CN114494818B - 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
CN114494818B
CN114494818B CN202210096251.9A CN202210096251A CN114494818B CN 114494818 B CN114494818 B CN 114494818B CN 202210096251 A CN202210096251 A CN 202210096251A CN 114494818 B CN114494818 B CN 114494818B
Authority
CN
China
Prior art keywords
classification
image
task
features
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210096251.9A
Other languages
English (en)
Other versions
CN114494818A (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 CN202210096251.9A priority Critical patent/CN114494818B/zh
Publication of CN114494818A publication Critical patent/CN114494818A/zh
Priority to US17/883,248 priority patent/US20220383626A1/en
Priority to JP2022142211A priority patent/JP2022172322A/ja
Priority to KR1020230007831A priority patent/KR20230020454A/ko
Application granted granted Critical
Publication of CN114494818B publication Critical patent/CN114494818B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (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：获取第一分类特征，以及获取M个第一图像一一对应的M个第一图像特征，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；将M个第一图像特征分别与第一分类特征进行融合，得到M个第一目标特征；对M个第一目标特征分别进行特征提取，得到M个第二分类特征；针对每个任务索引，从M个第二分类特征中选取任务索引对应的第二分类特征进行任务索引对应的正则化处理，得到任务索引对应的第三分类特征；基于M个第三分类特征进行图像处理，得到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每个任务通过一个单独的网络进行处理，之后通过聚合方式把各个任务的输出进行聚合后再输出。
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：
获取第一分类特征，以及获取M个第一图像一一对应的M个第一图像特征，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，M为正整数；
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；
对所述M个第一目标特征分别进行特征提取，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三分类特征；
基于M个所述第三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，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，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；所述图像处理操作包括：获取第一分类特征，以及获取所述N个第一图像一一对应的N个第一图像特征；将所述N个第一图像特征分别与所述第一分类特征与进行融合，得到N个第一目标特征；对所述N个第一目标特征分别进行特征提取，得到N个第二分类特征；针对每个任务索引，从所述N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三分类特征；基于N个所述第三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，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。
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，用于获取第一分类特征，以及获取M个第一图像一一对应的M个第一图像特征，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，M为正整数；
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；
特征提取模块，用于对所述M个第一目标特征分别进行特征提取，得到M个第二分类特征；
正则化处理模块，用于针对每个任务索引，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三分类特征；
图像处理模块，用于基于M个所述第三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，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，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；所述图像处理操作包括：获取第一分类特征，以及获取所述N个第一图像一一对应的N个第一图像特征；将所述N个第一图像特征分别与所述第一分类特征与进行融合，得到N个第一目标特征；对所述N个第一目标特征分别进行特征提取，得到N个第二分类特征；针对每个任务索引，从所述N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三分类特征；基于N个所述第三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；
确定模块，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；
更新模块，用于基于N个所述网络损失值，更新所述目标模型中的网络参数。
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；
图3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4是目标模型的训练流程示意图；
图5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6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7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：获取第一分类特征，以及获取M个第一图像一一对应的M个第一图像特征，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。
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。
第一分类特征可以指的是用于分类的特征，可以称之为class token，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。
在一可选实施方式中，可以将第一图像作为一个整体，得到第一图像特征，在该实施方式，第一图像特征可以为一个向量。
在另一可选实施方式中，可以对所述第一图像进行分块处理，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，可以得到为矩阵的第一图像特征，比如，当K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。
目标模型可以包括嵌入层，可以通过该嵌入层获取第一分类特征，以及获取所述M个第一图像一一对应的M个第一图像特征。在一可选实施方式中，可以将M个第一图像输入至目标模型，该目标模型可以通过嵌入层对输入的M个第一图像进行特征表征，同时可以随机生成或获取预先存储的一个第一分类特征。
步骤S102：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。
该步骤中，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。
得到M个第一目标特征后，可以将该M个第一目标特征输入至目标模型的特征提取网络。
步骤S103：对所述M个第一目标特征分别进行特征提取，得到M个第二分类特征。
该步骤中，目标模型的特征提取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。具体的，针对每个第一目标特征，可以通过该目标模型的特征提取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。
其中，通过对目标模型进行训练，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。在一可选实施方式中，特征提取网络仅包括一个单独网络，训练后该特征提取网络的第一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第一网络参数，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。
步骤S104：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三分类特征。
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。
本实施例中，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，得到第三分类特征，第三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，通常需要用到第一特征统计信息，第一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。
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，得到第一特征统计信息，第一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。
步骤S105：基于M个所述第三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三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对应的第三分类特征，基于该第三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对应的第三分类特征，基于该第三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对应的第三分类特征，基于该第三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。
可以将M个第三分类特征输入至目标模型的图像处理网络，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三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。
也可以基于任务索引索引出各个任务对应的第三分类特征后，分别将第三分类特征输入至对应任务的图像处理网络，每个图像处理网络输出一个第一图像对应的第一图像处理结果。
本实施例中，可以将任务索引作为辅助输入，通过针对每个任务索引，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三分类特征，这样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。
可选的，所述步骤S104具体包括：
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特征统计，得到所述任务索引对应任务的第一特征统计信息；
基于所述第一特征统计信息对所述任务索引对应的第二分类特征进行归一化操作，得到所述任务索引对应的第三分类特征。
本实施方式中，可以对所述任务索引对应的第二分类特征进行特征统计，得到第一特征统计信息，第一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。
该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，得到所述任务索引对应的第三分类特征。
本实施方式中，通过从所述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特征统计，得到所述任务索引对应任务的第一特征统计信息；基于所述第一特征统计信息对所述任务索引对应的第二分类特征进行归一化操作，得到所述任务索引对应的第三分类特征。如此，可以针对每个任务索引，根据实际获得的第二分类特征进行该任务索引对应的正则化处理，从而使得正则化处理后得到的第三分类特征更加准确，进而可以进一步提高图像处理效果。
可选的，所述步骤S103具体包括：
基于目标模型中特征提取网络的第一网络参数，分别对所述M个第一目标特征中每个所述第一目标特征进行特征提取，得到M个第二分类特征。
本实施方式中，可以基于目标模型进行任务处理，目标模型可以包括一个特征提取网络和一个图像处理网络，图像处理网络可以为分类网络。
图2是基于目标模型进行任务处理的流程示意图，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，目标模型的嵌入层获取一个第一分类特征，同时获取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。将第一分类特征和第一图像特征A融合得到第一目标特征A，以及将该第一分类特征和第一图像特征B融合得到第一目标特征B。
将第一目标特征A和第一目标特征B输入至目标模型中的特征提取网络，如图2所示，特征提取网络可以为视觉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。该特征提取网络可以基于同一第一网络参数，分别对M个第一目标特征(如第一目标特征A和第一目标特征B)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，如分别为第二分类特征A和第二分类特征B。
得到M个第二分类特征后，针对每个任务索引，将M个第二分类特征中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，得到该任务索引对应的第三分类特征。
将M个第三分类特征(分别为第三分类特征A和第三分类特征B)输入至图像处理网络，该图像处理网络可以分别对每个第三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。
本实施方式中，多个任务可以共享一个特征提取网络，得到M个第二分类特征，并针对每个任务索引，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三分类特征，这样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，在提高图像处理效果的同时，还可以保证模型结构简单，减少分支。
可选的，所述第一图像对应的第一图像特征通过以下方式获取：
对所述第一图像进行分块处理，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，得到所述第一图像特征。
本实施方式中，第一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一图像进行分块处理，得到K个图像块，如将第一图像分成9个图像块。
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，可以得到为矩阵的第一图像特征，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的矩阵的第一图像特征。这样可以提高图像的特征表征能力。
第二实施例
如图3所示，本公开提供一种模型训练方法，包括如下步骤：
步骤S301：获取训练样本集，所述训练样本集包括N个第一图像，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，N为大于1的整数；
步骤S302：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；所述图像处理操作包括：获取第一分类特征，以及获取所述N个第一图像一一对应的N个第一图像特征；将所述N个第一图像特征分别与所述第一分类特征与进行融合，得到N个第一目标特征；对所述N个第一目标特征分别进行特征提取，得到N个第二分类特征；针对每个任务索引，从所述N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三分类特征；基于N个所述第三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S303：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；
步骤S304：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4是目标模型的训练流程示意图，如图4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，该目标模型可以包括嵌入层、特征提取网络和图像处理网络。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，同时通过嵌入层对每个第一图像进行特征表征，得到N个第一图像一一对应的N个第一图像特征，其中，本实施例中第一图像特征的获取方式与第一实施例中第一图像特征的获取方式可以类似，这里不进行赘述。
可以将N个第一图像特征分别与该第一分类特征进行融合，得到N个第一目标特征，其融合方式与第一实施例中M个第一图像特征与第一分类特征的融合方式可以类似，这里不进行赘述。
得到N个第一目标特征后，将N个第一目标特征输入至特征提取网络，该特征提取网络基于同一第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，从所述N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三分类特征。
将N个第三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三分类特征进行图像处理，最终可以得到N个第一图像一一对应的N个第一图像处理结果。
之后，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，该网络参数包括特征提取网络的第一网络参数。
本实施例中，可以将任务索引作为辅助输入，通过针对每个任务索引，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三分类特征，并通过第三分类特征进行网络损失的计算，以更新目标模型的网络参数，这样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，进而可以提高多任务联合处理时图像处理的效果。
可选的，所述从所述N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三分类特征之前，还包括：
获取所述任务索引对应任务的历史特征统计信息；
所述从所述N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三分类特征，包括：
基于所述历史特征统计信息和所述任务索引对应的第二分类特征，确定所述任务索引对应任务的第二特征统计信息；
基于所述第二特征统计信息对所述任务索引对应的第二分类特征进行归一化操作，得到所述任务索引对应的第三分类特征。
本实施方式中，在训练过程中，可以基于批处理正则化操作，来对所述任务索引对应任务的所有第二分类特征进行特征统计，得到所述任务索引对应的第二特征统计信息。其中，批处理正则化操作具体可以为，获取任务索引对应任务的历史特征统计信息，对该任务索引对应的第二分类特征进行特征统计，得到相应的特征统计信息，将历史特征统计信息和该特征统计信息进行平均处理，得到所述任务索引对应任务的第二特征统计信息。
比如，所述任务索引对应任务的历史特征数据均值为10，对该任务索引对应的第二分类特征进行特征统计得到的特征数据均值为20，进行平均处理得到的第二特征统计信息中特征数据均值为15。
相应的，可以基于该第二特征统计信息对所述任务索引对应的第二分类特征进行归一化操作，得到所述任务索引对应的第三分类特征。其中，训练过程中归一化操作与第一实施例中归一化操作可以类似，这里不进行赘述。
本实施例中，通过获取所述任务索引对应任务的历史特征统计信息；基于所述历史特征统计信息和所述任务索引对应的第二分类特征，确定所述任务索引对应任务的第二特征统计信息；基于所述第二特征统计信息对所述任务索引对应的第二分类特征进行归一化操作，得到所述任务索引对应的第三分类特征。如此，可以减少多任务间的分类特征之间的数据分布差异大，采用统一的正则化处理无法准确划分出不同任务的数据分布，而造成的任务间冲突影响，从而可以提升多任务联合训练的效果。
第三实施例
如图5所示，本公开提供一种图像处理装置500，包括：
第一获取模块501，用于获取第一分类特征，以及获取M个第一图像一一对应的M个第一图像特征，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，M为正整数；
融合模块502，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；
特征提取模块503，用于对所述M个第一目标特征分别进行特征提取，得到M个第二分类特征；
正则化处理模块504，用于针对每个任务索引，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三分类特征；
图像处理模块505，用于基于M个所述第三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，所述正则化处理模块504，具体用于：
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特征统计，得到所述任务索引对应任务的第一特征统计信息；
基于所述第一特征统计信息对所述任务索引对应的第二分类特征进行归一化操作，得到所述任务索引对应的第三分类特征。
可选的，所述特征提取模块503，具体用于：
基于目标模型中特征提取网络的第一网络参数，分别对所述M个第一目标特征中每个所述第一目标特征进行特征提取，得到M个第二分类特征
可选的，所述第一图像对应的第一图像特征通过以下方式获取：
对所述第一图像进行分块处理，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，得到所述第一图像特征。
本公开提供的图像处理装置500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6所示，本公开提供一种模型训练装置600，包括：
第一获取模块601，用于获取训练样本集，所述训练样本集包括N个第一图像，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，N为大于1的整数；
操作模块602，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；所述图像处理操作包括：获取第一分类特征，以及获取所述N个第一图像一一对应的N个第一图像特征；将所述N个第一图像特征分别与所述第一分类特征与进行融合，得到N个第一目标特征；对所述N个第一目标特征分别进行特征提取，得到N个第二分类特征；针对每个任务索引，从所述N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三分类特征；基于N个所述第三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；
确定模块603，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；
更新模块604，用于基于N个所述网络损失值，更新所述目标模型中的网络参数。
可选的，所述装置还包括：
第二获取模块，用于获取所述任务索引对应任务的历史特征统计信息；
所述操作模块602包括正则化处理单元，所述正则化处理单元，具体用于：
基于所述历史特征统计信息和所述任务索引对应的第二分类特征，确定所述任务索引对应任务的第二特征统计信息；
基于所述第二特征统计信息对所述任务索引对应的第二分类特征进行归一化操作，得到所述任务索引对应的第三分类特征。
本公开提供的模型训练装置600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7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7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701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701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 (14)

1.一种图像处理方法，包括：
获取第一分类特征，以及获取M个第一图像一一对应的M个第一图像特征，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，M为正整数；
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；
对所述M个第一目标特征分别进行特征提取，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三分类特征；
基于M个所述第三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。
2.根据权利要求1所述的方法，其中，所述从所述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三分类特征，包括：
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特征统计，得到所述任务索引对应任务的第一特征统计信息；
基于所述第一特征统计信息对所述任务索引对应的第二分类特征进行归一化操作，得到所述任务索引对应的第三分类特征。
3.根据权利要求1所述的方法，其中，所述对所述M个第一目标特征分别进行特征提取，得到M个第二分类特征，包括：
基于目标模型中特征提取网络的第一网络参数，分别对所述M个第一目标特征中每个所述第一目标特征进行特征提取，得到M个第二分类特征。
4.根据权利要求1所述的方法，其中，所述第一图像对应的第一图像特征通过以下方式获取：
对所述第一图像进行分块处理，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，得到所述第一图像特征。
5.一种模型训练方法，包括：
获取训练样本集，所述训练样本集包括N个第一图像，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，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；所述图像处理操作包括：获取第一分类特征，以及获取所述N个第一图像一一对应的N个第一图像特征；将所述N个第一图像特征分别与所述第一分类特征与进行融合，得到N个第一目标特征；对所述N个第一目标特征分别进行特征提取，得到N个第二分类特征；针对每个任务索引，从所述N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三分类特征；基于N个所述第三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，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。
6.根据权利要求5所述的方法，所述从所述N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三分类特征之前，还包括：
获取所述任务索引对应任务的历史特征统计信息；
所述从所述N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三分类特征，包括：
基于所述历史特征统计信息和所述任务索引对应的第二分类特征，确定所述任务索引对应任务的第二特征统计信息；
基于所述第二特征统计信息对所述任务索引对应的第二分类特征进行归一化操作，得到所述任务索引对应的第三分类特征。
7.一种图像处理装置，包括：
第一获取模块，用于获取第一分类特征，以及获取M个第一图像一一对应的M个第一图像特征，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，M为正整数；
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；
特征提取模块，用于对所述M个第一目标特征分别进行特征提取，得到M个第二分类特征；
正则化处理模块，用于针对每个任务索引，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三分类特征；
图像处理模块，用于基于M个所述第三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。
8.根据权利要求7所述的装置，其中，所述正则化处理模块，具体用于：
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特征统计，得到所述任务索引对应任务的第一特征统计信息；
基于所述第一特征统计信息对所述任务索引对应的第二分类特征进行归一化操作，得到所述任务索引对应的第三分类特征。
9.根据权利要求7所述的装置，其中，所述特征提取模块，具体用于：
基于目标模型中特征提取网络的第一网络参数，分别对所述M个第一目标特征中每个所述第一目标特征进行特征提取，得到M个第二分类特征。
10.根据权利要求7所述的装置，其中，所述第一图像对应的第一图像特征通过以下方式获取：
对所述第一图像进行分块处理，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，得到所述第一图像特征。
11.一种模型训练装置，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，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，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；所述图像处理操作包括：获取第一分类特征，以及获取所述N个第一图像一一对应的N个第一图像特征；将所述N个第一图像特征分别与所述第一分类特征与进行融合，得到N个第一目标特征；对所述N个第一目标特征分别进行特征提取，得到N个第二分类特征；针对每个任务索引，从所述N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三分类特征；基于N个所述第三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；
确定模块，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；
更新模块，用于基于N个所述网络损失值，更新所述目标模型中的网络参数。
12.根据权利要求11所述的装置，还包括：
第二获取模块，用于获取所述任务索引对应任务的历史特征统计信息；
所述操作模块包括正则化处理单元，所述正则化处理单元，具体用于：
基于所述历史特征统计信息和所述任务索引对应的第二分类特征，确定所述任务索引对应任务的第二特征统计信息；
基于所述第二特征统计信息对所述任务索引对应的第二分类特征进行归一化操作，得到所述任务索引对应的第三分类特征。
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1-4中任一项所述的方法，或者执行权利要求5-6中任一项所述的方法。
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1-4中任一项所述的方法，或者执行根据权利要求5-6中任一项所述的方法。
CN202210096251.9A 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 CN114494818B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202210096251.9A CN114494818B (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
US17/883,248 US20220383626A1 (en) 2022-01-26 2022-08-08 Image processing method, model training method, relevant devices and electronic device
JP2022142211A JP2022172322A (ja) 2022-01-26 2022-09-07 画像処理方法、モデル訓練方法、関連装置及び電子機器
KR1020230007831A KR20230020454A (ko) 2022-01-26 2023-01-19 이미지 처리 방법, 모델 트레이닝 방법, 관련 장치 및 전자 기기

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210096251.9A CN114494818B (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
CN114494818A CN114494818A (zh) 2022-05-13
CN114494818B true CN114494818B (zh) 2023-07-25

Family

ID=81477187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210096251.9A Active CN114494818B (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 (4)

Country Link
US (1) US20220383626A1 (zh)
JP (1) JP2022172322A (zh)
KR (1) KR20230020454A (zh)
CN (1) CN114494818B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107885764A (zh) * 2017-09-21 2018-04-06 银江股份有限公司 基于多任务深度学习快速哈希车辆检索方法
CN111353505A (zh) * 2020-05-25 2020-06-30 南京邮电大学 可联合实现语义分割和景深估计的网络模型及训练方法
CN112364631A (zh) * 2020-09-21 2021-02-12 山东财经大学 基于层级多任务学习的中文语法错误检测方法及系统
CN112633419A (zh) * 2021-03-09 2021-04-09 浙江宇视科技有限公司 小样本学习方法、装置、电子设备和存储介质
CN112989097A (zh) * 2021-03-23 2021-06-18 北京百度网讯科技有限公司 模型训练、图片检索方法及装置
CN113361578A (zh) * 2021-05-31 2021-09-07 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
CN113591918A (zh) * 2021-06-29 2021-11-02 北京百度网讯科技有限公司 图像处理模型的训练方法、图像处理方法、装置和设备
CN113821667A (zh) * 2021-06-11 2021-12-21 腾讯科技（深圳）有限公司 基于人工智能的图像处理方法、装置及电子设备
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107885764A (zh) * 2017-09-21 2018-04-06 银江股份有限公司 基于多任务深度学习快速哈希车辆检索方法
CN111353505A (zh) * 2020-05-25 2020-06-30 南京邮电大学 可联合实现语义分割和景深估计的网络模型及训练方法
CN112364631A (zh) * 2020-09-21 2021-02-12 山东财经大学 基于层级多任务学习的中文语法错误检测方法及系统
CN112633419A (zh) * 2021-03-09 2021-04-09 浙江宇视科技有限公司 小样本学习方法、装置、电子设备和存储介质
CN112989097A (zh) * 2021-03-23 2021-06-18 北京百度网讯科技有限公司 模型训练、图片检索方法及装置
CN113361578A (zh) * 2021-05-31 2021-09-07 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
CN113821667A (zh) * 2021-06-11 2021-12-21 腾讯科技（深圳）有限公司 基于人工智能的图像处理方法、装置及电子设备
CN113591918A (zh) * 2021-06-29 2021-11-02 北京百度网讯科技有限公司 图像处理模型的训练方法、图像处理方法、装置和设备
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
JP2022172322A (ja) 2022-11-15
KR20230020454A (ko) 2023-02-10
CN114494818A (zh) 2022-05-13
US20220383626A1 (en) 2022-12-01

Similar Documents

Publication Publication Date Title
CN112801164A (zh) 目标检测模型的训练方法、装置、设备及存储介质
CN112966742A (zh) 模型训练方法、目标检测方法、装置和电子设备
CN112560874A (zh) 图像识别模型的训练方法、装置、设备和介质
CN113436100B (zh) 用于修复视频的方法、装置、设备、介质和产品
CN114186632A (zh) 关键点检测模型的训练方法、装置、设备、存储介质
CN113627536B (zh) 模型训练、视频分类方法，装置，设备以及存储介质
CN113657269A (zh) 人脸识别模型的训练方法、装置及计算机程序产品
CN112949767A (zh) 样本图像增量、图像检测模型训练及图像检测方法
CN115797565B (zh) 三维重建模型训练方法、三维重建方法、装置及电子设备
CN113643260A (zh) 用于检测图像质量的方法、装置、设备、介质和产品
CN113705362A (zh) 图像检测模型的训练方法、装置、电子设备及存储介质
CN113627361B (zh) 人脸识别模型的训练方法、装置及计算机程序产品
CN115359308A (zh) 模型训练、难例识别方法、装置、设备、存储介质及程序
CN113657468A (zh) 预训练模型的生成方法、装置、电子设备和存储介质
CN114494782B (zh) 图像处理方法、模型训练方法、相关装置及电子设备
CN114494818B (zh) 图像处理方法、模型训练方法、相关装置及电子设备
CN114926447B (zh) 用于训练模型的方法、用于检测目标的方法和装置
CN115482422B (zh) 深度学习模型的训练方法、图像处理方法和装置
CN113378773B (zh) 手势识别方法、装置、设备、存储介质以及程序产品
CN114494817A (zh) 图像处理方法、模型训练方法、相关装置及电子设备
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
CN114037865B (zh) 图像处理方法、装置、设备、存储介质和程序产品
CN115168852A (zh) 恶意代码检测系统训练方法及装置、电子设备和存储介质
CN113313049A (zh) 超参数的确定方法、装置、设备、存储介质以及计算机程序产品
CN114359561A (zh) 一种目标检测方法及目标检测模型的训练方法、装置

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