CN116258657A - 模型训练方法、图像处理方法、装置、介质及电子设备 - Google Patents

模型训练方法、图像处理方法、装置、介质及电子设备 Download PDF

Info

Publication number
CN116258657A
CN116258657A CN202310231996.6A CN202310231996A CN116258657A CN 116258657 A CN116258657 A CN 116258657A CN 202310231996 A CN202310231996 A CN 202310231996A CN 116258657 A CN116258657 A CN 116258657A
Authority
CN
China
Prior art keywords
encoder
image
auxiliary
parameters
main encoder
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
CN202310231996.6A
Other languages
English (en)
Inventor
杨志雄
雷鑫华
杨延展
李永会
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.)
Douyin Vision Co Ltd
Original Assignee
Douyin Vision 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 Douyin Vision Co Ltd filed Critical Douyin Vision Co Ltd
Priority to CN202310231996.6A priority Critical patent/CN116258657A/zh
Publication of CN116258657A publication Critical patent/CN116258657A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种模型训练方法、图像处理方法、装置、介质及电子设备，模型训练方法包括：获取原始图像和对原始图像进行图像增强得到的增强图像；将增强图像分别输入到至少两个辅编码器，得到各辅编码器对应输出的第一图像特征，以及将原始图像输入到主编码器，得到主编码器输出的第二图像特征；根据各第一图像特征、第二图像特征以及获取到的负样本对主编码器进行对比学习，得到训练完成的主编码器，在对比学习过程中，采用反向传播算法对主编码器的参数进行更新，采用动量更新算法对各辅编码器的参数进行更新，各辅编码器对应的动量更新算法中采用的动量系数是不同的，提升了训练完成的主编码器对目标图像的特征表达能力。

Description

模型训练方法、图像处理方法、装置、介质及电子设备
技术领域
本公开涉及电子信息技术领域，具体地，涉及一种模型训练方法、图像处理方法、装置、介质及电子设备。
背景技术
在特征网络的学习中，自监督学习最常见的用途是用未标记的数据对特征网络进行预训练，然后将学习到的知识迁移到下游任务，自监督学习的预训练效果越好，在下游任务的表现也就越好。
因此，如何提高特征网络预训练的训练效果是至关重要的。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种模型训练方法，包括：
获取原始图像和对所述原始图像进行图像增强得到的增强图像；
将所述增强图像分别输入到至少两个辅编码器，得到各辅编码器对应输出的第一图像特征，以及将所述原始图像输入到主编码器，得到所述主编码器输出的第二图像特征；
根据各所述第一图像特征、所述第二图像特征以及获取到的负样本对所述主编码器进行对比学习，得到训练完成的主编码器，训练完成的主编码器用于提取目标图像的图像特征，在对比学习过程中，采用反向传播算法对所述主编码器的参数进行更新，采用动量更新算法对各所述辅编码器的参数进行更新，各所述辅编码器对应的动量更新算法中采用的动量系数是不同的。
第二方面，本公开提供一种图像处理方法，包括：
获取目标图像；
根据图像处理模型对所述目标图像进行处理，得到图像处理结果，其中，所述图像处理模型是通过对解码器和第一方面中训练完成的主编码器进行训练得到的。
第三方面，本公开提供一种模型训练装置，包括：
第一获取模块，用于获取原始图像和对所述原始图像进行图像增强得到的增强图像；
输出模块，用于将所述增强图像分别输入到至少两个辅编码器，得到各辅编码器对应输出的第一图像特征，以及将所述原始图像输入到主编码器，得到所述主编码器输出的第二图像特征；
学习模块，用于根据各所述第一图像特征、所述第二图像特征以及获取到的负样本对所述主编码器进行对比学习，得到训练完成的主编码器，训练完成的主编码器用于提取目标图像的图像特征，在对比学习过程中，采用反向传播算法对所述主编码器的参数进行更新，采用动量更新算法对各所述辅编码器的参数进行更新，各所述辅编码器对应的动量更新算法中采用的动量系数是不同的。
第四方面，本公开提供一种图像处理装置，包括：
第二获取模块，用于获取目标图像；
处理模块，用于根据图像处理模型对所述目标图像进行处理，得到图像处理结果，其中，所述图像处理模型是通过对解码器和第一方面中训练完成的主编码器进行训练得到的。
第五方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面中所述方法的步骤，或者第二方面中所述方法的步骤。
第六方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面中所述方法的步骤，或者第二方面中所述方法的步骤。
通过上述技术方案，在对比学习过程中，各辅编码器对应的动量更新算法中采用的动量系数是不同的，动量系数的大小决定辅编码器的参数的更新速度，对于采用较小动力系数的辅编码器与采用较大动力系数的辅编码器相比而言，前者的参数更新越快进而其更新速度与主编码器的参数的更新速度更相近，从而可以捕捉到图像的细节特征，后者的参数更新越慢，从而可以捕捉到图像的结构性特征，利用细节特征和结构性特征这两方面的特征辅助主编码器进行对比学习，从而能够提高训练完成的主编码器对目标图像的特征表达能力，进而在将训练完成的主编码器运用到下游任务对应的图像处理模型时能够提升该图像处理模型的性能。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据一示例性实施例示出的一种模型训练方法的流程图。
图2是根据一示例性实施例示出的一种对比学习依赖的框架图。
图3是根据一示例性实施例示出的一种图像处理方法的流程图。
图4是根据一示例性实施例示出的一种模型训练装置的框图。
图5是根据一示例性实施例示出的一种图像处理装置的框图。
图6是根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
同时，可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
在特征网络的学习中，自监督学习最常见的用途是用未标记的数据对特征网络进行预训练，然后将学习到的知识迁移到下游任务，自监督学习的预训练效果越好，在下游任务的表现也就越好。因此，如何提高特征网络预训练的训练效果是至关重要的。特别是针对基于长尾样本集的特征网络的训练中，长尾样本集中样本数量较少的类别称为尾部类别，长尾样本集中样本数量较多的类别称为头部类别。由于这种数据分布差异大的特点，使得基于此种样本集训练出的模型很容易出现偏向于头部类别的决策偏差，导致模型性能下降。
有鉴于此，本公开实施例提供一种模型训练方法、图像处理方法、装置、介质及电子设备，提高训练完成的主编码器对目标图像的特征表达能力，进而在将训练完成的主编码器运用到下游任务对应的图像处理模型时能够提升该图像处理模型的性能。
以下结合附图对本公开实施例进行进一步解释说明。
图1是根据一示例性实施例示出的一种模型训练方法的流程图，参照图1，该模型训练方法可以包括以下步骤：
步骤101，获取原始图像和对原始图像进行图像增强得到的增强图像。
其中，原始图像可以是医学图像。
其中，图像增强是通过对原始图像做一系列随机改变，来产生相似但又不同的训练样本，从而扩大训练数据集的规模，而且随机改变训练样本可以降低模型对某些属性的依赖，从而提高模型的泛化能力。
示例地，图像增强可以包括多重裁剪、翻转、随机仿射、反射、缩放变换、平移变换、尺度变换、对比度变换、噪声扰动、颜色变换等一种或多种组合数据增强变换的方式来增加数据集的大小，且翻转可以是上下左右翻转。
步骤102，将增强图像分别输入到至少两个辅编码器，得到各辅编码器对应输出的第一图像特征，以及将原始图像输入到主编码器，得到主编码器输出的第二图像特征。
其中，辅编码器和主编码器均用于提取输入的图像的特征，该特征可以通过向量进行表示，与前述的特征网络的功能类似各辅编码器和主编码器的网络结构类似，以下以主编码器为例进行说明。
主编码器可以包括第一网络和第二网络，第一网络与第二网络连接，原始图像经过第一网络，得到高维的图像特征，第二网络对高维的图像特征进行降维处理，得到第二图像特征。示例地，第一网络可以是ResNet-50网络，第二网络可以是一个两层的线性层，其中，线性层中的最后一层的输出可以为第二图像特征。
步骤103，根据各第一图像特征、第二图像特征以及获取到的负样本对主编码器进行对比学习，得到训练完成的主编码器，训练完成的主编码器用于提取目标图像的图像特征，在对比学习过程中，采用反向传播算法对主编码器的参数进行更新，采用动量更新算法对各辅编码器的参数进行更新，各辅编码器对应的动量更新算法中采用的动量系数是不同的。
值得说明的是，对比学习是一种自监督学习方法，用于在没有标签的情况下，通过让主编码器学习哪些数据点相似或不同来学习样本集中原始图像的一般特征。
其中，负样本队列中维护的是负样本，对应的，原始图像是作为正样本。
其中，关于对比学习的过程、主编码器的参数以及辅编码器的参数的更新可以参照下述相关实施例，本实施例在此不作赘述。
通过上述方式，在对比学习过程中，各辅编码器对应的动量更新算法中采用的动量系数是不同的，动量系数的大小决定辅编码器的参数的更新速度，对于采用较小动力系数的辅编码器与采用较大动力系数的辅编码器相比而言，前者的参数更新越快进而其更新速度与主编码器的参数的更新速度更相近，从而可以捕捉到图像的细节特征，后者的参数更新越慢，从而可以捕捉到图像的结构性特征，利用细节特征和结构性特征这两方面的特征辅助主编码器进行对比学习，从而能够提高训练完成的主编码器对目标图像的特征表达能力，进而在将训练完成的主编码器运用到下游任务对应的图像处理模型时能够提升该图像处理模型的性能。
在一些实施例中，上述的根据各第一图像特征、第二图像特征以及获取到的负样本对主编码器进行对比学习，得到训练完成的主编码器的步骤可以包括：针对各辅编码器，根据获取到的与该辅编码器对应的负样本队列中的负样本、该辅编码器对应的第一图像特征以及第二图像特征，确定与该辅编码器对应的损失值；根据所有损失值，采用反向传播算法对主编码器的参数进行更新，并根据更新后的主编码器的参数采用对应各辅编码器的动量更新算法对各辅编码器的参数进行更新，直至满足第一收敛条件，得到训练完成的主编码器。
其中，每个辅编码器对应的负样本队列中维护的负样本可以不相同，维护的负样本数量可以相同。
其中，可以通过下式(1)依据获取到的与该辅编码器对应的负样本队列中的负样本、该辅编码器对应的第一图像特征以及第二图像特征确定与该辅编码器对应的损失值：
Figure BDA0004131961690000081
其中，Li为与第i个辅编码器对应的损失值，p为所述第二图像特征，ωi为第i个辅编码器输出的第一图像特征，ωn为与第i个辅编码器对应的负样本队列中的第n个负样本，τi为与第i个辅编码器对应的预设的温度系数，N为与第i个辅编码器对应的负样本队列中的负样本的数量，exp()为以自然常数e为底的指数函数，sim()为相似度函数，sim()用于计算两个向量之间的距离，该距离用于表征两个向量之间相似程度，log()为对数函数。
其中，反向传播算法意指梯度下降算法，这里的梯度下降算法意指根据预设的损失函数的值来修改网络参数，以上式(1)来表征预设的损失函数，且从上式(1)可以看出，分子中只计算正样本对的距离，负样本只会在分母中出现，当正样本对距离越小，正负样本对距离越大，相应地损失值则越小，因此，以上式(1)作为计算每个辅编码器对应的损失值，且以所有辅编码器对应的损失值最小化为目标，对主编码器的参数进行更新。
其中，上述的根据所有损失值，采用反向传播算法对主编码器的参数进行更新，并根据更新后的主编码器的参数采用对应各辅编码器的动量更新算法对各辅编码器的参数进行更新，直至满足第一收敛条件，得到训练完成的主编码器的步骤可以包括：按照预设的权重，对所有损失值进行加权，得到总损失值；根据总损失值，采用反向传播算法对主编码器的参数进行更新，并根据更新后的主编码器的参数采用对应各辅编码器的动量更新算法对各辅编码器的参数进行更新，直至满足第一收敛条件，得到训练完成的主编码器。
其中，每个辅编码器均对应一预设的权重，按照每个辅编码器对应的权重，对所有损失值进行加权。
其中，可以通过下式(2)确定上述总损失值：
Figure BDA0004131961690000091
其中，L为总损失值，Li为第i个辅编码器对应的损失值，βi为第i个辅编码器对应预设的权重，J为辅编码器的个数，优选地，J可以为2。
其中，可以采用下式根据更新后的主编码器的参数并采用对应各辅编码器的动量更新算法对各辅编码器的参数进行更新：
θi←αiθi+(1-αi)θp(3)
其中，上式(3)箭头左侧的θi为更新后的第i个辅编码器的参数，上式(3)箭头右侧的θi为更新前的第i个辅编码器的参数，θp为更新后的主编码器的参数，αi为第i个辅编码器对应的动量系数，其中，αi∈[0,1)。
由上式(3)可知，在αi越大且趋近于1的情况下，第i个辅编码器更新后的参数与未更新前的参数越接近，即第i个辅编码器的参数更新的越慢；在αi越小甚至为0的情况下，第i个辅编码器更新后的参数与未更新前的参数差异越大，且第i个辅编码器更新后的参数与更新后的主编码器的参数相近，即第i个辅编码器的参数更新的越快。
其中，第一收敛条件可以是总损失值小于或等于第一预设阈值，或者，第一收敛条件可以是主编码器和辅编码器的参数的更新次数达到第二预设阈值。
以下以辅编码器包括两个对本公开进行解释说明。
图2是根据一示例性实施例示出的一种对比学习依赖的框架图，在图2中，包括主编码器和两个辅编码器，两个辅编码器分别为辅编码器1和辅编码器2。辅编码器1包括网络A1和网络A2，辅编码器2包括网络B1和网络B2，主编码器包括网络C1和网络C2，其中，网络A1、网络B1和网络C1均与上述的第一网络的功能相同，网络A2、网络B2和网络C2均与上述的第二网络的功能相同，具体解释说明可以参照上述相关实施例。辅编码器1对应的负样本队列1，辅编码器对应负样本队列2。
在图2中，原始图像输入到网络C1中，得到网络C1输出的高维特征，该高维特征再经过网络C2进行降维处理，得到第二图像特征；原始图像经过第一图像增强处理，得到输入到网络A1的增强图像，网络A1对该增强图像进行处理得到网络A1输出的高维特征，该高维特征再经过网络A2进行降维处理，得到与辅编码器1对应输出的第一图像特征；原始图像经过第二图像增强处理，得到输入到网络B1的增强图像，网络B1对该增强图像进行处理得到网络B1输出的高维特征，该高维特征再经过网络B2进行降维处理，得到与辅编码器2对应输出的第一图像特征。其中，原始图像和增强图像的尺寸可以为224X224，第一图像增强和第二图像增强可以不同，也可以相同。
针对辅编码器1而言，其输出的第一图像特征与负样本队列1中的每一负样本的图像特征进行相似度计算，得到对应的第一相似距离，该第一相似距离用于表示正负样本对之间的相似程度，另外，辅编码器1输出的第一图像特征与主编码器输出的第二图像特征进行相似度计算，得到对应的第二相似距离，该相似距离用于表征正样本对之间的相似程度。
针对辅编码器2而言，其输出的第一图像特征与负样本队列2中的每一负样本的图像特征进行相似度计算，得到对应的第四相似距离，该第四相似距离用于表征正负样本对之间的相似程度，另外，辅编码器2输出的第一图像特征与主编码器输出的第二图像特征进行相似度计算，得到对应的第三相似距离，该相似距离用于表征正样本对之间的相似程度。
通过计算的负样本队列1中的所有负样本对应的第一相似距离和第二相似距离，以及上式(1)中的其他参数，确定辅编码器1对应的损失值，以下通过下式(4)表征辅编码器1对应的损失值：
Figure BDA0004131961690000111
其中，L1为辅编码器1对应的损失值，p为第二图像特征，ω1为辅编码器1输出的第一图像特征，ωk为负样本队列1中第k个负样本对应的图像特征，sim(p,ω1)表征第二相似距离，sim(ω1,ωk)为负样本队列1中第k个负样本对应的第一相似距离，τ1表征辅编码器1对应的温度系数，τ1可以为0.9，K为负样本队列1中负样本的数量，K可以为65536。
通过计算的第三相似距离以及计算的负样本队列2中的所有负样本对应的第四相似距离，以及上式(1)中的其他参数，确定辅编码器2对应的损失值，以下通过下式(5)表征辅编码器2对应的损失值：
Figure BDA0004131961690000121
其中，L2为辅编码器2对应的损失值，p为第二图像特征，ω2为辅编码器2输出的第一图像特征，ωm为负样本队列2中第m个负样本对应的图像特征，sim(p,ω2)表征第三相似距离，sim(ω2,ωm)为负样本队列2中第m个负样本对应的第四相似距离，τ2表征辅编码器2对应的温度系数，τ2可以为0.9，M为负样本队列2中负样本的数量，M可以为65536。
在得到辅编码器1和辅编码器2分别对应的损失值后，基于辅编码器1和辅编码器2分别对应的预设的权重，确定辅编码器1和辅编码器2的总损失值，采用下式(6)表征总损失值：
L＝β1L1+β2L2(6)
其中，L表示总损失值，β1为辅编码器1对应的权重，β2为辅编码器2对应的权重，L1为辅编码器1对应的损失值，L2为辅编码器2对应的损失值。其中，β1可以为0.55，β2可以为0.25。
基于得到的总损失值，利用反向传播算法更新主编码器的参数。
基于更新后主编码器的参数，以及上式(3)，构造下式(7)根据更新后的主编码器的参数并采用对应辅编码器1的动量更新算法对辅编码器1的参数进行更新：
θ1←α1θ1+(1-α1)θp(7)
其中，上式(7)中箭头左侧的θ1为更新后的辅编码器1的参数，上式(7)箭头右侧的θ1为更新前的辅编码器1的参数，θp为更新后的主编码器的参数，α1为辅编码器1对应的动量系数，α1可以为0.999。
基于更新后主编码器的参数，以及上式(3)，构造下式(8)根据更新后的主编码器的参数并采用对应辅编码器2的动量更新算法对辅编码器2的参数进行更新：
θ2←α2θ2+(1-α2)θp(8)
其中，上式(8)中箭头左侧的θ2为更新后的辅编码器2的参数，上式(7)箭头右侧的θ2为更新前的辅编码器2的参数，θp为更新后的主编码器的参数，α2为辅编码器2对应的动量系数，α2可以为0.9。
通过图2所示的框架，设置两个辅编码器，能够在不增加很大计算量的情况下提升主编码器提取到的正负样本的特征区分度，方便基于预训练得到的主编码器在应用到下游任务时能够提升下游任务对应的模型的性能，其中，对预训练得到的主编码器进行微调得到下游任务对应的模型。
以下对基于预训练得到的主编码器在应用到下游任务进行解释说明，其中，训练完成的主编码器包括用于提取图像高维特征的第一网络和用于对该高维特征进行降维处理的第二网络。在得到训练完成的主编码器后，方法还可以包括：利用解码器和训练完成的主编码器构建图像处理模型；以固定第一网络的方式，采用标注数据对图像处理模型的解码器和第二网络进行训练，直至满足第二收敛条件，得到训练完成的图像处理模型。
值得说明的是，这里的第一网络和第二网络与前述实施例中的第一网络和第二网络的功能相同，不同的是，本实施例中的第一网络和第二网络是经过预训练完成的主编码器所包括的网络。
其中，标注数据可以理解为带有标签的图像数据。
其中，解码器的设置和功能与下游任务的类型相关。例如，在下游任务为分类任务时，解码器为分类器，用于实现对目标图像的分类；又例如，在下游任务为目标检测任务时，解码器为分类器和回归器，用于实现对目标图像中不同目标的分类与定位。
其中，对解码器和第二网络进行训练意指基于图像处理模型输出的结果与标注数据中携带的差异对解码器的参数以及第二网络的参数进行更新。
其中，第二收敛条件可以是图像处理模型输出的结果与标注数据中携带的差异小于或等于第三预设阈值，或者，第二收敛条件可以是解码器的参数和第二网络的参数的更新次数达到第四预设阈值。
其中，标注数据是包括多个的，在采用标注数据对图像处理模型的解码器和第二网络进行训练的过程中，可以在标注数据中采用重采样的方式对图像处理模型的解码器和所述第二网络进行迭代的训练，直至满足第二收敛条件，得到训练完成的图像处理模型。
通过上述方式，冻结图像处理模型中的第一网络，即固定第一网络的方式，在图像处理模型的训练过程中，不对第一网络中的网络参数进行调整，对第二网络的参数和解码器的参数进行更新，从而可以保证预训练完成的主编码器捕捉到的高维特征不会在微调过程中发生大的变化，这样可以使得预训练的高维特征在新的任务中继续有效地使用，并且不会对新的任务造成不适当的影响；此外，重采样的方式能够使得模型能够在针对长尾数据集的任务中具备更优的鲁棒性能。
图3是根据一示例性实施例示出的一种图像处理方法的流程图，参照图3，包括以下步骤：
步骤301，获取目标图像；
步骤302，根据图像处理模型对目标图像进行处理，得到图像处理结果，其中，图像处理模型是通过对解码器和主编码器进行训练得到的。
值得说明的是，这里的主编码器是前述实施例训练得到的主编码器。
其中，目标图像可以是医学图像。
其中，在图像处理模型为图像分类模型时，图像处理结果对应为目标图像的类别；在图像处理模型为目标检测模型时，图像处理结果对应为目标图像中不同目标的类别和不同目标在目标图像中的位置。
其中，关于图像处理模型的训练过程可以参照上述相关实施例，本实施例在此不作赘述。
图4是根据一示例性实施例示出的一种模型训练装置的框图，参照图4，该装置400包括以下模块：
第一获取模块401，用于获取原始图像和对所述原始图像进行图像增强得到的增强图像；
输出模块402，用于将所述增强图像分别输入到至少两个辅编码器，得到各辅编码器对应输出的第一图像特征，以及将所述原始图像输入到主编码器，得到所述主编码器输出的第二图像特征；
学习模块403，用于根据各所述第一图像特征、所述第二图像特征以及获取到的负样本对所述主编码器进行对比学习，得到训练完成的主编码器，训练完成的主编码器用于提取目标图像的图像特征，在对比学习过程中，采用反向传播算法对所述主编码器的参数进行更新，采用动量更新算法对各所述辅编码器的参数进行更新，各所述辅编码器对应的动量更新算法中采用的动量系数是不同的。
在一些实施例中，所述学习模块403包括：
第一确定子模块，用于针对各所述辅编码器，根据获取到的与该辅编码器对应的负样本队列中的负样本、该辅编码器对应的第一图像特征以及所述第二图像特征，确定与该辅编码器对应的损失值；
更新子模块，用于根据所有所述损失值，采用反向传播算法对所述主编码器的参数进行更新，并根据更新后的所述主编码器的参数采用对应各所述辅编码器的动量更新算法对各所述辅编码器的参数进行更新，直至满足第一收敛条件，得到训练完成的主编码器。
在一些实施例中，所述第一确定子模块具体用于：针对各所述辅编码器，根据获取到的与该辅编码器对应的负样本队列中的负样本、该辅编码器对应的第一图像特征以及所述第二图像特征，采用下式确定与该辅编码器对应的损失值：
Figure BDA0004131961690000161
其中，Li为与第i个辅编码器对应的损失值，p为所述第二图像特征，ωi为第i个辅编码器输出的第一图像特征，ωn为与第i个辅编码器对应的负样本队列中的第n个负样本，τi为与第i个辅编码器对应的预设的温度系数，N为与第i个辅编码器对应的负样本队列中的负样本的数量，exp()为以自然常数e为底的指数函数，sim()为相似度函数，log()为对数函数。
在一些实施例中，所述更新子模块具体用于：
按照预设的权重，对所有所述损失值进行加权，得到总损失值；
根据所述总损失值，采用反向传播算法对所述主编码器的参数进行更新，并根据更新后的所述主编码器的参数采用对应各所述辅编码器的动量更新算法对各所述辅编码器的参数进行更新，直至满足第一收敛条件，得到训练完成的主编码器。
在一些实施例中，训练完成的主编码器包括用于提取图像高维特征的第一网络和用于对该高维特征进行降维处理的第二网络，所述装置400还包括：
构建模块，用于利用解码器和训练完成的主编码器构建图像处理模型；
训练模块，用于以固定所述第一网络的方式，采用标注数据对所述图像处理模型的解码器和所述第二网络进行训练，直至满足第二收敛条件，得到训练完成的图像处理模型。
其中，关于上述装置400中各模块的实施方式可以参照上述相关实施例，本实施例在此不作赘述。
图5是根据一示例性实施例示出的一种图像处理装置的框图，参照图5，该装置500包括以下模块：
第二获取模块501，用于获取目标图像；
处理模块502，用于根据图像处理模型对所述目标图像进行处理，得到图像处理结果，其中，所述图像处理模型是通过对解码器和训练完成的主编码器进行训练得到的。
其中，关于上述装置500中各模块的实施方式可以参照上述相关实施例，本实施例在此不作赘述。
本公开实施例还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现上述模型训练方法或图像处理方法的步骤。
本公开实施例还提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现上述模型训练方法或图像处理方法的步骤。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置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。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，电子设备可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取原始图像和对所述原始图像进行图像增强得到的增强图像；将所述增强图像分别输入到至少两个辅编码器，得到各辅编码器对应输出的第一图像特征，以及将所述原始图像输入到主编码器，得到所述主编码器输出的第二图像特征；根据各所述第一图像特征、所述第二图像特征以及获取到的负样本对所述主编码器进行对比学习，得到训练完成的主编码器，训练完成的主编码器用于提取目标图像的图像特征，在对比学习过程中，采用反向传播算法对所述主编码器的参数进行更新，采用动量更新算法对各所述辅编码器的参数进行更新，各所述辅编码器对应的动量更新算法中采用的动量系数是不同的。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标图像；根据图像处理模型对所述目标图像进行处理，得到图像处理结果，其中，所述图像处理模型是通过对解码器和训练完成的主编码器进行训练得到的。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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(C
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (10)

1.一种模型训练方法，其特征在于，包括：
获取原始图像和对所述原始图像进行图像增强得到的增强图像；
将所述增强图像分别输入到至少两个辅编码器，得到各辅编码器对应输出的第一图像特征，以及将所述原始图像输入到主编码器，得到所述主编码器输出的第二图像特征；
根据各所述第一图像特征、所述第二图像特征以及获取到的负样本对所述主编码器进行对比学习，得到训练完成的主编码器，训练完成的主编码器用于提取目标图像的图像特征，在对比学习过程中，采用反向传播算法对所述主编码器的参数进行更新，采用动量更新算法对各所述辅编码器的参数进行更新，各所述辅编码器对应的动量更新算法中采用的动量系数是不同的。
2.根据权利要求1所述的方法，其特征在于，所述根据各所述第一图像特征、所述第二图像特征以及获取到的负样本对所述主编码器进行对比学习，得到训练完成的主编码器，包括：
针对各所述辅编码器，根据获取到的与该辅编码器对应的负样本队列中的负样本、该辅编码器对应的第一图像特征以及所述第二图像特征，确定与该辅编码器对应的损失值；
根据所有所述损失值，采用反向传播算法对所述主编码器的参数进行更新，并根据更新后的所述主编码器的参数采用对应各所述辅编码器的动量更新算法对各所述辅编码器的参数进行更新，直至满足第一收敛条件，得到训练完成的主编码器。
3.根据权利要求2所述的方法，其特征在于，所述针对各所述辅编码器，根据获取到的与该辅编码器对应的负样本队列中的负样本、该辅编码器对应的第一图像特征以及所述第二图像特征，确定与该辅编码器对应的损失值，包括：
针对各所述辅编码器，根据获取到的与该辅编码器对应的负样本队列中的负样本、该辅编码器对应的第一图像特征以及所述第二图像特征，采用下式确定与该辅编码器对应的损失值：
Figure FDA0004131961680000021
其中，Li为与第i个辅编码器对应的损失值，p为所述第二图像特征，ωi为第i个辅编码器输出的第一图像特征，ωn为与第i个辅编码器对应的负样本队列中的第n个负样本，τi为与第i个辅编码器对应的预设的温度系数，N为与第i个辅编码器对应的负样本队列中的负样本的数量，exp()为以自然常数e为底的指数函数，sim()为相似度函数，log()为对数函数。
4.根据权利要求2所述的方法，其特征在于，所述根据所有所述损失值，采用反向传播算法对所述主编码器的参数进行更新，并根据更新后的所述主编码器的参数采用对应各所述辅编码器的动量更新算法对各所述辅编码器的参数进行更新，直至满足第一收敛条件，得到训练完成的主编码器，包括：
按照预设的权重，对所有所述损失值进行加权，得到总损失值；
根据所述总损失值，采用反向传播算法对所述主编码器的参数进行更新，并根据更新后的所述主编码器的参数采用对应各所述辅编码器的动量更新算法对各所述辅编码器的参数进行更新，直至满足第一收敛条件，得到训练完成的主编码器。
5.根据权利要求1-4中任一所述的方法，其特征在于，训练完成的主编码器包括用于提取图像高维特征的第一网络和用于对该高维特征进行降维处理的第二网络，所述方法还包括：
利用解码器和训练完成的主编码器构建图像处理模型；
以固定所述第一网络的方式，采用标注数据对所述图像处理模型的解码器和所述第二网络进行训练，直至满足第二收敛条件，得到训练完成的图像处理模型。
6.一种图像处理方法，其特征在于，包括：
获取目标图像；
根据图像处理模型对所述目标图像进行处理，得到图像处理结果，其中，所述图像处理模型是通过对解码器和权利要求1-5中任一项训练完成的主编码器进行训练得到的。
7.一种模型训练装置，其特征在于，包括：
第一获取模块，用于获取原始图像和对所述原始图像进行图像增强得到的增强图像；
输出模块，用于将所述增强图像分别输入到至少两个辅编码器，得到各辅编码器对应输出的第一图像特征，以及将所述原始图像输入到主编码器，得到所述主编码器输出的第二图像特征；
学习模块，用于根据各所述第一图像特征、所述第二图像特征以及获取到的负样本对所述主编码器进行对比学习，得到训练完成的主编码器，训练完成的主编码器用于提取目标图像的图像特征，在对比学习过程中，采用反向传播算法对所述主编码器的参数进行更新，采用动量更新算法对各所述辅编码器的参数进行更新，各所述辅编码器对应的动量更新算法中采用的动量系数是不同的。
8.一种图像处理装置，其特征在于，包括：
第二获取模块，用于获取目标图像；
处理模块，用于根据图像处理模型对所述目标图像进行处理，得到图像处理结果，其中，所述图像处理模型是通过对解码器和权利要求1-5中任一项训练完成的主编码器进行训练得到的。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-5中任一项所述方法的步骤，或者权利要求6所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-5中任一项所述方法的步骤，或者权利要求6所述方法的步骤。
CN202310231996.6A 2023-03-10 2023-03-10 模型训练方法、图像处理方法、装置、介质及电子设备 Pending CN116258657A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310231996.6A CN116258657A (zh) 2023-03-10 2023-03-10 模型训练方法、图像处理方法、装置、介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310231996.6A CN116258657A (zh) 2023-03-10 2023-03-10 模型训练方法、图像处理方法、装置、介质及电子设备

Publications (1)

Publication Number Publication Date
CN116258657A true CN116258657A (zh) 2023-06-13

Family

ID=86679111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310231996.6A Pending CN116258657A (zh) 2023-03-10 2023-03-10 模型训练方法、图像处理方法、装置、介质及电子设备

Country Status (1)

Country Link
CN (1) CN116258657A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116884077A (zh) * 2023-09-04 2023-10-13 上海任意门科技有限公司 一种人脸图像类别确定方法、装置、电子设备及存储介质
CN117436500A (zh) * 2023-12-19 2024-01-23 杭州宇谷科技股份有限公司 一种基于对比学习的电池数据处理模型的无监督训练方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116884077A (zh) * 2023-09-04 2023-10-13 上海任意门科技有限公司 一种人脸图像类别确定方法、装置、电子设备及存储介质
CN116884077B (zh) * 2023-09-04 2023-12-08 上海任意门科技有限公司 一种人脸图像类别确定方法、装置、电子设备及存储介质
CN117436500A (zh) * 2023-12-19 2024-01-23 杭州宇谷科技股份有限公司 一种基于对比学习的电池数据处理模型的无监督训练方法
CN117436500B (zh) * 2023-12-19 2024-03-26 杭州宇谷科技股份有限公司 一种基于对比学习的电池数据处理模型的无监督训练方法

Similar Documents

Publication Publication Date Title
CN109902186B (zh) 用于生成神经网络的方法和装置
CN110276346B (zh) 目标区域识别模型训练方法、装置和计算机可读存储介质
CN116258657A (zh) 模型训练方法、图像处理方法、装置、介质及电子设备
CN111915480B (zh) 生成特征提取网络的方法、装置、设备和计算机可读介质
WO2022252881A1 (zh) 图像处理方法、装置、可读介质和电子设备
CN113723341B (zh) 视频的识别方法、装置、可读介质和电子设备
CN113449070A (zh) 多模态数据检索方法、装置、介质及电子设备
CN112766284B (zh) 图像识别方法和装置、存储介质和电子设备
CN116310582A (zh) 分类模型训练方法、图像分类方法、装置、介质及设备
CN116166271A (zh) 代码生成方法、装置、存储介质及电子设备
CN111090993A (zh) 属性对齐模型训练方法及装置
CN116258911A (zh) 图像分类模型的训练方法、装置、设备及存储介质
CN115830001A (zh) 肠道图像处理方法、装置、存储介质及电子设备
CN116244431A (zh) 文本分类方法、装置、介质及电子设备
CN116092092A (zh) 匹配方法、装置、介质及电子设备
CN115375657A (zh) 息肉检测模型的训练方法、检测方法、装置、介质及设备
CN112241761B (zh) 模型训练方法、装置和电子设备
CN115375656A (zh) 息肉分割模型的训练方法、分割方法、装置、介质及设备
CN116977885A (zh) 视频文本任务处理方法、装置、电子设备及可读存储介质
CN111680754B (zh) 图像分类方法、装置、电子设备及计算机可读存储介质
CN115270981A (zh) 对象处理方法、装置、可读介质及电子设备
CN111737575B (zh) 内容分发方法、装置、可读介质及电子设备
CN111814807B (zh) 用于处理图像的方法、装置、电子设备和计算机可读介质
CN113345426B (zh) 一种语音意图识别方法、装置及可读存储介质
WO2024007938A1 (zh) 一种多任务预测方法、装置、电子设备及存储介质

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