CN115578584B - 图像处理方法、图像处理模型的构建和训练方法 - Google Patents

Abstract

本公开提供了一种图像处理方法、图像处理模型的构建和训练方法，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，可应用于人脸识别等场景。实现方案为：获得目标图像；基于目标图像，获得与目标图像对应的按顺序排列的第一数量的第一维度的初始向量；基于第一数量的第一维度的初始向量，获得第二数量的第一维度的第一更新向量，第二数量大于第一数量；对第二数量的第一维度的第一更新向量进行特征提取，以获得第一特征；以及基于第一特征，获得目标图像的分类结果，分类结果指示目标图像对应于多个类别中的第一类别。

Description

图像处理方法、图像处理模型的构建和训练方法

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，可应用于人脸识别等场景，具体涉及一种图像处理方法、图像处理模型的构建和训练方法、装置、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、大数据技术、知识图谱技术等几大方向。

基于人工智能的图像处理技术，通过将图像输入到图像处理模型，获得图像的识别结果，广泛应用于各种场景，例如，人脸识别、动植物识别等等。

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

本公开提供了一种图像处理方法、图像处理模型的构建和训练方法、装置、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方法，包括：获得目标图像；基于所述目标图像，获得与所述目标图像对应的按顺序排列的第一数量的第一维度的初始向量；基于所述第一数量的第一维度的初始向量，获得第二数量的所述第一维度的第一更新向量，所述第二数量大于所述第一数量；对所述第二数量的所述第一维度的第一更新向量进行特征提取，以获得第一特征；以及基于所述第一特征，获得所述目标图像的分类结果，所述分类结果指示所述目标图像对应于多个类别中的第一类别。

根据本公开的另一方面，提供了一种图像处理模型的构建方法，包括：获得经训练的第一模型，所述第一模型包括第一特征提取层，所述第一特征提取层用于对按顺序排列的多个第一维度的向量执行特征提取，以输出多个所述第一维度的第一特征向量；获得与所述第一特征提取层相应的第一动态向量学习模块，所述第一动态向量学习模块包括由至少两个参数构成的所述第一维度的第一参数向量；以及基于所述第一模型和所述第一动态向量学习模块，构建所述图像处理模型，其中，所述图像处理模型包括所述第一特征提取层和所述第一动态向量学习模块，在所述图像处理模型中，所述第一动态向量学习模块用于基于所述第一参数向量对输入所述图像处理模型的第一数量的第一维度的初始向量进行处理，以获得第二数量的所述第一维度的第一更新向量，所述第二数量大于所述第一数量，所述第一特征提取层用于对所述第二数量的所述第一维度的第一更新向量执行特征提取，以输出所述第二数量的所述第一维度的第一特征向量。

根据本公开的另一方面，提供了一种图像处理模型的训练方法，其中，所述图像处理模型包括第一动态向量学习模块和经训练的第一特征提取层，所述方法包括：获得训练图像，所述训练图像具有相应的标注标签，所述标注标签指示所述训练图像对应于多个分类中的一个分类；基于所述训练图像，获得所述训练图像对应的按顺序排列的第一数量的第一维度的图像向量；通过将所述第一数量的所述第一维度的图像向量输入第一动态向量学习模块，根据第一参数向量对所述第一数量的第一维度的图像向量进行处理，得到第二数量的所述第一维度的第一更新向量，所述第一动态向量学习模块包括由至少两个参数构成的所述第一维度的所述第一参数向量；将所述第一数量的所述第一维度的第一更新向量输入到第一特征提取层，以获得第三数量的第一维度的第一特征向量；基于所述第三数量的第一维度的第一特征向量，获得所述训练对应的图像特征；基于所述图像特征，获得所述训练图像在所述多个分类中的预测分类；以及基于所述标注标签和所述预测分类，调整所述第一动态向量学习模块中的多个参数。

根据本公开的另一方面，提供了一种图像处理装置，包括：目标图像获取单元，被配置用于获得目标图像；初始向量获取单元，被配置用于基于所述目标图像，获得与所述目标图像对应的按顺序排列的第一数量的第一维度的初始向量；第一更新向量获取单元，被配置用于基于所述第一数量的第一维度的初始向量，获得第二数量的所述第一维度的第一更新向量，所述第二数量大于所述第一数量；第一特征提取单元，被配置用于对所述第二数量的所述第一维度的第一更新向量进行特征提取，以获得第一特征；以及分类结果获取单元，被配置用于基于所述第一特征，获得所述目标图像的分类结果，所述分类结果指示所述目标图像对应于多个类别中的第一类别。

根据本公开的另一方面，提供了一种图像处理模型的构建装置，包括：第一模型获取单元，被配置用于获得经训练的第一模型，所述第一模型包括第一特征提取层，所述第一特征提取层用于对按顺序排列的多个第一维度的向量执行特征提取，以输出多个所述第一维度的第一特征向量；第一动态向量学习模块获取单元，被配置用于获得与所述第一特征提取层相应的第一动态向量学习模块，所述第一动态向量学习模块包括由至少两个参数构成的所述第一维度的第一参数向量；以及构建单元，被配置用于基于所述第一模型和所述第一动态向量学习模块，构建所述图像处理模型，其中，所述图像处理模型包括所述第一特征提取层和所述第一动态向量学习模块，在所述图像处理模型中，所述第一动态向量学习模块用于基于所述第一参数向量对输入所述图像处理模型的第一数量的第一维度的初始向量进行处理，以获得第二数量的所述第一维度的第一更新向量，所述第二数量大于所述第一数量，所述第一特征提取层用于对所述第二数量的所述第一维度的第一更新向量执行特征提取，以输出所述第二数量的所述第一维度的第一特征向量。

根据本公开的另一方面，提供了一种图像处理模型的训练装置，其中，所述图像处理模型包括第一动态向量学习模块和经训练的第一特征提取层，所述装置包括：训练图像获取单元，被配置用于获得训练图像，所述训练图像具有相应的标注标签，所述标注标签指示所述训练图像对应于多个分类中的一个分类；图像向量获取单元，被配置用于基于所述训练图像，获得所述训练图像对应的按顺序排列的第一数量的第一维度的图像向量；第一更新向量获取单元，被配置用于通过将所述第一数量的所述第一维度的图像向量输入第一动态向量学习模块，根据第一参数向量对所述第一数量的第一维度的图像向量进行处理，得到第二数量的所述第一维度的第一更新向量，所述第一动态向量学习模块包括由至少两个参数构成的所述第一维度的所述第一参数向量；第一特征向量获取单元，被配置用于将所述第一数量的所述第一维度的第一更新向量输入到第一特征提取层，以获得第三数量的第一维度的第一特征向量；图像特征获取单元，被配置用于基于所述第三数量的第一维度的第一特征向量，获得所述训练对应的图像特征；预测分类获取单元，被配置用于基于所述图像特征，获得所述训练图像在所述多个分类中的预测分类；以及参数调整单元，被配置用于基于所述标注标签和所述预测分类，调整所述第一动态向量学习模块中的多个参数。

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根据本公开的实施例所述的方法。

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，所述计算机指令用于使所述计算机执行根据本公开的实施例所述的方法。

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，所述计算机程序在被处理器执行时实现根据本公开的实施例所述的方法。

根据本公开的一个或多个实施例，可以提升图像分类结果的准确性，实现图像分类任务的场景迁移。

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示出了根据本公开的实施例的图像处理方法的流程图；

图3示出了根据本公开的实施例的图像处理方法中所使用的动态向量模块的训练过程中所使用的第二网络的示意图；

图4示出了根据本公开的实施例的图像处理模型的构建方法的流程图；

图5示出了根据本公开的实施例的图像处理模型的构建方法中所构建的图像处理模型的示意图；

图6示出了根据本公开的实施例的图像处理模型的训练方法的流程图；

图7示出了根据本公开的实施例的图像处理装置的结构框图；

图8示出了根据本公开的实施例的图像处模型的构建装置的结构框图；

图9示出了根据本公开的实施例的图像处模型的训练装置的结构框图；以及

图10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。

在本公开中对各种所述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。

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根据本公开的实施例的图像分类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还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。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来接收根据本公开的实施例的图像分类方法的分类结果。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(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、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、区块链网络、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。

在相关技术中，通过对图像直接进行特征提取，以获得图像的图像特征，该图像特征所包含的信息仅仅用于识别该图像是否对应于相应的分类，使得图像的识别结果的准确性往往不高。

根据本公开的一方面，提供了一种图像处理方法。参看图2，根据本公开的一些实施例的图像处理方法200包括：

步骤S210：获得目标图像；

步骤S220：基于所述目标图像，获得与所述目标图像对应的按顺序排列的第一数量的第一维度的初始向量；

步骤S230：基于所述第一数量的第一维度的初始向量，获得第二数量的所述第一维度的第一更新向量，所述第二数量大于所述第一数量；

步骤S240：对所述第二数量的所述第一维度的第一更新向量进行特征提取，以获得第一特征；以及

步骤S250：基于所述第一特征，获得所述目标图像的分类结果，所述分类结果指示所述目标图像对应于多个类别中的第一类别。

在获得目标图像的图像特征的过程中，通过获得目标图像的第一数量的第一维度的初始向量，并对该第一数量的初始向量进行处理，使得第一数量的第一维度的初始向量，增加到第二数量的第一维度的第一更新向量后，针对第二数量的第一更新向量进行特征提取以获得图像特征，使得所获得的图像特征是针对较目标图像本身所携带的信息更多的信息的第一更新向量进行特征提取后获得的，从而能够提升获得的图像特征的准确性，从而提升分类结果的准确性。

例如，在一些应用中，往往通过图像识别模型提取图像的图像特征，并基于图像的图像特征获得分类结果，其中，图像识别模型是采用训练数据集训练获得的，由于训练数据集的局限性，其不可能覆盖所有可能出现的图像样本，使得训练后的图像分类模型仅仅能根据训练数据集中的特征进行分类，而在遇到无法正确识别的图像(又称坏样本(badcase)时，往往无法提取其中的特征，而无法获得准确的分类结果。在根据本公开的实施例中，针对坏样本，通过基于其对应的第一数量的第一维度的初始向量获得第二数量的第一维度的第一更新向量，该第一更新向量中可以包含坏样本所在的样本集的信息，从而使得在后续针对该第二数量的第一维度的第一更新向量进行特征提取后获得的图像特征中包含该坏样本所在的样本集的特征，因而能够基于其获得准确的分类结果。

同时，根据本公开的一些实施例中，在对目标图像进行特征提取后获得的图像特征本身适用于一种场景下的分类任务时，而第二数量的第一维度的第一更新向量所包括的增加的图像信息倾向于指示场景迁移任务对应的分类时，根据本公开的方法能够实现场景迁移任务。

在一些实施例中，目标图像是适用于图像分类任务的任意图像，例如，由摄像装置获取的图像，或者通过爬虫从网络上爬取的图像，在此并不限定。

在一些实施例中，通过将目标图像划分成尺寸相同的第一数量的图像块之后，通过对每个图像块进行编码，获得第一数量的第一维度的初始向量。例如，将图像划分为3*3个的图像块，从而获得9个初始向量。

在一些实施例中，通过将第一数量的第一维度的初始向量与第一维度的扩展向量进行融合，获得第二数量的第一维度的第一个更新向量。其中，第一维度的扩展向量可以是对应于第一图像集的聚类向量。该第一图像集可以是如上述示例中所述的图像分类模型无法正确识别的图像(又称坏样本(bad case)，也可以是场景迁移任务对应的图像集。

在一些实施例中，基于所述第一数量的第一维度的初始向量，获得第二数量的所述第一维度的第一更新向量包括：

通过将所述第一数量的第一维度的初始向量输入第一动态向量模块，根据第一参数向量对所述第一数量的第一维度的初始向量进行处理，得到所述第二数量的所述第一维度的第一更新向量，所述第一动态向量模块包括由至少两个参数构成的所述第一维度的所述第一参数向量，其中，

所述第一动态向量模块是采用第一训练图像训练第一网络获得的，所述第一网络包括经训练的第一特征提取层和所述第一动态向量模块，所述第一特征提取层是采用第二训练图像训练获得的，所述第一训练图像不同于所述第二训练图像，并且在训练所述第一网络的过程中调整所述第一动态训练模块的参数而不调整所述第一特征提取层的参数。

通过将第一数量的第一维度的初始向量输入至第一动态向量模块获得第二数量的第一维度的更新向量，由于第一动态向量模块是结合经训练的第一特征提取层进行训练获得的，使得第一动态向量模块在训练过程中能够利用第一特征提取层的识别能力，提升第一动态向量模块的识别能力，进而基于第一动态向量模块获得的第二数量的第一维度的第一更新向量中所包含的新增的图像信息能够精准描述相应的类别。同时，第一特征提取层和第二动态向量模块采用不同的训练数据训练，使得第一动态向量在训练之后能够具有与第一特征提取层不同的识别能力，当第一特征提取层和第一动态向量模块用于同一分类任务时，能够提升该分类任务的准确性(识别坏样本(bad case)的能力提升)。当第一特征提取层和由第一特征提取层和第一动态向量模块组成的第一网络用于不同分类任务时，能够实现场景迁移。

在一些实施例中，动态向量模块根据输入的第一数量的第一维度的初始向量，确定第一参数向量中的各个参数，从而提供一相应的第一维度的向量，并基于该第一维度的向量与第一维度的初始向量，获得第二数量的第一维度的更新向量。

在一些实施例中，通过将第一数量的第一维度的初始向量与相应的第一维度的向量进行融合，获得第二数量的第一维度的更新向量。

在一些实施例中，所述第一训练图像和所述第二训练图像均对应于所述多个类别中的一个类别。

第一训练图像和第二训练图像均对应于多个类别中的一个类别，即第一特征提取网络和由第一特征提取网络和第一动态向量模块组成的第一网络的训练过程是针对同一分类任务训练的，区别在于，第一特征提取网络的训练过程中和第一网络的训练过程所采用的数据不同，使得第一网络在训练后能够针对第一特征提取网络所无法正确识别的图像(又称坏样本(bad case)进行识别，从而提升该分类任务所获得的分类结果的准确性。

在一些实施例中，所述第一训练图像对应于所述多个类别中的一个类别，所述第二训练图像对应于其他多个类别中的一个类别。

当第一训练图像对应于多个类别中的一个类别，第二训练图像对应于其他多个类别中的一个类别时，第一特征提取网络和由第一特征提取网络和第一动态向量模块组成的第一网络的训练过程是针对不同分类任务训练的，从而可以实现分类任务的场景从第一特征提取层所对应的分类任务的场景上迁移到第一网络所对应的分类任务的场景上。

在一些实施例中，通过将第二数量的第一维度的第一更新向量输入至特征提取网络，以获得图像特征，其中该特征提取网络可以是一个特征提取层，也可以是多个特征提取层，在此并不限定。在一些实施例中，特征提取网络采用与第一动态向量模块相同的训练图像训练而获得的。

在一些实施例中，对所述第二数量的所述第一维度的第一更新向量进行特征提取包括：

将所述第二数量的所述第一维度的第一更新向量输入所述第一特征提取层，以获得所述第一特征。

该第一特征提取层的训练数据与第一动态向量模块结合的训练数据不同，使得第一特征提取网络所具有的识别能力与第一动态向量模块不同，进而提升所获得的图像特征的识别范围。

在一些实施例中，第一特征提取层包括编解码器，所述编加码器用于对所述第二数量的所述第一维度的第一更新向量进行编码和解码，以获得所述第一特征。使得第一特征提取层利用编解码器的能力。

在一些实施例中，所述将所述第二数量的所述第一维度的第一更新向量输入所述第一特征提取层，以获得所述第一特征包括：

将所述第二数量的所述第一维度的第一更新向量输入所述编加码器进行编码和解码，以获得所述第一特征。

在一些实施例中，所述第一特征提取层包括编解码器和至少一个第一初始动态向量模块，所述至少一个第一初始动态向量模块中的每一个第一初始动态向量模块包括由多个参数构成的第一维度的第一初始向量参数，并且用于对所述第二数量的所述第一维度的第一更新向量进行处理，以获得第三数量的所述第一维度的第一初始更新向量，所述编解码器用于对所述第三数量的所述第一维度的第一初始更新向量进行编码和解码，以获得所述第一特征。

在一些实施例中，所述将所述第二数量的所述第一维度的第一更新向量输入所述第一特征提取层，以获得所述第一特征包括：

通过将所述第二数量的所述第一维度的第一更新向量输入第一初始动态向量模块，根据第一初始参数向量对所述第二数量的所述第一维度的第一更新向量进行处理，得到第三数量的所述第一维度的第一初始更新向量；所述第一初始动态向量模块包括由至少两个参数构成的第一维度的所述第一初始参数向量；

通过所述编解码器对所述第一初始更新向量进行编码和解码，以获得所述第一特征。

第一特征提取层包括编解码器和至少一个第一初始动态向量模块，该至少一个初始动态向量模块是利用了编解码器能力的基础上获得的，使得第一特征提取层进一步利用该至少一个初始动态向量模块的能力，进一步提升第一特征提取层的识别能力。

在一些实施例中，所述第一动态向量模块还包括掩码模块，所述掩码模块用于对所述第一参数向量进行处理，以获得所述第一参数向量或者所述第一维度的零向量中的一个向量，使得所述第一动态向量模块对所述掩码模块所获得的向量和所述第一数量的第一维度的初始向量进行融合，以获得所述第二数量的所述第一维度的第一更新向量。

在一些实施例中，所述根据第一参数向量对所述第一数量的第一维度的初始向量进行处理，得到所述第二数量的所述第一维度的第一更新向量包括：

利用所述第一掩码模块对所述第一参数向量进行处理，以获得所述第一参数向量或者所述第一维度的零向量；以及

对所述第一掩码模块所获得的向量和所述第一数量的第一维度的初始向量进行融合，以获得所述第二数量的所述第一维度的第一更新向量。

通过在第一动态向量模块中设置掩码模块，掩码模块对第一参数向量进行处理，获得第一参数向量和第一维度的零向量中的一个向量，使得第一动态向量模块中对掩码模块获得的向量和第一数量的第一维度的初始向量进行融合，而获得第二数量的第一维度的第一更新向量，即第二数量的第一维度的第一更新向量可以与第一数量的第一维度的初始向量所包含的图像信息可以是相同的，也可以是不同的，取决于掩码模块所获得的向量，进而实现图像信息的动态增加；这种动态增加与第一数量的第一维度的初始向量相关，即与目标图像相关，进一步提升第二数量的第一维度的第一更新向量中所增加的图像信息的准确性。

在一些实施例中，在获得第一特征之后，通过分类器基于该第一特征获得目标图像的分类结果。

在一些实施例中，所述第一特征为所述第二数量的所述第一维度的第一特征向量，所述基于所述第一特征，获得所述目标图像的分类结果包括：

对所述第二数量的所述第一维度的第一特征向量进行处理，以获得所述第二数量的所述第一维度的第二更新向量；以及

基于所述第二数量的所述第一维度的第二更新向量，获得所述分类结果。

通过基于第二数量的第一维度的第一特征向量获得第二数量的第二特征向量，进一步增强对增加的图像信息的倾向性描述，当根据本公开的图像分类方法应用于识别分类任务中的无法识别的图像(例如，坏样本(bad case))时，使得所获得的第二数量的第二特征向量倾向于描述是否是该无法识别的图像；当根据本公开的图像分类方法应用于从一个场景下的分类任务迁移到另一场景下的分类任务时，使得所获得的第二数量的第二特征向量倾向于描述是否对应于场景迁移任务对应的分类，从而进一步提升分类结果的准确性。

在一些实施例中，所述对所述第二数量的所述第一维度的第一特征向量进行处理包括：

通过将所述第二数量的所述第一维度的第一特征向量输入第二动态向量模块，根据第二参数向量对所述第二数量的所述第一维度的第一特征向量进行处理；

所述第二动态向量模块包括由至少两个参数构成的所述第一维度的所述第二参数向量，所述第一维度的第一参数向量的数量与所述第一维度的第二参数向量的数量相同。

通过第二动态向量模块，实现对第二数量的第一维度的第一特征向量进行特征提取。

在一些实施例中，第二动态向量模块与第一动态向量模块一同训练获得的，例如，是采用第一训练图像训练包括经训练的第一特征提取层、经训练的第二特征提取层、第一动态向量模块和第二动态向量模块的第二网络获得的。

参看图3，示出了根据本公开的一些实施例中第二网络的示意图。其中，第二网络300包括第一动态向量模块310、第一特征提取网络320、第二动态向量模块330以及第二特征提取网络340。在训练过程中，通过将训练图像301对应的数量为n(其中，n为正整数)的第一维度的图像向量a1-an输入到第一动态向量模块310，获得数量为n+1的第一维度的第一更新向量b1-bn，第一特征提取网络320针对数量为n+1的第一维度的第一个更新向量b1-bn进行特征提取，以获得数量为n+1的第一维度的第一特征向量c1-cn，数量为n+1的第一维度的第一特征向量c1-cn进一步输入到第二动态向量模块330以获得数量为n+1的第一维度的第二更新向量d1-dn，第二特征提取网络340针对数量为n+1的第第一维度的第二更新向量d1-dn进行特征提取以获得数量为n+1的第一维度的第二特征向量e1-en，基于该数量为n+1的第一维度的第二特征向量e1-en获得的分类结果与训练图像301对应的标注标签，调整第一动态向量模块310和第二动态向量模块320的参数。

在一些实施例中，基于所述第二数量的所述第一维度的第二更新向量，获得所述分类结果包括：

将第一维度的第二更新向量输入到上述第二特征提取层，以获得第二特征；以及基于所述第二特征，获得所述分类结果。

在一些实施例中，通过将第二特征输入至分类器，获得所述分类结果。

可以理解，在根据本公开的一些实施例中，第二网络还可以包括更多的动态向量模块和与该更多的动态向量模块分别对应的更多的经训练的特征提取网络，由于具有更多的经训练的特征提取网络，使得在训练第二网络的过程中，利用了更多的经训练的特征提取网路的识别能力，从而使经训练的第二网络的识别能力更强。

根据本公开的另一方面，还提供了一种图像处理模型的构建方法。如图4所示，根据本公开的一些实施例的图像处理模型的构建方法400包括：

步骤S410：获得经训练的第一模型，所述第一模型包括第一特征提取层，所述第一特征提取层用于对按顺序排列的多个第一维度的向量执行特征提取，以输出多个所述第一维度的第一特征向量；

步骤S420：获得与所述第一特征提取层相应的第一动态向量学习模块，所述第一动态向量学习模块包括由至少两个参数构成的所述第一维度的第一参数向量；以及

步骤S430：基于所述第一模型和所述第一动态向量学习模块，构建所述图像处理模型。

其中，所述图像处理模型包括所述第一特征提取层和所述第一动态向量学习模块，在所述图像处理模型中，所述第一动态向量学习模块用于基于所述第一参数向量对输入所述图像处理模型的第一数量的第一维度的初始向量进行处理，以获得第二数量的所述第一维度的第一更新向量，所述第二数量大于所述第一数量，所述第一特征提取层用于对所述第二数量的所述第一维度的第一更新向量执行特征提取，以输出所述第二数量的所述第一维度的第一特征向量。

通过在经训练的第一模型上，增加第一动态向量学习模块，构建图像处理模型，使得所构建的图像处理模型能够利用经训练的第一模型的识别能力，提升所构建的图像处理模型的识别能力，提升所构建的图像处理模型的处理结果(例如分类结果)的准确性。

在一些实施例中，第一模型可以是任意图像分类模型，例如人脸识别模型、动物或者植物分类模型等，在此并不限定。

在一些实施例中，第一模型包括多个特征提取层的模型。其中，相邻两个特征提取层中的在后的特征提取层对在先的特征提取层所提取的特征进行特征提取。

在一些实施例中，所述第一特征提取层包括编解码器，所述编加码器用于对所述多个第一维度的向量进行编码和解码，以获得所述多个所述第一维度的第一特征向量。使得图像处理模型利用编解码器的能力。

在一些实施例中，第一特征提取层为基于tranformer的编码器和解码器。

在一些实施例中，所述第一动态向量学习模块还包括掩码模块，所述掩码模块用于对所述参数向量进行处理，使得所述第一动态向量学习模块基于所述第一参数向量或者所述第一维度的零向量中的一个向量对所述第一数量的第一维度的向量进行处理。

通过在第一动态向量模块中设置掩码模块，掩码模块对第一参数向量进行处理，获得第一参数向量和第一维度的零向量中的一个向量，使得第一动态向量学习模块中对掩码模块获得的向量和第一数量的第一维度的初始向量进行融合，而获得第二数量的第一维度的第一更新向量，即第二数量的第一维度的第一更新向量可以与第一数量的第一维度的初始向量所包含的图像信息可以是相同的，也可以是不同的，取决于掩码模块所获得的向量，进而实现图像信息的动态增加；这种动态增加与第一数量的第一维度的初始向量相关，提升第二数量的第一维度的第一更新向量中所增加的图像信息的准确性。

在一些实施例中，所述第一特征提取层包括与编解码器和至少一个第二动态向量模块，所述至少一个第二动态向量模块中的每一个第二动态向量模块包括由多个参数构成的所述第一维度的参数向量并且用于对所述按顺序排列的多个第一维度的向量进行处理，以获得数量大于所述多个第一维度的向量的多个所述第一维度的更新向量，使得该编解码器对所述多个所述第一维度的更新向量进行编码和解码，以获得所述多个所述第一维度的第一特征向量。

第一特征提取层包括编解码器和至少一个第一初始动态向量模块，由于该至少一个初始动态向量模块是利用了编解码器能力的基础上获得的，使得所构建的图像处理模型进一步利用该至少一个初始动态向量模块的能力，进一步提升图像处理模型的识别能力。

在一些实施例中，所述第一模型还包括第二特征提取层，所述第二特征提取层用于基于所述第一特征提取层输出的所述多个所述第一维度的第一特征向量执行特征提取，以输出多个所述第一维度的第二特征向量，如图5所示，所述方法还包括：

获得与所述第二特征提取层相应的第二动态向量学习模块，所述第二动态向量学习模块包括由至少两个参数构成的所述第一维度的第二参数向量；并且其中，所述基于所述第一模型和所述第一动态向量学习模块，构建所述图像处理模型包括：

基于所述第一模型、所述第一动态向量学习模块和所述第二动态向量学习模块构建所述图像处理模型，其中，

在所述图像处理模型中，所述第二动态向量学习模块用于对所述第一特征提取模块输出的所述第二数量的所述第一维度的第一特征向量进行处理，以获得所述第二数量的所述第一维度的第一更新向量，所述第二特征提取模块用于对所述第二数量的所述第一维度的第一更新向量执行特征提取，以输出所述第二数量的所述第一维度的第二特征向量。

当第一模型包括多个特征提取层(第一特征提取层和第二特征提取层)时，通过对应于每个特征提取层增加动态向量学习模块，实现图像处理模型构建，使得图像处理模型利用第一模型中多个特征提取层中的每一个特征提取层的识别能力，从而进一步提升了模型的识别能力。

参看图5，示出了根据本公开的一些实施例中的图像处理模型的构建方法中所构建的图像处理模型的结构示意图，其中，图像处理模型500包括多个特征提取层510-512，每一个特征提取层对应有动态向量学习模块520-522，并且其中，每一个特征提取层包括编码器和多个动态向量学习模块。例如，特征提取层510包括编解码器510a和动态向量学习模块510b-510c，特征提取层511包括编解码器511a和动态向量学习模块511b-511c，以及特征提取层512包括编码器512a和动态向量学习模块512b-512c。

其中，动态向量学习模块520对输入图像处理模型的数量为n的第一维度的向量进行处理，得到数量为n+1的第一维度的向量；动态向量学习模块510b对由动态向量学习模块520得到的数量为n+1的第一维度的向量进行处理，得到数量为n+2的第一维度的向量；动态向量学习模块510c对由动态向量学习模块510b得到的数量为n+2的第一维度的向量进行处理，得到数量为n+3的第一维度的向量；编解码器510a对由动态向量学习模块510c得到的数量为n+3的第一维度的向量进行特征提取，获得数量为n+3的第一维度的第一特征向量；动态向量学习模块521对数量为n+3的第一维度的第一特征向量进行处理，得到数量为n+3的第一维度的向量；动态向量学习模块511b对由动态向量学习模块521得到的数量为n+3的第一维度的向量进行处理，得到数量为n+3的第一维度的向量；动态向量学习模块511c对由动态向量学习模块511b得到的数量为n+3的第一维度的向量进行处理，得到数量为n+3的第一维度的向量；编解码器511a对由动态向量学习模块511c得到的数量为n+3的第一维度的向量进行特征提取，获得数量为n+3的第一维度的第二特征向量，动态向量学习模块522对数量为n+3的第一维度的第二特征向量进行处理，得到数量为n+3的第一维度的向量；动态向量学习模块512c对由动态向量学习模块522得到的数量为n+3的第一维度的向量进行处理，得到数量为n+3的第一维度的向量；动态向量学习模块512c对由动态向量学习模块512b得到的数量为n+3的第一维度的向量进行处理，得到数量为n+3的第一维度的向量；编解码器512a对由动态向量学习模块512c得到的数量为n+3的第一维度的向量进行特征提取，获得数量为n+3的第一维度的第二特征向量。

可以理解，图像处理模型500还可以包括更多的特征提取层和相应的更多的动态向量学习模块，同时图像处理模型500中的每一个特征提取层中的还可以包括更多的动态向量学习模块。由于图像处理模型中的特征提取层是通过经训练的第一模型训练而来的，在训练图像处理模型之后，图像处理模型可以作为构建另一图像处理模型的第一模型。从而实现，图像处理模型的不断构建。在一些示例中，将上述不断构建图像处理模型的过程称之为“神经网络的生长”。

在一些实施例中，所述图像处理模型的任务类型包括多个分类任务中的任一项，所述多个分类任务包括：与多种动物类型分别对应的动物分类任务、与多种植物类型分别对应的植物分类任务、文字识别任务或者语音识别任务。

在一些实施例中，所构建的图像处理模型的分类任务与第一模型的分类任务是相同的分类任务。例如，第一模型的分类任务为人脸识别任务，所构建的图像处理模型的分类任务为人脸识别任务。从而使得所构建的图像处理模型能够识别第一模型无法正确识别的图像(又称坏样本(bad case)，进而获得识别能力更强，所获得的分类结果的准确性更高的图像处理模型。

在一些实施例中，所构建的图像处理模型的分类任务与第一模型的分类任务是不同的分类任务，例如，第一模型的分类任务为人脸识别任务，所构建的图像处理模型的分类任务为动物识别任务。从而使得所构建的图像处理模型能够从第一模型的识别场景迁移到另一识别场景，实现场景迁移。例如，使得所构建的图像处理模型能够从人脸识别场景迁移到动物识别场景。

根据本公开的另一方面，还提供一种图像处理模型的训练方法，其中，所述图像处理模型包括第一动态向量学习模块和经训练的第一特征提取层，。如图6所示，根据本公开的图像处理模型的训练方法600包括：

步骤S610：获得训练图像，所述训练图像具有相应的标注标签，所述标注标签指示所述训练图像对应于多个分类中的一个分类；

步骤S620：基于所述训练图像，获得所述训练图像对应的按顺序排列的第一数量的第一维度的图像向量；

步骤S630：通过将所述第一数量的所述第一维度的图像向量输入第一动态向量学习模块，根据第一参数向量对所述第一数量的第一维度的图像向量进行处理，得到第二数量的所述第一维度的第一更新向量，所述第一动态向量学习模块包括由至少两个参数构成的所述第一维度的所述第一参数向量；

步骤S640：将所述第一数量的所述第一维度的第一更新向量输入到第一特征提取层，以获得第三数量的第一维度的第一特征向量；

步骤S650：基于所述第三数量的第一维度的第一特征向量，以获得所述训练对应的图像特征；

步骤S660：基于所述图像特征，获得所述训练图像在所述多个分类中的预测分类；以及

步骤S670：基于所述标注标签和所述预测分类，调整所述第一动态向量学习模块中的多个参数。

在根据本公开的图像处理模型的训练方法中，使训练图像处理模型的过程中能够利用经训练的第一特征提取层的识别能力，在不改变原始第一特征提取层的参数的情况下，通过只更新少量的第一动态向量模型的向量参数，就能实现图像处理模型的训练，从而在样本量较少的情况下，进行实现模型的训练，减少数据处理量，同时，由于训练后的图像处理模型能够利用经训练的第一特征提取层的识别能力，其能够获得更高的识别能力，从而使采用该图像处理模型所获得的分类结果准确。

在相关技术中，在实现从一个任务场景迁移到新场景任务上时，往往采用新场景任务下的样本进行模型训练，由于新场景任务下的样本量往往较少，使得模型容易出现过拟合的情况。在根据本公开的实施例中，能够提升模型精度的同时，解决过拟合的情况。

在一些实施例中，图像处理模型中的所述第一动态向量学习模块包括由多个参数构成的所述第一维度的第一参数向量并且用于基于所述第一参数向量对所述图像处理模型的输入图像对应的按顺序排列的第一数量的第一维度的初始向量进行处理，以获得第二数量的所述第一维度的第一更新向量，所述第二数量大于所述第一数量，图像处理模型中的所述第一特征提取层用于对所述第二数量的所述第一维度的第一更新向量执行特征提取，以输出第三数量的第一维度的第一特征向量，所述图像处理模型基于所述第三数量的第一维度的第一特征向量获得所述输入图像的图像特征。

在一些实施例中，图像处理模型是采用根据本公开的图像处理模型的训练方法所构建的。

在一些实施例中，所述第一动态向量学习模块还包括掩码模块，所述掩码模块用于对所述第一参数向量进行处理，使得所述第一动态向量学习模块基于所述第一参数向量或者所述第一维度的零向量中的一个向量对所述第一数量的第一维度的初始向量进行处理，所述第一动态向量学习模块中的多个参数还包括所述掩码模块的多个参数。

在一些实施例中，根据第一参数向量对所述第一数量的第一维度的图像向量进行处理包括：

利用所述掩码模块对所述第一参数向量进行处理，以获得所述第一参数向量或者所述第一维度的零向量；

对所述掩码模块所获得的向量和所述初始向量进行融合，以获得所述第二数量的所述第一维度的第一更新向量，其中，所述第一动态向量学习模块中的多个参数还包括所述掩码模块的多个参数。

通过在第一动态向量模块中设置掩码模块，掩码模块对第一参数向量进行处理，获得第一参数向量和第一维度的零向量中的一个向量，使得第一动态向量学习模块中对掩码模块获得的向量和第一数量的第一维度的初始向量进行融合，而获得第二数量的第一维度的第一更新向量，即第二数量的第一维度的第一更新向量可以与第一数量的第一维度的初始向量所包含的图像信息可以是相同的，也可以是不同的，取决于掩码模块所获得的向量，进而实现图像信息的动态增加；这种动态增加与第一数量的第一维度的初始向量相关，提升第二数量的第一维度的第一更新向量中所增加的图像信息的准确性。

在一些实施例中，所述第一特征提取层包括编解码器，所述编解码器用于对所述第二数量的所述第一维度的第一更新向量进行编码和解码，以获得所述第三数量的第一维度的第一特征向量，所述第三数量等于所述第二数量。使得经训练的图像处理模型能够利用编解码器的识别能力。

在一些实施例中，所述将所述第一数量的所述第一维度的第一更新向量输入到第一特征提取层，以获得第三数量的第一维度的第一特征向量包括：

将所述第二数量的所述第一维度的第一更新向量输入所述编加码器进行编码和解码，以获得所述第三数量的第一维度的第一特征向量，所述第三数量等于所述第二数量。

在一些实施例中，所述第一特征提取层包括编解码器和至少一个第一初始动态向量模块，所述至少一个第一初始动态向量模块中的每一个第一初始动态向量模块包括由多个参数构成的所述第一维度的参数向量并且用于对所述按顺序排列的第二数量的第一维度的第一更新向量进行处理，以获得所述第三数量的所述第一维度的第一初始更新向量，所述第三数量大于所述第二数量，所述编加码器用于对所述第三数量的所述第一维度的第一初始更新向量进行编码和解码，以获得所述第三数量的第一维度的第一特征向量。

在一些实施例中，将所述第一数量的所述第一维度的第一更新向量输入到第一特征提取层，以获得第三数量的第一维度的第一特征向量包括：

通过将所述第一数量的所述第一维度的第一更新向量输入第一初始动态向量模块，根据第一初始向量参数对所述第一数量的所述第一维度的第一更新向量进行处理，得到所述第三数量的所述第一维度的第一初始更新向量，所述第一初始动态向量模块包括由至少两个参数构成的所述第一维度的所述第一初始参数向量；以及

通过所述编加码器对所述第三数量的所述第一维度的第一初始更新向量进行编码和解码，以获得所述第三数量的第一维度的第一特征向量。

由于第一特征提取层包括编解码器和至少一个第一初始动态向量模块，由于该至少一个初始动态向量模块是利用了编解码器能力的基础上获得的，使得经训练的图像处理模型进一步利用该至少一个初始动态向量模块的能力，进一步提升图像处理模型的识别能力。

在一些实施例中，所述图像处理模型还包括第二动态向量模块和经训练的第二特征提取层，所述第二动态向量模块包括由多个参数构成的所述第一维度的第二参数向量并且用于基于所述第二参数向量对所述第三数量的所述第一维度的第一特征向量进行处理，以获得所述第三数量的所述第一维度的第二更新向量，所述第二特征提取层用于对所述第三数量的所述第一维度的第二更新向量执行特征提取，以获得所述第三数量的第一维度的第二特征向量。

在一些实施例中，所述基于所述第三数量的第一维度的第一特征向量，获得所述训练对应的图像特征包括：

通过将所述第三数量的所述第一维度的第一特征向量输入所述第二动态向量模块，根据第二参数向量对所述第三数量的所述第一维度的第一特征向量进行处理，得到所述第三数量的所述第一维度的第二更新向量，所述第二动态向量模块包括由至少两个参数构成的所述第一维度的所述第二参数向量；

将所述第三数量的所述第一维度的第二更新向量输入到所述第二特征提取层，以获得所述第三数量的第一维度的第二特征向量以及

基于所述第三数量的第一维度的第二特征向量，获得所述训练图像对应的图像特征。

图像处理模型还包括第二特征提取层，使经训练的图像处理模型进一步利用第二特征提取层的能力，进一步提升图像处理模型的识别能力。

在一些实施例中，所述基于所述标注标签和所述预测分类，调整所述第一动态向量学习模块中的多个参数包括：

基于所述标注标签和所述预测分类，调整所述第一动态向量学习模块中的多个参数和所述第二动态向量学习模块中的多个参数。

在训练过程中进一步调整第二动态学习模型的参数，使得第二动态学习模型也是经过训练获得，进一步提升图像处理模型的识别能力。

在一些实施例中，图像处理模型的任务类型包括多个分类任务中的任一项，所述多个分类任务包括：与多种动物类型分别对应的动物分类任务、与多种植物类型分别对应的植物分类任务、文字识别任务或者语音识别任务。

根据本公开的另一方面，还提供了一种图像处理装置。如图7所示，装置700包括：目标图像获取单元710，被配置用于获得目标图像；初始向量获取单元720，被配置用于基于所述目标图像，获得与所述目标图像对应的按顺序排列的第一数量的第一维度的初始向量；第一更新向量获取单元730，被配置用于基于所述第一数量的第一维度的初始向量，获得第二数量的所述第一维度的第一更新向量，所述第二数量大于所述第一数量；第一特征提取单元740，被配置用于对所述第二数量的所述第一维度的第一更新向量进行特征提取，以获得第一特征；以及分类结果获取单元750，被配置用于基于所述第一特征，获得所述目标图像的分类结果，所述分类结果指示所述目标图像对应于多个类别中的第一类别。

在一些实施例中，所述第一更新向量获取单元包括：初始向量输入单元，被配置用于通过将所述第一数量的第一维度的初始向量输入第一动态向量模块，根据第一参数向量对所述第一数量的第一维度的初始向量进行处理，得到所述第二数量的所述第一维度的第一更新向量，所述第一动态向量模块包括由至少两个参数构成的所述第一维度的所述第一参数向量，其中，所述第一动态向量模块是采用第一训练图像训练第一网络获得的，所述第一网络包括经训练的第一特征提取层和所述第一动态向量模块，所述第一特征提取层是采用第二训练图像训练获得的，所述第一训练图像不同于所述第二训练图像，并且在训练所述第一网络的过程中调整所述第一动态训练模块的参数而不调整所述第一特征提取层的参数。

在一些实施例中，所述第一特征提取单元包括：更新向量输入单元，被配置用于将所述第二数量的所述第一维度的第一更新向量输入至所述第一特征提取层，以获得所述第一特征。

在一些实施例中，所述第一特征提取层包括编解码器，所述更新向量输入单元包括：第一输入子单元，被配置用于将所述第二数量的所述第一维度的第一更新向量输入编加码器进行编码和解码，以获得所述第一特征。

在一些实施例中，所述第一特征提取层包括编解码器和至少一个第一初始动态向量模块，所述更新向量输入单元包括：第二输入子单元，被配置用于通过将所述第二数量的所述第一维度的第一更新向量输入第一初始动态向量模块，根据第一初始参数向量对所述第二数量的所述第一维度的第一更新向量进行处理，得到第三数量的所述第一维度的第一初始更新向量，所述第一初始动态向量模块包括由至少两个参数构成的第一维度的所述第一初始参数向量；以及编解码单元，被配置用于通过所述编解码器对所述第一初始更新向量进行编码和解码，以获得所述第一特征。

在一些实施例中，所述第一训练图像和所述第二训练图像均对应于所述多个类别中的一个类别。

在一些实施例中，所述第二训练图像对应于所述多个类别中的一个类别，所述第一训练图像对应于其他多个类别中的一个类别。

在一些实施例中，所述第一动态向量模块还包括第一掩码模块，所述初始向量输入单元包括：掩码单元，被配置用于利用所述第一掩码模块对所述第一参数向量进行处理，以获得所述第一参数向量或者所述第一维度的零向量；以及对所述掩码模块所获得的向量和所述第一数量的第一维度的初始向量进行融合，以获得所述第二数量的所述第一维度的第一更新向量。

在一些实施例中，所述第一特征为所述第二数量的所述第一维度的第一特征向量，所述分类结果获取单元包括：第二更新向量获取单元，被配置用于对所述第二数量的所述第一维度的第一特征向量进行处理，以获得所述第二数量的所述第一维度的第二更新向量；以及分类结果获取子单元，被配置用于基于所述第二数量的所述第一维度的第二更新向量，获得所述分类结果。

在一些实施例中，所述第二更新向量获取单元包括：第三输入子单元，被配置用于通过将所述第二数量的所述第一维度的第一特征向量输入至第二动态向量模块，根据第二参数向量对所述第二数量的所述第一维度的第一特征向量进行处理，所述第二动态向量模块包括由至少两个参数构成的所述第一维度的所述第二参数向量。

根据本公开的另一方面，还提供了一种图像处理模型的构建装置。如图8所示，装置800包括：第一模型获取单元810，被配置用于获得经训练的第一模型，所述第一模型包括第一特征提取层，所述第一特征提取层用于对按顺序排列的多个第一维度的向量执行特征提取，以输出多个所述第一维度的第一特征向量；第一动态向量学习模块获取单元820，被配置用于获得与所述第一特征提取层相应的第一动态向量学习模块，所述第一动态向量学习模块包括由至少两个参数构成的所述第一维度的第一参数向量；以及构建单元830，被配置用于基于所述第一模型和所述第一动态向量学习模块，构建所述图像处理模型，其中，所述图像处理模型包括所述第一特征提取层和所述第一动态向量学习模块，在所述图像处理模型中，所述第一动态向量学习模块用于基于所述第一参数向量对输入所述图像处理模型的第一数量的第一维度的初始向量进行处理，以获得第二数量的所述第一维度的第一更新向量，所述第二数量大于所述第一数量，所述第一特征提取层用于对所述第二数量的所述第一维度的第一更新向量执行特征提取，以输出所述第二数量的所述第一维度的第一特征向量。

在一些实施例中，所述第一动态向量学习模块还包括掩码模块，所述掩码模块用于对所述参数向量进行处理，使得所述第一动态向量学习模块基于所述第一参数向量或者所述第一维度的零向量中的一个向量对所述第一数量的第一维度的向量进行处理。

在一些实施例中，所述第一特征提取层包括编解码器，所述编加码器用于对所述多个第一维度的向量进行编码和解码，以获得所述多个所述第一维度的第一特征向量。

在一些实施例中，所述第一特征提取层包括与编解码器和第二动态向量模块，所述第二动态向量模块包括由至少两个参数构成的所述第一维度的第二参数向量并且用于对所述多个第一维度的向量进行处理，以获得数量大于所述多个第一维度的向量的多个所述第一维度的更新向量，使得该编解码器对所述多个所述第一维度的更新向量进行编码和解码，以获得所述多个所述第一维度的第一特征向量。

在一些实施例中，所述第一模型还包括第二特征提取层，所述第二特征提取层用于基于所述第一特征提取层输出的所述多个所述第一维度的第一特征向量执行特征提取，以输出多个所述第一维度的第二特征向量，所述方法还包括：第二动态向量学习模块获取单元，被配置用于获得与所述第二特征提取层相应的第二动态向量学习模块，所述第二动态向量学习模块包括由至少两个参数构成的所述第一维度的第二参数向量；并且其中，所述构建单元包括：构建子单元，被配置用于基于所述第一模型、所述第一动态向量学习模块和所述第二动态向量学习模块构建所述图像处理模型，其中，在所述图像处理模型中，所述第二动态向量学习模块用于对所述第一特征提取模块输出的所述第二数量的所述第一维度的第一特征向量进行处理，以获得所述第二数量的所述第一维度的第一更新向量，所述第二特征提取模块用于对所述第二数量的所述第一维度的第一更新向量执行特征提取，以输出所述第二数量的所述第一维度的第二特征向量。

在一些实施例中，所述图像处理模型的任务类型包括多个分类任务中的任一项，所述多个分类任务包括：与多种动物类型分别对应的动物分类任务、与多种植物类型分别对应的植物分类任务、文字识别任务或者语音识别任务。

根据本公开的另一方面，还提供了一种图像处理模型的训练装置，其中，所述图像处理模型包括第一动态向量学习模块和经训练的第一特征提取层，如图9所示，装置900包括：训练图像获取单元910，被配置用于获得训练图像，所述训练图像具有相应的标注标签，所述标注标签指示所述训练图像对应于多个分类中的一个分类；图像向量获取单元920，被配置用于基于所述训练图像，获得所述训练图像对应的按顺序排列的所述第一数量的所述第一维度的图像向量；第一更新向量获取单元930，被配置用于通过将所述第一数量的所述第一维度的图像向量输入第一动态向量学习模块，根据第一参数向量对所述第一数量的第一维度的图像向量进行处理，得到第二数量的所述第一维度的第一更新向量，所述第一动态向量学习模块包括由至少两个参数构成的所述第一维度的所述第一参数向量；第一特征向量获取单元940，被配置用于将所述第一数量的所述第一维度的第一更新向量输入到第一特征提取层，以获得第三数量的第一维度的第一特征向量；图像特征获取单元950，被配置用于基于所述第三数量的第一维度的第一特征向量，获得所述训练对应的图像特征；预测分类获取单元960，被配置用于基于所述图像特征，获得所述训练图像在所述多个分类中的预测分类；以及参数调整单元970，被配置用于基于所述标注标签和所述预测分类，调整所述第一动态向量学习模块中的多个参数。

在一些实施例中，所述第一动态向量学习模块还包括掩码模块，所述第一更新向量获取单元包括：

掩码处理单元，被配置用于利用所述掩码模块对所述第一参数向量进行处理，以获得所述第一参数向量或者所述第一维度的零向量；融合单元，被配置用于对所述掩码模块所获得的向量和所述初始向量进行融合，以获得所述第二数量的所述第一维度的第一更新向量，其中，所述第一动态向量学习模块中的多个参数还包括所述掩码模块的多个参数。

在一些实施例中，所述第一特征提取层包括编解码器，所述第一特征向量获取单元包括：第一编解码单元，被配置用于将所述第二数量的所述第一维度的第一更新向量输入所述编加码器进行编码和解码，以获得所述第三数量的第一维度的第一特征向量，所述第三数量等于所述第二数量。

在一些实施例中，所述第一特征提取层包括编解码器和第一初始动态向量模块，所述第一特征向量获取单元包括：第一初始向量处理单元，被配置用于通过将所述第一数量的所述第一维度的第一更新向量输入第一初始动态向量模块，根据第一初始向量参数对所述第一数量的所述第一维度的第一更新向量进行处理，得到所述第三数量的所述第一维度的第一初始更新向量，所述第一初始动态向量模块包括由至少两个参数构成的所述第一维度的所述第一初始参数向量以及第二编解码单元，被配置用于通过所述编加码器对所述第三数量的所述第一维度的第一初始更新向量进行编码和解码，以获得所述第三数量的第一维度的第一特征向量。

在一些实施例中，所述图像处理模型还包括第二动态向量模块和经训练的第二特征提取层，所述图像特征获取单元包括：第二动态向量参数处理单元，被配置用于通过将所述第三数量的所述第一维度的第一特征向量输入所述第二动态向量参数，根据第二参数向量对所述第三数量的所述第一维度的第一特征向量进行处理，得到所述第三数量的所述第一维度的第二更新向量，所述第二动态向量模块包括由至少两个参数构成的所述第一维度的所述第二参数向量；第二特征向量获取单元，被配置用于将所述第三数量的所述第一维度的第二更新向量输入到所述第二特征提取层，以获得所述第三数量的第一维度的第二特征向量；以及图像特征获取子单元，被配置用于基于所述第二特征第三数量的第一维度的第二特征向量，获得所述训练图像对应的图像特征。

在一些实施例中，所述参数调整单元包括：参数调整子单元，被配置用于基于所述标注标签和所述预测分类，调整所述第一动态向量学习模块中的多个参数和所述第二动态向量学习模块中的多个参数。

在一些实施例中，所述图像处理模型的任务类型包括多个分类任务中的任一项，所述多个分类任务包括：与多种动物类型分别对应的动物分类任务、与多种植物类型分别对应的植物分类任务、文字识别任务或者语音识别任务。

根据本公开的实施例，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。

参考图10，现将描述可以作为本公开的服务器或客户端的电子设备1000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10所示，电子设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

电子设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006、输出单元1007、存储单元1008以及通信单元1009。输入单元1006可以是能向电子设备1000输入信息的任何类型的设备，输入单元1006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1007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1008可以包括但不限于磁盘、光盘。通信单元1009允许电子设备1000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1001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1001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1001执行上文所描述的各个方法和处理，例如方法200、方法400或方法600。例如，在一些实施例中，方法200、方法400和方法600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1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到电子设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200、方法400或方法600。

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图像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 (48)

1.一种图像处理方法，包括：

获得目标图像；

基于所述目标图像，获得与所述目标图像对应的按顺序排列的第一数量的第一维度的初始向量；

将所述第一数量的第一维度的初始向量输入第一动态向量模块，所述第一动态向量模块包括由至少两个参数构成的所述第一维度的第一参数向量，所述第一动态向量模块根据输入的所述第一数量的第一维度的初始向量，确定所述第一参数向量中的各个参数；

根据所述第一参数向量对所述第一数量的第一维度的初始向量进行处理，得到第二数量的所述第一维度的第一更新向量，所述第二数量大于所述第一数量；

对所述第二数量的所述第一维度的第一更新向量进行特征提取，以获得第一特征；以及

基于所述第一特征，获得所述目标图像的分类结果，所述分类结果指示所述目标图像对应于多个类别中的第一类别。

2.根据权利要求1所述的方法，其中，

所述第一动态向量模块是采用第一训练图像训练第一网络获得的，所述第一网络包括经训练的第一特征提取层和所述第一动态向量模块，所述第一特征提取层是采用第二训练图像训练获得的，所述第一训练图像不同于所述第二训练图像，并且在训练所述第一网络的过程中调整所述第一动态向量模块的参数而不调整所述第一特征提取层的参数。

3.根据权利要求2所述的方法，其中，所述对所述第二数量的所述第一维度的第一更新向量进行特征提取包括：

将所述第二数量的所述第一维度的第一更新向量输入所述第一特征提取层，以获得所述第一特征。

4.根据权利要求3所述的方法，其中，所述第一特征提取层包括编解码器；

所述将所述第二数量的所述第一维度的第一更新向量输入所述第一特征提取层，以获得所述第一特征包括：

将所述第二数量的所述第一维度的第一更新向量输入所述编解码器进行编码和解码，以获得所述第一特征。

5.根据权利要求3所述的方法，其中，所述第一特征提取层包括编解码器和第一初始动态向量模块；

所述将所述第二数量的所述第一维度的第一更新向量输入所述第一特征提取层，以获得所述第一特征包括：

通过将所述第二数量的所述第一维度的第一更新向量输入第一初始动态向量模块，根据第一初始参数向量对所述第二数量的所述第一维度的第一更新向量进行处理，得到第三数量的所述第一维度的第一初始更新向量；所述第一初始动态向量模块包括由至少两个参数构成的所述第一维度的所述第一初始参数向量；以及

通过所述编解码器对所述第三数量的所述第一维度的第一初始更新向量进行编码和解码，以获得所述第一特征。

6.根据权利要求3所述的方法，其中，所述第一训练图像和所述第二训练图像均对应于所述多个类别中的一个类别。

7.根据权利要求3所述的方法，其中，所述第一训练图像对应于所述多个类别中的一个类别，所述第二训练图像对应于其他多个类别中的一个类别。

8.根据权利要求2所述的方法，其中，所述第一动态向量模块还包括第一掩码模块，所述根据第一参数向量对所述第一数量的第一维度的初始向量进行处理，得到所述第二数量的所述第一维度的第一更新向量包括：

利用所述第一掩码模块对所述第一参数向量进行处理，以获得所述第一参数向量或者所述第一维度的零向量；以及

对所述第一掩码模块所获得的向量和所述第一数量的第一维度的初始向量进行融合，以获得所述第二数量的所述第一维度的第一更新向量。

9.根据权利要求2所述的方法，其中，所述第一特征为所述第二数量的所述第一维度的第一特征向量；

所述基于所述第一特征，获得所述目标图像的分类结果包括：

对所述第二数量的所述第一维度的第一特征向量进行处理，以获得所述第二数量的所述第一维度的第二更新向量；以及

基于所述第二数量的所述第一维度的第二更新向量，获得所述分类结果。

10.根据权利要求9所述的方法，其中，所述对所述第二数量的所述第一维度的第一特征向量进行处理包括：

通过将所述第二数量的所述第一维度的第一特征向量输入第二动态向量模块，根据第二参数向量对所述第二数量的所述第一维度的第一特征向量进行处理；

所述第二动态向量模块包括由至少两个参数构成的所述第一维度的所述第二参数向量，所述第一维度的第一参数向量的数量与所述第一维度的第二参数向量的数量相同。

11.一种图像处理模型的构建方法，所述图像处理模型用于实现根据权利要求1-10中任一项所述的图像处理方法，所述构建方法包括：

获得经训练的第一模型，所述第一模型包括第一特征提取层，所述第一特征提取层用于对按顺序排列的多个第一维度的向量执行特征提取，以输出多个所述第一维度的第一特征向量；

获得与所述第一特征提取层相应的第一动态向量学习模块，所述第一动态向量学习模块包括由至少两个参数构成的所述第一维度的第一参数向量；以及

基于所述第一模型和所述第一动态向量学习模块，构建所述图像处理模型，其中，

所述图像处理模型包括所述第一特征提取层和所述第一动态向量学习模块，在所述图像处理模型中，所述第一动态向量学习模块用于根据输入所述图像处理模型的第一数量的第一维度的初始向量，确定所述第一参数向量中的各个参数，并基于所述第一参数向量对输入所述图像处理模型的第一数量的第一维度的初始向量进行处理，以获得第二数量的所述第一维度的第一更新向量，所述第二数量大于所述第一数量，所述第一特征提取层用于对所述第二数量的所述第一维度的第一更新向量执行特征提取，以输出所述第二数量的所述第一维度的第一特征向量。

12.根据权利要求11所述的方法，其中，所述第一动态向量学习模块还包括掩码模块，所述掩码模块用于对所述参数向量进行处理，使得所述第一动态向量学习模块基于所述第一参数向量或者所述第一维度的零向量中的一个向量对所述第一数量的第一维度的向量进行处理。

13.根据权利要求11所述的方法，其中，所述第一特征提取层包括编解码器，所述编解码器用于对所述多个第一维度的向量进行编码和解码，以获得所述多个所述第一维度的第一特征向量。

14.根据权利要求11所述的方法，其中，所述第一特征提取层包括与编解码器和第二动态向量模块，所述第二动态向量模块包括由至少两参数构成的所述第一维度的第二参数向量并且用于对所述多个第一维度的向量进行处理，以获得数量大于所述多个第一维度的向量的多个所述第一维度的更新向量，使得该编解码器对所述多个所述第一维度的更新向量进行编码和解码，以获得所述多个所述第一维度的第一特征向量。

15.根据权利要求11所述的方法，其中，所述第一模型还包括第二特征提取层，所述第二特征提取层用于基于所述第一特征提取层输出的所述多个所述第一维度的第一特征向量执行特征提取，以输出多个所述第一维度的第二特征向量，所述方法还包括：

获得与所述第二特征提取层相应的第二动态向量学习模块，所述第二动态向量学习模块包括由至少两个参数构成的所述第一维度的第二参数向量；并且其中，所述基于所述第一模型和所述第一动态向量学习模块，构建所述图像处理模型包括：

基于所述第一模型、所述第一动态向量学习模块和所述第二动态向量学习模块构建所述图像处理模型，其中，

在所述图像处理模型中，所述第二动态向量学习模块用于对所述第一特征提取层输出的所述第二数量的所述第一维度的第一特征向量进行处理，以获得所述第二数量的所述第一维度的第一更新向量，所述第二特征提取层用于对所述第二数量的所述第一维度的第一更新向量执行特征提取，以输出所述第二数量的所述第一维度的第二特征向量。

16.根据权利要求11所述的方法，其中，所述图像处理模型的任务类型包括多个分类任务中的任一项，所述多个分类任务包括：与多种动物类型分别对应的动物分类任务、与多种植物类型分别对应的植物分类任务或者文字识别任务。

17.一种图像处理模型的训练方法，其中，所述图像处理模型包括第一动态向量学习模块和经训练的第一特征提取层，所述方法包括：

获得训练图像，所述训练图像具有相应的标注标签，所述标注标签指示所述训练图像对应于多个类别中的一个类别；

基于所述训练图像，获得所述训练图像对应的按顺序排列的第一数量的第一维度的图像向量；

通过将所述第一数量的所述第一维度的图像向量输入所述第一动态向量学习模块，所述第一动态向量学习模块根据输入的所述第一数量的第一维度的图像向量，确定第一参数向量中的各个参数，并根据所述第一参数向量对所述第一数量的第一维度的图像向量进行处理，得到第二数量的所述第一维度的第一更新向量，所述第一动态向量学习模块包括由至少两个参数构成的所述第一维度的所述第一参数向量；

将所述第一数量的所述第一维度的第一更新向量输入所述第一特征提取层，以获得第三数量的第一维度的第一特征向量；

基于所述第三数量的第一维度的第一特征向量，获得所述训练图像对应的图像特征；

基于所述图像特征，获得所述训练图像在所述多个类别中的预测分类；以及

基于所述标注标签和所述预测分类，调整所述第一动态向量学习模块中的多个参数。

18.根据权利要求17所述的方法，其中，所述第一动态向量学习模块还包括掩码模块，所述根据第一参数向量对所述第一数量的第一维度的图像向量进行处理包括：

利用所述掩码模块对所述第一参数向量进行处理，以获得所述第一参数向量或者所述第一维度的零向量；

对所述掩码模块所获得的向量和所述第一数量的第一维度的图像向量进行融合，以获得所述第二数量的所述第一维度的第一更新向量，其中，所述第一动态向量学习模块中的多个参数还包括所述掩码模块的多个参数。

19.根据权利要求17所述的方法，其中，所述第一特征提取层包括编解码器，所述将所述第一数量的所述第一维度的第一更新向量输入到第一特征提取层，以获得第三数量的第一维度的第一特征向量包括：

将所述第二数量的所述第一维度的第一更新向量输入所述编解码器进行编码和解码，以获得所述第三数量的第一维度的第一特征向量，所述第三数量等于所述第二数量。

20.根据权利要求17所述的方法，其中，所述第一特征提取层包括编解码器和第一初始动态向量模块，将所述第一数量的所述第一维度的第一更新向量输入到第一特征提取层，以获得第三数量的第一维度的第一特征向量包括：

通过将所述第一数量的所述第一维度的第一更新向量输入第一初始动态向量模块，根据第一初始参数向量对所述第一数量的所述第一维度的第一更新向量进行处理，得到所述第三数量的所述第一维度的第一初始更新向量，所述第一初始动态向量模块包括由至少两个参数构成的所述第一维度的所述第一初始参数向量；以及

通过所述编解码器对所述第三数量的所述第一维度的第一初始更新向量进行编码和解码，以获得所述第三数量的第一维度的第一特征向量。

21.根据权利要求17所述的方法，其中，所述图像处理模型还包括第二动态向量模块和经训练的第二特征提取层；

所述基于所述第三数量的第一维度的第一特征向量，获得所述训练对应的图像特征包括：

通过将所述第三数量的所述第一维度的第一特征向量输入所述第二动态向量模块，根据第二参数向量对所述第三数量的所述第一维度的第一特征向量进行处理，得到所述第三数量的所述第一维度的第二更新向量，所述第二动态向量模块包括由至少两个参数构成的所述第一维度的所述第二参数向量；

将所述第三数量的所述第一维度的第二更新向量输入到所述第二特征提取层，以获得所述第三数量的第一维度的第二特征向量；以及

基于所述第二特征第三数量的第一维度的第二特征向量，获得所述训练图像对应的图像特征。

22.根据权利要求21所述的方法，其中，所述基于所述标注标签和所述预测分类，调整所述第一动态向量学习模块中的多个参数包括：

基于所述标注标签和所述预测分类，调整所述第一动态向量学习模块中的多个参数和所述第二动态向量模块中的多个参数。

23.根据权利要求17所述的方法，其中，所述图像处理模型的任务类型包括多个分类任务中的任一项，所述多个分类任务包括：与多种动物类型分别对应的动物分类任务、与多种植物类型分别对应的植物分类任务或者文字识别任务。

24.一种图像处理装置，包括：

目标图像获取单元，被配置用于获得目标图像；

初始向量获取单元，被配置用于基于所述目标图像，获得与所述目标图像对应的按顺序排列的第一数量的第一维度的初始向量；

第一更新向量获取单元，包括初始向量输入单元，所述初始向量输入单元被配置用于将所述第一数量的第一维度的初始向量输入第一动态向量模块，所述第一动态向量模块包括由至少两个参数构成的所述第一维度的第一参数向量，所述第一动态向量模块根据输入的所述第一数量的第一维度的初始向量，确定所述第一参数向量中的各个参数；

根据所述第一参数向量对所述第一数量的第一维度的初始向量进行处理，得到第二数量的所述第一维度的第一更新向量，所述第二数量大于所述第一数量；

第一特征提取单元，被配置用于对所述第二数量的所述第一维度的第一更新向量进行特征提取，以获得第一特征；以及

分类结果获取单元，被配置用于基于所述第一特征，获得所述目标图像的分类结果，所述分类结果指示所述目标图像对应于多个类别中的第一类别。

25.根据权利要求24所述的装置，其中

所述第一动态向量模块是采用第一训练图像训练第一网络获得的，所述第一网络包括经训练的第一特征提取层和所述第一动态向量模块，所述第一特征提取层是采用第二训练图像训练获得的，所述第一训练图像不同于所述第二训练图像，并且在训练所述第一网络的过程中调整所述第一动态向量模块的参数而不调整所述第一特征提取层的参数。

26.根据权利要求25所述的装置，其中，所述第一特征提取单元包括：

更新向量输入单元，被配置用于将所述第二数量的所述第一维度的第一更新向量输入所述第一特征提取层，以获得所述第一特征。

27.根据权利要求26所述的装置，其中，所述第一特征提取层包括编解码器，所述更新向量输入单元包括：

第一输入子单元，被配置用于将所述第二数量的所述第一维度的第一更新向量输入编解码器进行编码和解码，以获得所述第一特征。

28.根据权利要求26所述的装置，其中，所述第一特征提取层包括编解码器和至少一个第一初始动态向量模块，所述更新向量输入单元包括：

第二输入子单元，被配置用于通过将所述第二数量的所述第一维度的第一更新向量输入第一初始动态向量模块，根据第一初始参数向量对所述第二数量的所述第一维度的第一更新向量进行处理，得到第三数量的所述第一维度的第一初始更新向量，所述第一初始动态向量模块包括由至少两个参数构成的第一维度的所述第一初始参数向量；以及

编解码单元，被配置用于通过所述编解码器对所述第三数量的所述第一维度的第一初始更新向量进行编码和解码，以获得所述第一特征。

29.根据权利要求26所述的装置，其中，所述第一训练图像和所述第二训练图像均对应于所述多个类别中的一个类别。

30.根据权利要求26所述的装置，其中，所述第二训练图像对应于所述多个类别中的一个类别，所述第一训练图像对应于其他多个类别中的一个类别。

31.根据权利要求25所述的装置，其中，所述第一动态向量模块还包括第一掩码模块，所述初始向量输入单元包括：

掩码单元，被配置用于利用所述第一掩码模块对所述第一参数向量进行处理，以获得所述第一参数向量或者所述第一维度的零向量；以及

对所述掩码模块所获得的向量和所述第一数量的第一维度的初始向量进行融合，以获得所述第二数量的所述第一维度的第一更新向量。

32.根据权利要求25所述的装置，其中，所述第一特征为所述第二数量的所述第一维度的第一特征向量，所述分类结果获取单元包括：

第二更新向量获取单元，被配置用于对所述第二数量的所述第一维度的第一特征向量进行处理，以获得所述第二数量的所述第一维度的第二更新向量；以及

分类结果获取子单元，被配置用于基于所述第二数量的所述第一维度的第二更新向量，获得所述分类结果。

33.根据权利要求32所述的装置，其中，所述第二更新向量获取单元包括：

第三输入子单元，被配置用于通过将所述第二数量的所述第一维度的第一特征向量输入至第二动态向量模块，根据第二参数向量对所述第二数量的所述第一维度的第一特征向量进行处理，所述第二动态向量模块包括由至少两个参数构成的所述第一维度的所述第二参数向量。

34.一种图像处理模型的构建装置，所述图像处理模型用于实现根据权利要求1-10中任一项所述的图像处理方法，所述构建装置包括：

第一模型获取单元，被配置用于获得经训练的第一模型，所述第一模型包括第一特征提取层，所述第一特征提取层用于对按顺序排列的多个第一维度的向量执行特征提取，以输出多个所述第一维度的第一特征向量；

第一动态向量学习模块获取单元，被配置用于获得与所述第一特征提取层相应的第一动态向量学习模块，所述第一动态向量学习模块包括由至少两个参数构成的所述第一维度的第一参数向量；以及

构建单元，被配置用于基于所述第一模型和所述第一动态向量学习模块，构建所述图像处理模型，其中，

所述图像处理模型包括所述第一特征提取层和所述第一动态向量学习模块，在所述图像处理模型中，所述第一动态向量学习模块用于根据输入所述图像处理模型的第一数量的第一维度的初始向量，确定所述第一参数向量中的各个参数，并基于所述第一参数向量对输入所述图像处理模型的第一数量的第一维度的初始向量进行处理，以获得第二数量的所述第一维度的第一更新向量，所述第二数量大于所述第一数量，所述第一特征提取层用于对所述第二数量的所述第一维度的第一更新向量执行特征提取，以输出所述第二数量的所述第一维度的第一特征向量。

35.根据权利要求34所述的装置，其中，所述第一动态向量学习模块还包括掩码模块，所述掩码模块用于对所述参数向量进行处理，使得所述第一动态向量学习模块基于所述第一参数向量或者所述第一维度的零向量中的一个向量对所述第一数量的第一维度的向量进行处理。

36.根据权利要求34所述的装置，其中，所述第一特征提取层包括编解码器，所述编解码器用于对所述多个第一维度的向量进行编码和解码，以获得所述多个所述第一维度的第一特征向量。

37.根据权利要求34所述的装置，其中，所述第一特征提取层包括与编解码器和第二动态向量模块，所述第二动态向量模块包括由至少两个参数构成的所述第一维度的第二参数向量并且用于对所述多个第一维度的向量进行处理，以获得数量大于所述多个第一维度的向量的多个所述第一维度的更新向量，使得该编解码器对所述多个所述第一维度的更新向量进行编码和解码，以获得所述多个所述第一维度的第一特征向量。

38.根据权利要求34所述的装置，其中，所述第一模型还包括第二特征提取层，所述第二特征提取层用于基于所述第一特征提取层输出的所述多个所述第一维度的第一特征向量执行特征提取，以输出多个所述第一维度的第二特征向量，所述装置还包括：

第二动态向量学习模块获取单元，被配置用于获得与所述第二特征提取层相应的第二动态向量学习模块，所述第二动态向量学习模块包括由至少两个参数构成的所述第一维度的第二参数向量；并且其中，所述构建单元包括：

构建子单元，被配置用于基于所述第一模型、所述第一动态向量学习模块和所述第二动态向量学习模块构建所述图像处理模型，其中，

在所述图像处理模型中，所述第二动态向量学习模块用于对所述第一特征提取层输出的所述第二数量的所述第一维度的第一特征向量进行处理，以获得所述第二数量的所述第一维度的第一更新向量，所述第二特征提取层用于对所述第二数量的所述第一维度的第一更新向量执行特征提取，以输出所述第二数量的所述第一维度的第二特征向量。

39.根据权利要求34所述的装置，其中，所述图像处理模型的任务类型包括多个分类任务中的任一项，所述多个分类任务包括：与多种动物类型分别对应的动物分类任务、与多种植物类型分别对应的植物分类任务或者文字识别任务。

40.一种图像处理模型的训练装置，其中，所述图像处理模型包括第一动态向量学习模块和经训练的第一特征提取层，所述装置包括：

训练图像获取单元，被配置用于获得训练图像，所述训练图像具有相应的标注标签，所述标注标签指示所述训练图像对应于多个分类中的一个分类；

图像向量获取单元，被配置用于基于所述训练图像，获得所述训练图像对应的按顺序排列的第一数量的第一维度的图像向量；

第一更新向量获取单元，被配置用于通过将所述第一数量的所述第一维度的图像向量输入第一动态向量学习模块，所述第一动态向量学习模块根据输入的所述第一数量的第一维度的图像向量，确定第一参数向量中的各个参数，并根据所述第一参数向量对所述第一数量的第一维度的图像向量进行处理，得到第二数量的所述第一维度的第一更新向量，所述第一动态向量学习模块包括由至少两个参数构成的所述第一维度的所述第一参数向量；

第一特征向量获取单元，被配置用于将所述第一数量的所述第一维度的第一更新向量输入到第一特征提取层，以获得第三数量的第一维度的第一特征向量；

图像特征获取单元，被配置用于基于所述第三数量的第一维度的第一特征向量，获得所述训练图像对应的图像特征；

预测分类获取单元，被配置用于基于所述图像特征，获得所述训练图像在所述多个分类中的预测分类；以及

参数调整单元，被配置用于基于所述标注标签和所述预测分类，调整所述第一动态向量学习模块中的多个参数。

41.根据权利要求40所述的装置，其中，所述第一动态向量学习模块还包括掩码模块，所述第一更新向量获取单元包括：

掩码处理单元，被配置用于利用所述掩码模块对所述第一参数向量进行处理，以获得所述第一参数向量或者所述第一维度的零向量；

融合单元，被配置用于对所述掩码模块所获得的向量和所述图像向量进行融合，以获得所述第二数量的所述第一维度的第一更新向量，其中，所述第一动态向量学习模块中的多个参数还包括所述掩码模块的多个参数。

42.根据权利要求40所述的装置，其中，所述第一特征提取层包括编解码器，所述第一特征向量获取单元包括：

第一编解码单元，被配置用于将所述第二数量的所述第一维度的第一更新向量输入所述编解码器进行编码和解码，以获得所述第三数量的第一维度的第一特征向量，所述第三数量等于所述第二数量。

43.根据权利要求40所述的装置，其中，所述第一特征提取层包括编解码器和第一初始动态向量模块，所述第一特征向量获取单元包括：

第一初始向量处理单元，被配置用于通过将所述第一数量的所述第一维度的第一更新向量输入第一初始动态向量模块，根据第一初始参数向量对所述第一数量的所述第一维度的第一更新向量进行处理，得到所述第三数量的所述第一维度的第一初始更新向量，所述第一初始动态向量模块包括由至少两个参数构成的所述第一维度的所述第一初始参数向量；以及

第二编解码单元，被配置用于通过所述编解码器对所述第三数量的所述第一维度的第一初始更新向量进行编码和解码，以获得所述第三数量的第一维度的第一特征向量。

44.根据权利要求40所述的装置，其中，所述图像处理模型还包括第二动态向量模块和经训练的第二特征提取层；

所述图像特征获取单元包括：

第二动态向量参数处理单元，被配置用于通过将所述第三数量的所述第一维度的第一特征向量输入所述第二动态向量模块，根据第二参数向量对所述第三数量的所述第一维度的第一特征向量进行处理，得到所述第三数量的所述第一维度的第二更新向量，所述第二动态向量模块包括由至少两个参数构成的所述第一维度的所述第二参数向量；

第二特征向量获取单元，被配置用于将所述第三数量的所述第一维度的第二更新向量输入到所述第二特征提取层，以获得所述第三数量的第一维度的第二特征向量；以及

图像特征获取子单元，被配置用于基于所述第二特征第三数量的第一维度的第二特征向量，获得所述训练图像对应的图像特征。

45.根据权利要求44所述的装置，其中，所述参数调整单元包括：

参数调整子单元，被配置用于基于所述标注标签和所述预测分类，调整所述第一动态向量学习模块中的多个参数和所述第二动态向量模块中的多个参数。

46.根据权利要求40所述的装置，其中，所述图像处理模型的任务类型包括多个分类任务中的任一项，所述多个分类任务包括：与多种动物类型分别对应的动物分类任务、与多种植物类型分别对应的植物分类任务或者文字识别任务。

47.一种电子设备，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1-23中任一项所述的方法。

48.一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1-23中任一项所述的方法。