CN114758114A - 模型更新方法、图像处理方法、装置、电子设备及介质 - Google Patents

模型更新方法、图像处理方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN114758114A
CN114758114A CN202210370126.2A CN202210370126A CN114758114A CN 114758114 A CN114758114 A CN 114758114A CN 202210370126 A CN202210370126 A CN 202210370126A CN 114758114 A CN114758114 A CN 114758114A
Authority
CN
China
Prior art keywords
image processing
model
data
processing model
processed
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.)
Pending
Application number
CN202210370126.2A
Other languages
English (en)
Inventor
杨尊程
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 CN202210370126.2A priority Critical patent/CN114758114A/zh
Publication of CN114758114A publication Critical patent/CN114758114A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/042Knowledge-based neural networks; Logical representations of neural networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/04Inference or reasoning models

Landscapes

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

Abstract

本公开提供了一种模型更新方法、图像处理方法、装置、电子设备及介质,涉及人工智能技术领域,具体为深度学习、图像处理、计算机视觉技术领域,可应用于OCR等场景。实现方案为:获取待处理模型数据,其中,待处理模型数据至少包括图像处理模型;基于待处理模型数据,确定与图像处理模型相对应的预处理操作,其中,预处理操作能够用于生成图像处理模型所对应的输入图像;以及针对预处理操作中的任意一者,将用于执行该预处理操作的更新数据写入图像处理模型之中。

Description

模型更新方法、图像处理方法、装置、电子设备及介质
技术领域
本公开涉及人工智能技术领域,具体为深度学习、图像处理、计算机视觉技术领域,可应用于OCR等场景,具体涉及一种模型更新的方法、图像处理方法、装置、模型、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术、人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种模型更新的方法、图像处理方法、装置、模型、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种图像处理模型的更新方法,包括:获取待处理模型数据,其中,待处理模型数据至少包括图像处理模型;基于待处理模型数据,确定与图像处理模型相对应的预处理操作,其中,预处理操作能够用于生成图像处理模型所对应的输入图像;以及针对预处理操作中的任意一者,将用于执行该预处理操作的更新数据写入图像处理模型之中。
根据本公开的一方面,提供了一种图像处理方法,包括:将待处理图像输入图像处理模型,以得到对待处理图像的处理结果,其中,图像处理模型通过上述方法而更新得到。
根据本公开的一方面,提供了一种图像处理模型的更新装置,包括:获取单元,被配置用于获取待处理模型数据,其中,待处理模型数据至少包括图像处理模型;确定单元,被配置用于基于待处理模型数据,确定与图像处理模型相对应的预处理操作,其中,预处理操作能够用于生成图像处理模型所对应的输入图像;以及写入单元,被配置用于针对预处理操作中的任意一者,将用于执行该预处理操作的更新数据写入图像处理模型之中。
根据本公开的另一方面,提供了一种图像处理模型,其中,图像处理模型通过上述的更新方法而更新得到。
根据本公开的另一方面,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,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上述任意一种方法。
根据本公开的另一方面,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,计算机指令用于使计算机执行上述任意一种方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时实现上述任意一种方法。
根据本公开的一个或多个实施例,能够使更新后的图像处理模型兼具执行预处理的能力和执行推理的能力。
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
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开实施例的图像处理模型的更新方法的流程图;
图3示出了根据本公开实施例的图像处理模型的更新方法的示意图;
图4示出了根据本公开实施例的图像处理模型的示意图;
图5示出了根据本公开实施例的图像处理模型的更新装置的结构框图;以及
图6示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
在人工智能领域,通常需要借助经过训练的图像处理模型来实现诸如图像识别、图像搜索等功能。在实际应用中,待处理图像可能来源于多种不同的数据源,或者具有多种不同的数据格式和尺寸。在将待处理图像输入图像处理模型之前,需要根据图像处理模型对输入图像的要求,对待处理图像进行适应性地处理,这一过程被称为对待处理图像的预处理。
在相关技术中,对待处理图像的处理方法包含两个步骤:步骤一、对待处理图像执行一种或多种预处理操作,以生成能够满足图像处理模型的处理要求的输入图像;步骤二、将输入图像输入至图像处理模型中,以得到图像处理模型的处理结果。这种处理方法将针对待处理图像的预处理过程和推理过程割裂为两个分离的步骤,依赖额外的资源来控制预处理过程和推理过程的进行,同时造成了整体的处理效率难以提升。
基于此,本公开提出一种图像处理模型的更新方法,基于待处理模型数据,来确定与图像处理模型相对应的预处理操作,并针对预处理操作中的任意一者,将用于执行该预处理操作的更新数据写入图像处理模型之中。
本公开将用于执行预处理操作的更新数据写入图像处理模型,使得更新后的图像处理模型能够兼具执行预处理的能力和执行推理的能力。利用更新后的图像处理模型处理待处理图像时,能够将针对待处理图像的预处理过程并入至推理过程之中,无需额外的资源来控制预处理过程和推理过程的进行,提升了整体的处理效率。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行图像处理模型的更新方法或图像处理方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来获取和/或传送待处理图像。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统,例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统;或包括各种移动操作系统,例如MICROSOFT Windows Mobile OS、iOS、WindowsPhone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120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。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
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。
图2示出了根据本公开示例性实施例的一种图像处理模型的更新方法的流程图,该方法200包括:步骤S201、获取待处理模型数据,其中,待处理模型数据至少包括图像处理模型;步骤S202、基于待处理模型数据,确定与图像处理模型相对应的预处理操作,其中,预处理操作能够用于生成图像处理模型所对应的输入图像;以及步骤S203、针对预处理操作中的任意一者,将用于执行该预处理操作的更新数据写入图像处理模型之中。
由此,通过将用于执行预处理操作的更新数据写入图像处理模型,使得更新后的图像处理模型能够兼具执行预处理的能力和执行推理的能力。利用更新后的图像处理模型处理待处理图像时,能够将针对待处理图像的预处理过程并入至推理过程之中,无需额外的资源来控制预处理过程和推理过程的进行,提升了整体的处理效率。
此外,由于图像处理模型往往配置有性能加速功能,通过将预处理过程并入至图像处理模型的推理过程之中,能够使预处理过程利用图像处理模型中的性能加速功能来提升执行效率,图像处理过程的整体效率得以进一步提升。
其中,图像处理模型经过预先的训练,能够实现诸如图像识别、图像搜索等功能。预处理操作中可以包含一个或多个操作。
根据一些实施例,图像处理模型所对应的预处理操作可以包括以下至少一种:灰度化处理、几何变换处理和图像增强处理。其中,灰度化处理可以包括将彩色图像转换为灰度图像;几何变换处理可以包括缩放图像大小、对图像做特定角度的旋转等;图像增强处理可以包括对图像做左右镜像转换等。
针对上述步骤S202,本公开提供多种实施例以实现自动化地确定与图像处理模型相对应的预处理操作,避免了人为主观判断可能导致的错误。
根据一些实施例,基于待处理模型数据,确定与图像处理模型相对应的预处理操作可以包括:提取图像处理模型的特征信息;以及基于预设的第一映射关系,将特征信息映射为预处理操作。
如此,在不存在额外的信息的情况下,可以根据图像处理模型本身的特征信息,来确定其所对应的预处理操作,避免了确定预处理操作时对其它信息的依赖。
其中,第一映射关系可以为预先建立的特征信息和预处理操作之间的对应关系。例如,预先确定领域内用于执行图像处理的多种参考模型,针对每一种参考模型,提取该参考模型的参考信息,并基于该参考模型对输入图像的要求,建立起该参考信息与预处理操作的映射关系。
如此,在提取出图像处理模型的特征信息之后,可以将该特征信息与预存的多个参考信息进行匹配,并将与该特征信息匹配度最高的参考信息所对应的预处理操作确定为与图像处理模型相对应的预处理操作。
根据一些实施例,特征信息可以包括以下至少一种:图像处理模型的网络结构信息和图像处理模型所对应的输入图像的参数信息。由于图像处理模型的网络结构信息和输入图像的参数信息对输入图像具有约束作用,因此,可以将其作为特征信息,来确定图像处理模型所对应的预处理操作。
其中,网络结构信息可以进一步包括图像处理模型中的网络层的类型和不同的网络层之间的排列顺序中的至少一者,输入图像的参数信息可以进一步包括图像处理模型所对应的输入图像的尺寸等。
根据一些实施例,待处理模型数据还可以包括用于训练图像处理模型的训练数据,训练数据中包含用于生成输入图像的第一函数,并且其中,基于待处理模型数据,确定与图像处理模型相对应的预处理操作可以包括:基于第一函数,确定预处理操作。
其中,对图像处理模型的训练过程基于图像处理模型对样本图像的处理而实现。为了使样本图像能够满足图像处理模型对输入图像的要求,训练数据中包含用于处理样本图像的第一函数,以使经过第一函数处理的样本图像能够转换为适用于图像处理模型的输入图像。第一函数与图像处理模型相对应的预处理操作相对应,通过该第一函数能够方便地确定该预处理操作。
根据一些实施例,待处理模型数据还包括用于通过图像处理模型来执行图像处理的推理数据,推理数据中包含用于生成输入图像的第二函数,并且其中,基于待处理模型数据,确定与图像处理模型相对应的预处理操作包括:基于第二函数,确定预处理操作。
其中,基于图像处理模型的推理过程基于图像处理模型对参考图像的处理而实现。为了使参考图像能够满足图像处理模型对输入图像的要求,推理数据中包含用于处理参考图像的第二函数,以使经过第二函数处理的参考图像能够转换为适用于图像处理模型的输入图像。第二函数与图像处理模型相对应的预处理操作相对应,通过该第二函数能够方便地确定该预处理操作。
根据一些实施例,待处理模型数据还可以包括用于标识图像处理模型所对应的预处理操作的配置数据,并且其中,基于待处理模型数据,确定与图像处理模型相对应的预处理操作可以包括:基于配置数据,确定预处理操作。
通过配置文件来指示图像处理模型相对应的预处理操作,能够直接、准确地确定该预处理操作。
针对步骤S203,更新数据可以为能够用于执行该预处理操作的网络层。
根据一些实施例,预先确定领域中的多个参考操作,针对多个参考操作中的每一者,建立起该参考操作与网络层之间的第二映射关系,其中,该参考操作所对应的网络层能够用于执行该参考操作。
如此,在确定图像处理模型所对应的预处理操作之后,针对预处理操作中的每一者,可以将该预处理操作与预存的多个参考操作进行匹配,并将与该预处理操作匹配度最高的参考操作所对应的网络层,确定为用于执行该预处理操作的网络层。
根据一些实施例,将用于执行该预处理操作的更新数据写入图像处理模型之中包括:将网络层写入图像处理模型的输入端。如此,能够将经过网络层处理的处理结果用于后续的推理过程之中。
图3示出了根据本公开示例性实施例的一种图像处理模型的更新方法的示意图,其中,图像处理模型301为运行更新模型300所必须的待处理模型数据,而训练数据302、推理数据303和配置数据304为运行更新模型300时可选的待处理模型数据。
如图3所示,在待处理模型数据中仅含有图像处理模型301的情况下,通过更新模型300中的图像处理模型分析模块310执行对图像处理模型301的处理,以确定与图像处理模型301相对应的预处理操作305。
在待处理模型数据中含有图像处理模型301和训练数据302的情况下,通过更新模型300中的训练数据分析模块320执行对训练数据302的处理,以确定与图像处理模型301相对应的预处理操作305。在此情况下,图像处理模型分析模块310可以并行地执行对图像处理模型301的处理,并基于图像处理模型分析模块310和训练数据分析模块320两者的处理结果,共同确定与图像处理模型301相对应的预处理操作305。
在待处理模型数据中含有图像处理模型301和推理数据303的情况下,通过更新模型300中的推理数据分析模块330执行对推理数据303的处理,以确定与图像处理模型301相对应的预处理操作305。在此情况下,图像处理模型分析模块310可以并行地执行对图像处理模型301的处理,并基于图像处理模型分析模块310和推理数据分析模块330两者的处理结果,共同确定与图像处理模型301相对应的预处理操作305。
在待处理模型数据中含有图像处理模型301和配置数据304的情况下,通过更新模型300中的配置数据分析模块340执行对配置数据304的处理,以确定与图像处理模型301相对应的预处理操作305。在此情况下,图像处理模型分析模块310可以并行地执行对图像处理模型301的处理,并基于图像处理模型分析模块310和配置数据分析模块340两者的处理结果,共同确定与图像处理模型301相对应的预处理操作305。
可以理解,在待处理模型数据中同时包括训练数据302、推理数据303和配置数据304中的至少两个的情况下,也可以同时应用训练数据分析模块320、推理数据分析模块330和配置数据分析模块340中相应的至少两个,来共同确定预处理操作305。
基于图像处理模型301、训练数据302、推理数据303和配置数据304来确定预处理操作305的方法与上文中所提及的确定预处理操作的方法类似,在此不再赘述。
根据确定的预处理操作305,可以将相应的更新数据写入图像处理模型301之中,生成更新后的图像处理模型306。
根据本公开的实施例,还提供了一种图像处理模型,其中,图像处理模型通过以上任意一种方法而更新得到。
图4示出了根据本公开示例性实施例的一种图像处理模型的示意图,如图4所示,更新后的图像处理模型420可以由更新数据所构成的多个网络层411和更新前的图像处理模型412构成。
根据本公开的实施例,还提供了一种图像处理方法,包括:将待处理图像输入图像处理模型,以得到对待处理图像的处理结果,其中,图像处理模型通过上述任意一种方法而更新得到。
基于经过更新的图像处理模型执行图像处理时,无需对输入的待处理图像进行额外的预处理操作,预处理过程和推理过程能够合二为一,无需额外的资源来保证这两个步骤的有序执行,同时,能够有效地提升整体的处理效率。
仍以图4为例,将待处理图像输入经过更新的图像处理模型420,待处理图像先输入图像处理模型420中的多个网络层411(即更新数据),多个网络层411对待处理图像执行相应的预处理操作,并将处理结果输入至更新前的图像处理模型412,最终,将更新前的图像处理模型412的处理结果作为更新后的图像处理模型420的输出。
图5示出了根据本公开示例性实施例的一种图像处理模型的更新装置的结构框图,该更新装置500包括:获取单元501,被配置用于获取待处理模型数据,其中,待处理模型数据至少包括图像处理模型;确定单元502,被配置用于基于待处理模型数据,确定与图像处理模型相对应的预处理操作,其中,预处理操作能够用于生成图像处理模型所对应的输入图像;以及写入单元503,被配置用于针对预处理操作中的任意一者,将用于执行该预处理操作的更新数据写入图像处理模型之中。
根据一些实施例,确定单元包括:提取子单元,被配置用于提取图像处理模型的特征信息;以及映射子单元,被配置用于基于预设的第一映射关系,将特征信息映射为预处理操作。
根据一些实施例,特征信息包括以下至少一种:图像处理模型的网络结构信息;和图像处理模型所对应的输入图像的参数信息。
根据一些实施例,待处理模型数据还包括用于训练图像处理模型的训练数据,训练数据中包含用于生成输入图像的第一函数,并且其中,确定单元包括:第一确定子单元,被配置用于基于第一函数,确定预处理操作。
根据一些实施例,待处理模型数据还包括用于通过图像处理模型来执行图像处理的推理数据,推理数据中包含用于生成输入图像的第二函数,并且其中,确定单元包括:第二确定子单元,被配置用于基于第二函数,确定预处理操作。
根据一些实施例,待处理模型数据还包括用于标识图像处理模型所对应的预处理操作的配置数据,并且其中,确定单元包括:第三确定子单元,被配置用于基于配置数据,确定预处理操作。
根据一些实施例,更新数据为能够用于执行该预处理操作的网络层。
根据一些实施例,写入单元包括:写入子单元,被配置用于将网络层写入图像处理模型的输入端。
根据一些实施例,预处理操作包括以下至少一种:灰度化处理;几何变换处理;和图像增强处理。
根据本公开的实施例,还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,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以上任意一种方法。
根据本公开的实施例,还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,计算机指令用于使计算机执行以上任意一种方法。
根据本公开的实施例,还提供了一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时实现以上任意一种方法。
参考图6,现将描述可以作为本公开的服务器或客户端的电子设备600的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,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6所示,电子设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM603中,还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
电子设备600中的多个部件连接至I/O接口605,包括:输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向电子设备600输入信息的任何类型的设备,输入单元606可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元607可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元609允许电子设备600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,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元601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601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601执行上文所描述的各个方法和处理,例如图像处理模型的更新方法或图像处理方法。例如,在一些实施例中,图像处理模型的更新方法或图像处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的图像处理模型的更新方法或图像处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行图像处理模型的更新方法或图像处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、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,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、也可以顺序地或以不同的次序执行,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。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (23)

1.一种图像处理模型的更新方法,包括:
获取待处理模型数据,其中,所述待处理模型数据至少包括所述图像处理模型;
基于所述待处理模型数据,确定与所述图像处理模型相对应的预处理操作,其中,所述预处理操作能够用于生成所述图像处理模型所对应的输入图像;以及
针对所述预处理操作中的任意一者,将用于执行该预处理操作的更新数据写入所述图像处理模型之中。
2.根据权利要求1所述的方法,其中,所述基于所述待处理模型数据,确定与所述图像处理模型相对应的预处理操作包括:
提取所述图像处理模型的特征信息;以及
基于预设的第一映射关系,将所述特征信息映射为所述预处理操作。
3.根据权利要求2所述的方法,其中,所述特征信息包括以下至少一种:
所述图像处理模型的网络结构信息;和
所述图像处理模型所对应的输入图像的参数信息。
4.根据权利要求1至3中任意一项所述的方法,其中,所述待处理模型数据还包括用于训练所述图像处理模型的训练数据,所述训练数据中包含用于生成所述输入图像的第一函数,
并且其中,所述基于所述待处理模型数据,确定与所述图像处理模型相对应的预处理操作包括:
基于所述第一函数,确定所述预处理操作。
5.根据权利要求1至3中任意一项所述的方法,其中,所述待处理模型数据还包括用于通过所述图像处理模型来执行图像处理的推理数据,所述推理数据中包含用于生成所述输入图像的第二函数,
并且其中,所述基于所述待处理模型数据,确定与所述图像处理模型相对应的预处理操作包括:
基于所述第二函数,确定所述预处理操作。
6.根据权利要求1至3中任意一项所述的方法,其中,所述待处理模型数据还包括用于标识所述图像处理模型所对应的预处理操作的配置数据,
并且其中,所述基于所述待处理模型数据,确定与所述图像处理模型相对应的预处理操作包括:
基于所述配置数据,确定所述预处理操作。
7.根据权利要求1至6中任意一项所述的方法,其中,所述更新数据为能够用于执行该预处理操作的网络层。
8.根据权利要求7所述的方法,其中,所述将用于执行该预处理操作的更新数据写入所述图像处理模型之中包括:
将所述网络层写入所述图像处理模型的输入端。
9.根据权利要求1至8中任意一项所述的方法,其中,所述预处理操作包括以下至少一种:
灰度化处理;
几何变换处理;和
图像增强处理。
10.一种图像处理方法,包括:
将待处理图像输入图像处理模型,以得到对所述待处理图像的处理结果,
其中,所述图像处理模型通过权利要求1至9中任意一项所述的方法而更新得到。
11.一种图像处理模型的更新装置,包括:
获取单元,被配置用于获取待处理模型数据,其中,所述待处理模型数据至少包括所述图像处理模型;
确定单元,被配置用于基于所述待处理模型数据,确定与所述图像处理模型相对应的预处理操作,其中,所述预处理操作能够用于生成所述图像处理模型所对应的输入图像;以及
写入单元,被配置用于针对所述预处理操作中的任意一者,将用于执行该预处理操作的更新数据写入所述图像处理模型之中。
12.根据权利要求11所述的装置,其中,所述确定单元包括:
提取子单元,被配置用于提取所述图像处理模型的特征信息;以及
映射子单元,被配置用于基于预设的第一映射关系,将所述特征信息映射为所述预处理操作。
13.根据权利要求12所述的装置,其中,所述特征信息包括以下至少一种:
所述图像处理模型的网络结构信息;和
所述图像处理模型所对应的输入图像的参数信息。
14.根据权利要求11至13中任意一项所述的装置,其中,所述待处理模型数据还包括用于训练所述图像处理模型的训练数据,所述训练数据中包含用于生成所述输入图像的第一函数,
并且其中,所述确定单元包括:
第一确定子单元,被配置用于基于所述第一函数,确定所述预处理操作。
15.根据权利要求11至13中任意一项所述的装置,其中,所述待处理模型数据还包括用于通过所述图像处理模型来执行图像处理的推理数据,所述推理数据中包含用于生成所述输入图像的第二函数,
并且其中,所述确定单元包括:
第二确定子单元,被配置用于基于所述第二函数,确定所述预处理操作。
16.根据权利要求11至13中任意一项所述的装置,其中,所述待处理模型数据还包括用于标识所述图像处理模型所对应的预处理操作的配置数据,
并且其中,所述确定单元包括:
第三确定子单元,被配置用于基于所述配置数据,确定所述预处理操作。
17.根据权利要求11至16中任意一项所述的装置,其中,所述更新数据为能够用于执行该预处理操作的网络层。
18.根据权利要求17所述的装置,其中,所述写入单元包括:
写入子单元,被配置用于将所述网络层写入所述图像处理模型的输入端。
19.根据权利要求11至18中任意一项所述的装置,其中,所述预处理操作包括以下至少一种:
灰度化处理;
几何变换处理;和
图像增强处理。
20.一种图像处理模型,其中,所述图像处理模型通过权利要求1至9中任意一项所述的方法而更新得到。
21.一种电子设备,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1-10中任一项所述的方法。
22.一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计算机执行根据权利要求1-10中任一项所述的方法。
23.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-10中任一项所述的方法。
CN202210370126.2A 2022-04-08 2022-04-08 模型更新方法、图像处理方法、装置、电子设备及介质 Pending CN114758114A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210370126.2A CN114758114A (zh) 2022-04-08 2022-04-08 模型更新方法、图像处理方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210370126.2A CN114758114A (zh) 2022-04-08 2022-04-08 模型更新方法、图像处理方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN114758114A true CN114758114A (zh) 2022-07-15

Family

ID=82328785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210370126.2A Pending CN114758114A (zh) 2022-04-08 2022-04-08 模型更新方法、图像处理方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN114758114A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190163702A1 (en) * 2017-11-28 2019-05-30 Samsung Electronics Co., Ltd. Image display apparatus and method of operating the same
CN110866872A (zh) * 2019-10-10 2020-03-06 北京邮电大学 一种路面裂缝图片预处理智能选择方法、装置及电子设备
CN111863206A (zh) * 2020-07-24 2020-10-30 上海联影医疗科技有限公司 一种图像预处理方法、装置、设备及存储介质
CN113011575A (zh) * 2019-12-19 2021-06-22 华为技术有限公司 神经网络模型更新方法、图像处理方法及装置
US20210192279A1 (en) * 2019-12-19 2021-06-24 Varian Medical Systems International Ag Systems and methods for scalable segmentation model training
CN113570060A (zh) * 2021-07-23 2021-10-29 作业帮教育科技(北京)有限公司 一种模型推理优化方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190163702A1 (en) * 2017-11-28 2019-05-30 Samsung Electronics Co., Ltd. Image display apparatus and method of operating the same
CN110866872A (zh) * 2019-10-10 2020-03-06 北京邮电大学 一种路面裂缝图片预处理智能选择方法、装置及电子设备
CN113011575A (zh) * 2019-12-19 2021-06-22 华为技术有限公司 神经网络模型更新方法、图像处理方法及装置
US20210192279A1 (en) * 2019-12-19 2021-06-24 Varian Medical Systems International Ag Systems and methods for scalable segmentation model training
CN111863206A (zh) * 2020-07-24 2020-10-30 上海联影医疗科技有限公司 一种图像预处理方法、装置、设备及存储介质
CN113570060A (zh) * 2021-07-23 2021-10-29 作业帮教育科技(北京)有限公司 一种模型推理优化方法和装置

Similar Documents

Publication Publication Date Title
CN113807440B (zh) 利用神经网络处理多模态数据的方法、设备和介质
CN114612749B (zh) 神经网络模型训练方法及装置、电子设备和介质
CN113256583A (zh) 图像质量检测方法及装置、计算机设备和介质
CN112967356A (zh) 图像填充方法及装置、电子设备和介质
CN115601555A (zh) 图像处理方法及装置、设备和介质
CN116306396A (zh) 芯片验证方法及装置、设备和介质
CN114547252A (zh) 文本识别方法、装置、电子设备和介质
CN116152607A (zh) 目标检测方法、训练目标检测模型的方法及装置
CN114140547B (zh) 图像生成方法和装置
CN115578501A (zh) 图像处理方法、装置、电子设备和存储介质
CN115393514A (zh) 三维重建模型的训练方法、三维重建方法、装置、设备
CN114429678A (zh) 模型训练方法及装置、电子设备和介质
CN114494797A (zh) 用于训练图像检测模型的方法和装置
CN114693977A (zh) 图像处理方法、模型训练方法、装置、设备及介质
CN114429548A (zh) 图像处理方法、神经网络及其训练方法、装置和设备
CN114140852A (zh) 图像检测方法和装置
CN114758114A (zh) 模型更新方法、图像处理方法、装置、电子设备及介质
CN117218499B (zh) 面部表情捕捉模型的训练方法、面部表情驱动方法和装置
CN116881485B (zh) 生成图像检索索引的方法及装置、电子设备和介质
CN114117046B (zh) 数据处理方法、装置、电子设备及介质
CN113961633A (zh) 数据处理方法、系统、电子设备和计算机存储介质
CN114882331A (zh) 图像处理方法、装置、设备和介质
CN114612617A (zh) 图像处理方法、装置、电子设备和介质
CN114219079A (zh) 特征选择方法及装置、模型训练方法及装置、设备和介质
CN114494810A (zh) 图像处理方法、神经网络及其训练方法、装置和设备

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