络对所述M个第一图像分别进行特征提取，得到M个第一特征图；
确定模块703，用于基于所述M个第一特征图，确定所述M个第一图像一一对应的M个第一图像特征；
第二特征提取模块704，用于基于第二网络对所述M个第一图像特征分别进行特征提取，得到M个第一目标分类特征，所述第二网络的网络结构与所述第一网络的网络结构不同；
图像处理模块705，用于基于所述M个第一目标分类特征进行图像处理，得到所述M个第一图像的M个第一图像处理结果。
可选的，所述确定模块703包括：
卷积操作单元，用于对所述M个第一特征图分别进行卷积操作，得到所述M个第一图像一一对应的M个第二特征图，所述第二特征图的通道数量大于所述第一特征图的通道数量；
第一获取单元，用于针对每个第一图像对应的第二特征图，获取所述第二特征图对应的目标图像特征，所述目标图像特征为所述第一图像对应的第一图像特征。
可选的，所述第一获取单元，具体用于：
对所述第二特征图进行分块处理，得到K个图像块，K为大于1的整数；
获取每个图像块的图像特征；
将所述K个图像块的图像特征进行融合，得到所述目标图像特征。
可选的，每个第一图像关联一个任务索引，不同第一图像关联的任务索引不同，所述装置还包括：
第二获取模块，用于获取第一分类特征；
融合模块，用于将所述M个第一图像特征分别与所述第一分类特征进行融合，得到M个第一目标特征；
所述第二特征提取模块704包括：
特征提取单元，用于基于所述第二网络的网络参数，分别对每个所述第一目标特征进行特征提取，得到K个第二分类特征，K大于或等于M；
第二获取单元，用于从所述K个第二分类特征中选取M个所述任务索引一一对应的M个第二分类特征；
特征确定单元，用于基于M个所述任务索引一一对应的M个第二分类特征，确定所述M个第一目标分类特征。
可选的，所述特征确定单元，具体用于：
针对每个所述任务索引对应的第二分类特征，对所述第二分类特征进行所述任务索引对应的正则化处理，得到所述任务索引对应的所述第一目标分类特征。
本公开提供的图像处理装置700能够实现图像处理方法实施例实现的各个过程，且能够达到相同的有益效果，为避免重复，这里不再赘述。
第四实施例
如图8所示，本公开提供一种模型训练装置800，包括：
第一获取模块801，用于获取训练样本集，所述训练样本集包括N个第一图像，N为大于1的整数；
操作模块802，用于将所述N个第一图像输入至目标模型进行图像处理操作，得到所述N个第一图像的N个第一图像处理结果；所述目标模型包括第一网络和第二网络，所述第二网络的网络结构与所述第一网络的网络结构不同，所述图像处理操作包括：基于所述第一网络对所述N个第一图像分别进行特征提取，得到N个第一特征图；基于所述N个第一特征图，确定所述N个第一图像一一对应的N个第一图像特征；基于所述第二网络对所述N个第一图像特征分别进行特征提取，得到N个第一目标分类特征；基于所述N个第一目标分类特征进行图像处理，得到所述N个第一图像的N个第一图像处理结果；
更新模块803，用于基于所述N个第一图像处理结果，更新所述目标模型中的网络参数，所述目标模型中的网络参数包括所述第一网络的网络参数和所述第二网络的网络参数。
可选的，每个第一图像关联一个任务索引，不同第一图像关联的任务索引不同，所述更新模块803，具体用于：
基于所述N个第一图像处理结果，确定每个任务索引对应的网络损失值；
基于N个所述网络损失值，更新所述目标模型中的网络参数。
本公开提供的模型训练装置800能够实现模型训练方法实施例实现的各个过程，且能够达到相同的有益效果，为避免重复，这里不再赘述。
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。
图9示出了可以用来实施本公开的实施例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9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理，例如图像处理方法，或者模型训练方法。例如，在一些实施例中，图像处理方法，或者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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的图像处理方法的一个或多个步骤，或者执行上文描述的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901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，或者模型训练方法。
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)、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，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 (16)

1.一种图像处理方法，包括：
获取M个第一图像，M为正整数；
基于第一网络对所述M个第一图像分别进行特征提取，得到M个第一特征图；
基于所述M个第一特征图，确定所述M个第一图像一一对应的M个第一图像特征；
基于第二网络对所述M个第一图像特征分别进行特征提取，得到M个第一目标分类特征，所述第二网络的网络结构与所述第一网络的网络结构不同；
基于所述M个第一目标分类特征进行图像处理，得到所述M个第一图像的M个第一图像处理结果；
每个第一图像关联一个任务索引，不同第一图像关联的任务索引不同，所述基于第二网络对所述M个第一图像特征分别进行特征提取，得到M个第一目标分类特征之前，还包括：
获取第一分类特征；
将所述M个第一图像特征分别与所述第一分类特征进行融合，得到M个第一目标特征；
所述基于第二网络对所述M个第一图像特征分别进行特征提取，得到M个第一目标分类特征，包括：
基于第二网络对所述M个第一目标特征分别进行特征提取，得到M个第一目标分类特征。
2.根据权利要求1所述的方法，其中，所述基于所述M个第一特征图，确定所述M个第一图像一一对应的M个第一图像特征，包括：
对所述M个第一特征图分别进行卷积操作，得到所述M个第一图像一一对应的M个第二特征图，所述第二特征图的通道数量大于所述第一特征图的通道数量；
针对每个第一图像对应的第二特征图，获取所述第二特征图对应的目标图像特征，所述目标图像特征为所述第一图像对应的第一图像特征。
3.根据权利要求2所述的方法，其中，所述获取所述第二特征图对应的目标图像特征，包括：
对所述第二特征图进行分块处理，得到K个图像块，K为大于1的整数；
获取每个图像块的图像特征；
将所述K个图像块的图像特征进行融合，得到所述目标图像特征。
4.根据权利要求1所述的方法，其中，所述基于第二网络对所述M个第一图像特征分别进行特征提取，得到M个第一目标分类特征，包括：
基于所述第二网络的网络参数，分别对每个所述第一目标特征进行特征提取，得到K个第二分类特征，K大于或等于M；
从所述K个第二分类特征中选取M个所述任务索引一一对应的M个第二分类特征；
基于M个所述任务索引一一对应的M个第二分类特征，确定所述M个第一目标分类特征。
5.根据权利要求4所述的方法，其中，所述基于M个所述任务索引一一对应的M个第二分类特征，确定所述M个第一目标分类特征，包括：
针对每个所述任务索引对应的第二分类特征，对所述第二分类特征进行所述任务索引对应的正则化处理，得到所述任务索引对应的所述第一目标分类特征。
6.一种模型训练方法，包括：
获取训练样本集，所述训练样本集包括N个第一图像，N为大于1的整数；
将所述N个第一图像输入至目标模型进行图像处理操作，得到所述N个第一图像的N个第一图像处理结果；所述目标模型包括第一网络和第二网络，所述第二网络的网络结构与所述第一网络的网络结构不同，所述图像处理操作包括：基于所述第一网络对所述N个第一图像分别进行特征提取，得到N个第一特征图；基于所述N个第一特征图，确定所述N个第一图像一一对应的N个第一图像特征；基于所述第二网络对所述N个第一图像特征分别进行特征提取，得到N个第一目标分类特征；基于所述N个第一目标分类特征进行图像处理，得到所述N个第一图像的N个第一图像处理结果；
基于所述N个第一图像处理结果，更新所述目标模型中的网络参数，所述目标模型中的网络参数包括所述第一网络的网络参数和所述第二网络的网络参数；
每个第一图像关联一个任务索引，不同第一图像关联的任务索引不同，所述基于所述第二网络对所述N个第一图像特征分别进行特征提取，得到N个第一目标分类特征之前，还包括：
获取第一分类特征；
将所述N个第一图像特征分别与所述第一分类特征进行融合，得到N个第一目标特征；
所述基于所述第二网络对所述N个第一图像特征分别进行特征提取，得到N个第一目标分类特征，包括：
基于所述第二网络对所述N个第一目标特征分别进行特征提取，得到N个第一目标分类特征。
7.根据权利要求6所述的方法，所述基于所述N个第一图像处理结果，更新所述目标模型中的网络参数，包括：
基于所述N个第一图像处理结果，确定每个任务索引对应的网络损失值；
基于N个所述网络损失值，更新所述目标模型中的网络参数。
8.一种图像处理装置，包括：
第一获取模块，用于获取M个第一图像，M为正整数；
第一特征提取模块，用于基于第一网络对所述M个第一图像分别进行特征提取，得到M个第一特征图；
确定模块，用于基于所述M个第一特征图，确定所述M个第一图像一一对应的M个第一图像特征；
第二特征提取模块，用于基于第二网络对所述M个第一图像特征分别进行特征提取，得到M个第一目标分类特征，所述第二网络的网络结构与所述第一网络的网络结构不同；
图像处理模块，用于基于所述M个第一目标分类特征进行图像处理，得到所述M个第一图像的M个第一图像处理结果；
每个第一图像关联一个任务索引，不同第一图像关联的任务索引不同，所述装置还包括：
第二获取模块，用于获取第一分类特征；
融合模块，用于将所述M个第一图像特征分别与所述第一分类特征进行融合，得到M个第一目标特征；
第二特征提取模块，具体用于基于第二网络对所述M个第一目标特征分别进行特征提取，得到M个第一目标分类特征。
9.根据权利要求8所述的装置，其中，所述确定模块包括：
卷积操作单元，用于对所述M个第一特征图分别进行卷积操作，得到所述M个第一图像一一对应的M个第二特征图，所述第二特征图的通道数量大于所述第一特征图的通道数量；
第一获取单元，用于针对每个第一图像对应的第二特征图，获取所述第二特征图对应的目标图像特征，所述目标图像特征为所述第一图像对应的第一图像特征。
10.根据权利要求9所述的装置，其中，所述第一获取单元，具体用于：
对所述第二特征图进行分块处理，得到K个图像块，K为大于1的整数；
获取每个图像块的图像特征；
将所述K个图像块的图像特征进行融合，得到所述目标图像特征。
11.根据权利要求8所述的装置，其中，所述第二特征提取模块包括：
特征提取单元，用于基于所述第二网络的网络参数，分别对每个所述第一目标特征进行特征提取，得到K个第二分类特征，K大于或等于M；
第二获取单元，用于从所述K个第二分类特征中选取M个所述任务索引一一对应的M个第二分类特征；
特征确定单元，用于基于M个所述任务索引一一对应的M个第二分类特征，确定所述M个第一目标分类特征。
12.根据权利要求11所述的装置，其中，所述特征确定单元，具体用于：
针对每个所述任务索引对应的第二分类特征，对所述第二分类特征进行所述任务索引对应的正则化处理，得到所述任务索引对应的所述第一目标分类特征。
13.一种模型训练装置，包括：
第一获取模块，用于获取训练样本集，所述训练样本集包括N个第一图像，N为大于1的整数；
操作模块，用于将所述N个第一图像输入至目标模型进行图像处理操作，得到所述N个第一图像的N个第一图像处理结果；所述目标模型包括第一网络和第二网络，所述第二网络的网络结构与所述第一网络的网络结构不同，所述图像处理操作包括：基于所述第一网络对所述N个第一图像分别进行特征提取，得到N个第一特征图；基于所述N个第一特征图，确定所述N个第一图像一一对应的N个第一图像特征；基于所述第二网络对所述N个第一图像特征分别进行特征提取，得到N个第一目标分类特征；基于所述N个第一目标分类特征进行图像处理，得到所述N个第一图像的N个第一图像处理结果；
更新模块，用于基于所述N个第一图像处理结果，更新所述目标模型中的网络参数，所述目标模型中的网络参数包括所述第一网络的网络参数和所述第二网络的网络参数；
每个第一图像关联一个任务索引，不同第一图像关联的任务索引不同，所述基于所述第二网络对所述N个第一图像特征分别进行特征提取，得到N个第一目标分类特征之前，还包括：
获取第一分类特征；
将所述N个第一图像特征分别与所述第一分类特征进行融合，得到N个第一目标特征；
所述基于所述第二网络对所述N个第一图像特征分别进行特征提取，得到N个第一目标分类特征，包括：
基于所述第二网络对所述N个第一目标特征分别进行特征提取，得到N个第一目标分类特征。
14.根据权利要求13所述的装置，所述更新模块，具体用于：
基于所述N个第一图像处理结果，确定每个任务索引对应的网络损失值；
基于N个所述网络损失值，更新所述目标模型中的网络参数。
15.一种电子设备，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6-7中任一项所述的方法。
16.一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，或者执行根据权利要求6-7中任一项所述的方法。
CN202210096259.5A 2022-01-26 2022-01-26 图像处理方法、模型训练方法、相关装置及电子设备 Active CN114494782B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210096259.5A CN114494782B (zh) 2022-01-26 2022-01-26 图像处理方法、模型训练方法、相关装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210096259.5A CN114494782B (zh) 2022-01-26 2022-01-26 图像处理方法、模型训练方法、相关装置及电子设备

Publications (2)

Publication Number Publication Date
CN114494782A CN114494782A (zh) 2022-05-13
CN114494782B true CN114494782B (zh) 2023-08-08

Family

ID=81475997

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210096259.5A Active CN114494782B (zh) 2022-01-26 2022-01-26 图像处理方法、模型训练方法、相关装置及电子设备

Country Status (1)

Country Link
CN (1) CN114494782B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115331048B (zh) * 2022-07-29 2023-06-27 北京百度网讯科技有限公司 图像分类方法、装置、设备以及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523599A (zh) * 2020-04-24 2020-08-11 上海商汤智能科技有限公司 目标检测方法及装置、电子设备和存储介质
CN112733965A (zh) * 2021-02-03 2021-04-30 西安理工大学 一种基于小样本学习的无标签图像分类方法
CN112926372A (zh) * 2020-08-22 2021-06-08 清华大学 基于序列变形的场景文字检测方法及系统
CN112949622A (zh) * 2021-04-08 2021-06-11 苏州大学 融合文本与图像的双模态性格分类方法及装置
CN113420630A (zh) * 2021-06-17 2021-09-21 中国人民解放军海军航空大学航空作战勤务学院 一种基于从头训练的sar图像舰船目标检测方法和系统
CN113468978A (zh) * 2021-05-26 2021-10-01 北京邮电大学 基于深度学习的细粒度车身颜色分类方法、装置和设备
CN113536003A (zh) * 2021-06-08 2021-10-22 支付宝(杭州)信息技术有限公司 特征提取模型训练方法、图像检索方法、装置和设备
CN113658178A (zh) * 2021-10-14 2021-11-16 北京字节跳动网络技术有限公司 组织图像的识别方法、装置、可读介质和电子设备
CN113688933A (zh) * 2019-01-18 2021-11-23 北京市商汤科技开发有限公司 分类网络的训练方法及分类方法和装置、电子设备
CN113704388A (zh) * 2021-03-05 2021-11-26 腾讯科技（深圳）有限公司 多任务预训练模型的训练方法、装置、电子设备和介质
CN113808123A (zh) * 2021-09-27 2021-12-17 杭州跨视科技有限公司 一种基于机器视觉的药液袋动态检测方法
CN113888744A (zh) * 2021-10-14 2022-01-04 浙江大学 一种基于Transformer视觉上采样模块的图像语义分割方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110175546B (zh) * 2019-05-15 2022-02-25 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
JP7278202B2 (ja) * 2019-11-27 2023-05-19 富士フイルム株式会社 画像学習装置、画像学習方法、ニューラルネットワーク、及び画像分類装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688933A (zh) * 2019-01-18 2021-11-23 北京市商汤科技开发有限公司 分类网络的训练方法及分类方法和装置、电子设备
CN111523599A (zh) * 2020-04-24 2020-08-11 上海商汤智能科技有限公司 目标检测方法及装置、电子设备和存储介质
CN112926372A (zh) * 2020-08-22 2021-06-08 清华大学 基于序列变形的场景文字检测方法及系统
CN112733965A (zh) * 2021-02-03 2021-04-30 西安理工大学 一种基于小样本学习的无标签图像分类方法
CN113704388A (zh) * 2021-03-05 2021-11-26 腾讯科技（深圳）有限公司 多任务预训练模型的训练方法、装置、电子设备和介质
CN112949622A (zh) * 2021-04-08 2021-06-11 苏州大学 融合文本与图像的双模态性格分类方法及装置
CN113468978A (zh) * 2021-05-26 2021-10-01 北京邮电大学 基于深度学习的细粒度车身颜色分类方法、装置和设备
CN113536003A (zh) * 2021-06-08 2021-10-22 支付宝(杭州)信息技术有限公司 特征提取模型训练方法、图像检索方法、装置和设备
CN113420630A (zh) * 2021-06-17 2021-09-21 中国人民解放军海军航空大学航空作战勤务学院 一种基于从头训练的sar图像舰船目标检测方法和系统
CN113808123A (zh) * 2021-09-27 2021-12-17 杭州跨视科技有限公司 一种基于机器视觉的药液袋动态检测方法
CN113658178A (zh) * 2021-10-14 2021-11-16 北京字节跳动网络技术有限公司 组织图像的识别方法、装置、可读介质和电子设备
CN113888744A (zh) * 2021-10-14 2022-01-04 浙江大学 一种基于Transformer视觉上采样模块的图像语义分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CMT: Convolutional Neural Networks Meet Vision Transformers;Jianyuan Guo等;《cvpr2022》;1-14页 *

Also Published As

Publication number Publication date
CN114494782A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN114186632B (zh) 关键点检测模型的训练方法、装置、设备、存储介质
CN112861885B (zh) 图像识别方法、装置、电子设备及存储介质
CN113362314B (zh) 医学图像识别方法、识别模型训练方法及装置
CN114792355B (zh) 虚拟形象生成方法、装置、电子设备和存储介质
CN113361535B (zh) 图像分割模型训练、图像分割方法及相关装置
CN113705362A (zh) 图像检测模型的训练方法、装置、电子设备及存储介质
CN113344862A (zh) 缺陷检测方法、装置、电子设备及存储介质
CN113887615A (zh) 图像处理方法、装置、设备和介质
CN114494782B (zh) 图像处理方法、模型训练方法、相关装置及电子设备
CN115359308A (zh) 模型训练、难例识别方法、装置、设备、存储介质及程序
CN114912629A (zh) 联合感知模型训练、联合感知方法、装置、设备和介质
CN114120454A (zh) 活体检测模型的训练方法、装置、电子设备及存储介质
CN116071625B (zh) 深度学习模型的训练方法、目标检测方法及装置
CN113344213A (zh) 知识蒸馏方法、装置、电子设备及计算机可读存储介质
CN116758373A (zh) 深度学习模型的训练方法、图像处理方法、装置和设备
CN113781653B (zh) 对象模型生成方法、装置、电子设备及存储介质
CN113610856B (zh) 训练图像分割模型和图像分割的方法和装置
CN113344200B (zh) 用于训练可分离卷积网络的方法、路侧设备及云控平台
CN112990046B (zh) 差异信息获取方法、相关装置及计算机程序产品
CN114842066A (zh) 图像深度识别模型训练方法、图像深度识别方法及装置
CN114494818B (zh) 图像处理方法、模型训练方法、相关装置及电子设备
CN114494817A (zh) 图像处理方法、模型训练方法、相关装置及电子设备
CN113378773B (zh) 手势识别方法、装置、设备、存储介质以及程序产品
CN114693995B (zh) 应用于图像处理的模型训练方法、图像处理方法和设备
CN113344199B (zh) 用于训练可分离卷积网络的方法、路侧设备及云控平台

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