CN117372705A - 模型训练方法、装置及电子设备 - Google Patents

模型训练方法、装置及电子设备 Download PDF

Info

Publication number
CN117372705A
CN117372705A CN202210754292.2A CN202210754292A CN117372705A CN 117372705 A CN117372705 A CN 117372705A CN 202210754292 A CN202210754292 A CN 202210754292A CN 117372705 A CN117372705 A CN 117372705A
Authority
CN
China
Prior art keywords
image
model
feature
block
image block
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
CN202210754292.2A
Other languages
English (en)
Inventor
靳潇杰
黄至铖
冯佳时
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.)
Lemon Inc Cayman Island
Original Assignee
Lemon Inc Cayman Island
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 Lemon Inc Cayman Island filed Critical Lemon Inc Cayman Island
Priority to CN202210754292.2A priority Critical patent/CN117372705A/zh
Priority to PCT/SG2023/050440 priority patent/WO2024005711A1/zh
Publication of CN117372705A publication Critical patent/CN117372705A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/806—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
    • G06V10/70—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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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

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

Abstract

本公开提供一种模型训练方法、装置及电子设备，该方法包括：获取第一样本图像，所述第一样本图像中包括未遮挡的第一图像块和已遮挡的第二图像块；通过第一模型对所述第一样本图像进行处理，得到所述第一图像块对应的第一图像特征；根据所述第一图像特征，重构所述第二图像块，得到第一图像，以及根据所述第一图像特征，确定所述第一图像块和所述第二图像块的融合预测特征；在目标图像中获取目标图像特征，所述目标图像为所述第一样本图像预处理之后的图像；根据所述第一图像、所述第二图像块、所述融合预测特征和所述目标图像特征，更新所述第一模型的模型参数。提高模型训练的效果。

Description

模型训练方法、装置及电子设备
技术领域
本公开实施例涉及图像处理技术领域，尤其涉及一种模型训练方法、装置及电子设备。
背景技术
自监督学习可以从无标签的数据中学习一个特征提取器，进而通过特征提取器获取特征，这样无需对训练样本进行标注，降低模型训练的成本。
目前，可以通过对比学习的方法实现模型的自监督学习。例如，模型可以通过当前输入的图像与其它图像进行对比，构建当前输入的图像与其它图像的图形之间的关系，通过学习该关系得到特征提取器。但是，通过上述方法训练得到的模型未学习到图像内部各区域之间的关联关系，进而导致模型训练的效果较差。
发明内容
本公开提供一种模型训练方法、装置及电子设备，用于解决现有技术中模型训练的效果较差的技术问题。
第一方面，本公开提供一种模型训练方法，该方法包括：
获取第一样本图像，所述第一样本图像中包括未遮挡的第一图像块和已遮挡的第二图像块；
通过第一模型对所述第一样本图像进行处理，得到所述第一图像块对应的第一图像特征；
根据所述第一图像特征，重构所述第二图像块，得到第一图像，以及根据所述第一图像特征，确定所述第一图像块和所述第二图像块的融合预测特征；
在目标图像中获取目标图像特征，所述目标图像为所述第一样本图像预处理之后的图像；
根据所述第一图像、所述第二图像块、所述融合预测特征和所述目标图像特征，更新所述第一模型的模型参数。
第二方面，本公开提供一种图像处理方法，该方法包括：
通过第一模型对多张图像进行处理，得到所述多张图像对应的多个图像特征，所述第一模型为通过重构图像对比学习结合预测特征对比学习训练得到的模型；可选的，第一模型可以为上述第一方面所述的第一模型。
根据所述多个图像特征，对所述多张图像进行分类。
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、处理模块、重构模块、确定模块、第二获取模块和更新模块，其中：
所述第一获取模块用于，获取第一样本图像，所述第一样本图像中包括未遮挡的第一图像块和已遮挡的第二图像块；
所述处理模块用于，通过第一模型对所述第一样本图像进行处理，得到所述第一图像块对应的第一图像特征；
所述重构模块用于，根据所述第一图像特征，重构所述第二图像块，得到第一图像；
所述确定模块用于，根据所述第一图像特征，确定所述第一图像块和所述第二图像块的融合预测特征；
所述第二获取模块用于，在目标图像中获取目标图像特征，所述目标图像为所述第一样本图像预处理之后的图像；
所述更新模块用于，根据所述第一图像、所述第二图像块、所述融合预测特征和所述目标图像特征，更新所述第一模型的模型参数。
第四方面，本公开提供一种图像处理装置，包括处理模块和分类模块，其中：
所述处理模块用于，通过第一模型对多张图像进行处理，得到所述多张图像对应的多个图像特征，所述第一模型为通过重构图像对比学习结合预测特征对比学习训练得到的模型；
所述分类模块用于，根据所述多个图像特征，对所述多张图像进行分类。
第五方面，本公开实施例提供一种电子设备，包括：处理器和存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面以及第一方面各种可能涉及的所述模型训练方法，或者如上第二方面以及第二方面各种可能涉及的所述图像处理方法。
第六方面，本公开实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能涉及的所述模型训练方法，或者如上第二方面以及第二方面各种可能涉及的所述图像处理方法。
第七方面，本公开实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上第一方面以及第一方面各种可能涉及的所述模型训练方法，或者如上第二方面以及第二方面各种可能涉及的所述图像处理方法。
本公开提供一种模型训练方法、装置及电子设备，电子设备获取第一样本图像，第一样本图像中包括未遮挡的第一图像块和已遮挡的第二图像块，通过第一模型对第一样本图像进行处理，得到第一图像块对应的第一图像特征，根据第一图像特征，重构第二图像块，得到的第一图像，以及根据第一图像特征，确定第一图像块和第二图像块的融合预测特征，在目标图像中获取目标图像特征，目标图像为第一样本图像预处理之后的图像，根据第一图像、第二图像块、融合预测特征和目标图像特征，更新第一模型的模型参数。根据上述方法，电子设备通过重构第二图像块得到的第一图像和已遮挡的第一图像块，可以获取样本第一图像内部各区域之间的关联关系，通过融合预测特征和目标图像特征，可以获取图像之间的关联关系，因此，在对第一模型训练时，第一模型不仅可以学习到图像内部各区域之间的关联关系，也可以学习到图像之间的关联关系，进而提高模型训练的效果。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种应用场景示意图；
图2为本公开实施例提供的一种模型训练方法的流程示意图；
图3为本公开实施例提供的一种第一样本图像的示意图；
图4为本公开实施例提供的一种获取目标图像的过程示意图；
图5为本公开实施例提供的一种获取目标图像特征的过程示意图；
图6为本公开实施例提供的一种更新模型参数的方法流程示意图；
图7为本公开实施例提供的一种模型训练方法的过程示意图；
图8为本公开实施例提供的一种图像处理方法的流程示意图；
图9为本公开实施例提供的一种模型训练装置的结构示意图；
图10为本公开实施例提供的一种图像处理装置的结构示意图；
图11为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
为了便于理解，下面，对本公开实施例涉及的概念进行说明。
电子设备：是一种具有无线收发功能的设备。电子设备可以部署在陆地上，包括室内或室外、手持、穿戴或车载；也可以部署在水面上(如轮船等)。所述电子设备可以是手机(mobile phone)、平板电脑(Pad)、带无线收发功能的电脑、虚拟现实(virtual reality，VR)电子设备、增强现实(augmented reality，AR)电子设备、工业控制(industrialcontrol)中的无线终端、车载电子设备、无人驾驶(self driving)中的无线终端、远程医疗(remote medical)中的无线电子设备、智能电网(smart grid)中的无线电子设备、运输安全(transportation safety)中的无线电子设备、智慧城市(smart city)中的无线电子设备、智慧家庭(smart home)中的无线电子设备、可穿戴电子设备等。本公开实施例所涉及的电子设备还可以称为终端、用户设备(user equipment，UE)、接入电子设备、车载终端、工业控制终端、UE单元、UE站、移动站、移动台、远方站、远程电子设备、移动设备、UE电子设备、无线通信设备、UE代理或UE装置等。电子设备也可以是固定的或者移动的。
在相关技术中，多数模型训练的场景无法获取到较多的标签数据(如，医疗图像识别领域等)，并且标签数据需要人工标注耗时较长，而自监督学习可以从无标签的图像数据中学习一个特征提取器，进而通过特征提取器提取图像的特征，这样可以有效的降低模型训练的成本。目前，可以通过对比学习的方法实现模型的自监督学习。例如，将输入的图像与该图像变换的图像(如，改变输入图像的亮度、尺寸、色彩等，但是图形不变)作为正样本，将输入的图像与其它图像作为负样本进行自监督的训练，进而使得模型可以学习到图像与图像之间的关联关系。但是，图像内部区域之间也存在关联关系，上述模型训练方法得到的模型未学习到图像内部各区域之间的关联关系，进而导致模型训练的效果较差。
为了解决相关技术中的技术问题，本公开实施例提供一种模型训练方法，获取第一样本图像，第一样本图像中包括未遮挡的第一图像块和已遮挡的第二图像块，通过第一模型对第一样本图像进行处理，得到第一图像块对应的第一图像特征，根据第一图像特征，重构第二图像块，得到第一图像，以及根据第一图像特征，确定第一图像块和第二图像块的融合预测特征，通过图像增强、提高对比度等方式对第一样本图像进行处理，得到目标图像，进而在目标图像中获取部分图像对应的目标图像特征，根据第一图像和第二图像块得到第一损失函数，通过融合预测特征和目标图像特征得到第二损失函数，通过第一损失函数和第二损失函数对第一模型的模型参数进行更新。这样，第一模型可以通过第一图像和第二图像块学习到图像内部各区域之间的关联关系，也可以通过融合预测特征和目标图像特征学习到图像之间的关联关系，进而提高模型训练的效果。
下面，结合图1，对本公开实施例的应用场景进行说明。
图1为本公开实施例提供的一种应用场景示意图。请参见图1，包括图像A、图像B、图像C、图像D和分类模型。其中，分类模型中设置有本公开实施例中的第一模型(图1中未示出)。向分类模型输入图像A、图像B、图像C和图像D，分类模型可以获取每张图像对应的图像特征，并根据图像特征将图像A和图像C分类一类图像，将图像B和图像D分为一类图像。这样，由于分类模型中的第一模型学习到图像之间的关联关系和图像内部区域的关联关系，模型训练的效果较好，因此，分类模型可以准确的得到每张图像对应的图像特征，进而提高图像分类的准确度。需要说明的是，图1只是示例性的说明本公开实施例的一种应用场景，并非对应用场景的限定。
下面以具体地实施例对本公开的技术方案以及本公开的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本公开的实施例进行描述。
图2为本公开实施例提供的一种模型训练方法的流程示意图。请参见图2，该方法可以包括：
S201、获取第一样本图像。
本公开实施例的执行主体可以为电子设备，也可以为设置在电子设备中的模型训练装置。可选的，模型训练装置可以通过软件实现，模型训练装置也可以通过软件和硬件结合的方式实现。
可选的，第一样本图像用于对第一模型进行训练。可选的，第一样本图像包括多个图像块。例如，若第一样本图像的尺寸为224*224，则第一样本图像可以划分为14*14(196)个没有重叠区域的图像块，或者，第一样本图像也可以划分为任意尺寸的没有重叠区域的图像块，本公开实施例对此不作限定。
可选的，第一样本图像中的各图像块都包括对应的标识。例如，第一样本图像包括196个不重叠的图像块，每个图像块都有唯一的序号，电子设备通过图像块对应的序号，可以确定图像块在第一样本图像中的位置。
可选的，多个图像块中包括未遮挡的第一图像块和已遮挡的第二图像块。例如，第一样本图像中包括图像块A、图像块B和图像块C，若对图像块A进行遮挡，则第一图像块为图像块B和图像块C，第二图像块为图像块A。
可选的，电子设备可以通过遮挡区域对第一样本图像中的多个图像块进行遮挡。例如，若预设的遮挡比例为0.5，第一样本图像中包括100个图像块，则可以将遮挡掩膜的尺寸设置为50个图像块的尺寸，进而通过该遮挡掩膜对第一样本图像进行遮挡。例如，若第一样本图像中包括100个不重叠的图像块，预设的遮挡比例为0.5，则可以设置50个与图像块尺寸相同的掩膜，进而通过50个掩膜随机覆盖50个图像块。可选的，第一样本图像中的遮挡比例可以为任意比例，本公开实施例对此不作限定。
下面，结合图3，对第一样本图像进行说明。
图3为本公开实施例提供的一种第一样本图像的示意图。请参见图3，包括图像块A、图像块B、图像块C和图像块D。其中，图像块A、图像块B、图像块C和图像块D之间互不重叠。若将图像块A的内容和图像块B的内容遮挡，则第一图像块包括图像块C和图像块D，第二图像块包括图像块A和图像块B。
S202、通过第一模型对第一样本图像进行处理，得到第一图像块对应的第一图像特征。
可选的，第一模型可以为神经网络模型，通过第一模型可以获取图像的图像特征。例如，第一模型可以为卷积神经网络(Convolutional Neural Network，CNN)，通过调整CNN中的参数，可以提高CNN的特征提取的准确度。
可选的，由于第一图像块为第一样本图像中未遮挡的图像块，因此，可以根据如下可行的实现方式，得到第一图像块对应的第一图像特征：对第一样本图像中的第一图像块进行特征提取处理，得到第一图像块对应的第一图像特征。例如，由于第一图像块为未遮挡的图像块，因此，第一模型可以直接对第一图像块中的图像内容进行识别，进而得到第一图像块对应的第一图像特征。例如，第一模型中包括在线编码器，在线编码器接收到可识别的第一图像块时，可以将第一图像块映射到特征空间，在进而得到第一图像块编码后的特征。
可选的，第一图像特征可以为向量特征。例如，第一图像特征可以为768维的特征向量，若第一样本图像中包括100个图像块，则通过第一模型对第一样本图像处理之后，每个图像块都会对应一个768维的特征向量。
S203、根据第一图像特征，重构第二图像块，得到第一图像。
可选的，电子设备可以通过未遮挡的第一图像块对应的第一图像特征，重构已遮挡的第二图像块中的图像内容，进而得到第一图像。例如，电子设备中可以包括在线解码器，在线解码器接收到第一图像块对应的第一图像特征时，可以将第一图像特征输入至像素解码器中(已遮挡的第二图像块的特征可以使用占位符替代)，像素解码器可以根据第一图像特征，预测未遮挡的第二图像块对应的第一图像。
S204、根据第一图像特征，确定第一图像块和第二图像块的融合预测特征。
可选的，融合预测特征用于指示第一图像块和第二图像块的融合特征。例如，第一图像块和第二图像块可以组成一张图像，第二图像块为已遮挡的图像块，电子设备通过第一图像块的第一图像特征，可以预测得到第一图像块和第二图像块融合之后的融合预测特征。
可选的，电子设备可以根据如下可行的实现方式，确定第一图像块和第二图像块的融合预测特征：获取预设的第一向量。可选的，第一向量可以为预测的第二图像块对应的向量。例如，电子设备中可以包括在线解码器，在线解码器接收到第一图像块对应的第一图像特征时，可以根据第一图像特征，预测第二图像块对应的第一向量。
将第一向量和第一图像特征进行融合，得到融合向量。例如，在电子设备得到第一图像块对应的第一图像特征时，电子设备可以根据第二图像块在第一样本图像中的序号，通过占位符将第二图像块对应的特征补齐，在线解码器接收到第一图像特征时，可以预测第二图像块对应的特征向量，并将占位符替换为该特征向量，进而得到融合向量。
根据融合向量得到融合预测特征。例如，在线解码器中包括特征解码器，电子设备中的在线解码器得到融合向量时，可以向特征解码器中输入融合向量，特征解码器可以根据融合向量，得到第一图像块和第二图像块的融合预测特征。
S205、在目标图像中获取目标图像特征。
可选的，目标图像为第一样本图像预处理之后的图像。可选的，预处理可以为改变图像属性的处理方法。例如，预处理可以包括调整图像亮度、调整图像色彩、调整图像对比度、调整图像灰度、调整图像尺寸或者其它图像处理方法，本公开实施例对此不作限定。例如，对第一样本图像进行增强显示处理，得到目标图像；增加第一样本图像的亮度，得到目标图像；裁剪部分第一样本图像，得到目标图像等。
可选的，目标图像中可以包括多个图像块。例如，第一样本图像中包括100个图像块，若对第一样本图像进行增强显示处理，得到目标图像，则目标图像中也可以包括100个图像块。可选的，目标图像中的图像块都为未遮挡的第一图像块。
下面，结合图4，对获取目标图像的过程进行说明。
图4为本公开实施例提供的一种获取目标图像的过程示意图。请参见图4，包括第一样本图像和目标图像。其中，第一样本图像中包括图像块A、图像块B、图像块C和图像块D。对第一样本图像中的灰度值进行调整，进而得到目标图像，目标图像中包括图像块1、图像块2、图像块3和图像块4。其中，图像块1为图像块A的灰度值调整之后的图像块，图像块2为图像块B的灰度值调整之后的图像块，图像块3为图像块C的灰度值调整之后的图像块，图像块4为图像块D的灰度值调整之后的图像块。
可选的，电子设备在目标图像中获取目标图像特征，有如下两种情况：
情况1：将目标图像的图像特征，确定为目标图像特征。
可选的，电子设备可以对目标图像进行处理，进而得到目标图像对应的目标图像特征。例如，电子设备可以通过编码器对目标图像进行处理，进而得到目标图像对应的特征图。
情况2：将目标图像的部分图像的图像特征，确定为目标图像特征。
可选的，电子设备可以通过如下可行的实现方式，得到目标图像特征：根据第二图像块在第一样本图像中的位置，在目标图像中确定第一区域。例如，若第二图像块在第一样本图像中的中部区域，则将目标图像中的中部区域确定为第一区域，若第二图像块在第一样本图像中的上部区域，则将目标图像中的上部区域确定为第一区域。可选的，第一区域的尺寸可以与多个第二图像块的尺寸的和相同。例如，若第一样本图像中包括10个第二图像块，每个第二图像块的长为10个像素单位，宽为10个像素单位，则第一区域的长为100个像素单位，宽为100个像素单位，第一区域的尺寸可以为其它尺寸本公开实施例对此不作限定。
对第一区域进行偏移处理，得到第二区域。例如，电子设备在目标图像中将第一区域向任意方向偏移任意距离，进而得到第二区域，这样，第二区域中的图像内容与第一区域中的图像内容相似，进而提高模型训练的效果。
获取目标图像中的第二区域内的图像块对应的图像特征，确定为目标图像特征。例如，目标图像中包括多个图像块，在电子设备确定第二区域之后，电子设备可以将第二区域内的图像块对应的图像特征，确定为目标图像特征。
可选的，电子设备可以在目标图像中随机选取部分图像区域，并将图像区域内的图像对应的特征，确定为目标图像特征。例如，电子设备在目标图像中任意获取预设尺寸的图像，并将该图像对应的图像特征确定为目标图像特征，其中，预设尺寸可以与第一样本图像中已遮挡区域的尺寸相同，也可以与第一样本图像中已遮挡区域的尺寸不同，本公开实施例对此不作限定。
可选的，电子设备可以通过目标编码器，对目标图像进行处理，得到目标图像对应的目标图像特征。可选的，目标编码器用于获取目标图像中的图像特征。例如，电子设备中包括在线编码器，通过在线编码器可以获取第一样本图像中多个图像块的第一图像特征，电子设备还可以通过目标编码器，得到目标图像对应的第二图像特征。
下面，结合图5，对在目标图像中获取目标图像特征的过程进行说明。
图5为本公开实施例提供的一种获取目标图像特征的过程示意图。请参见图5，包括目标图像。其中，目标图像中包括图像块A、图像块B、图像块C和图像块D。目标图像中的第一区域中包括图像块A和图像块B，对第一区域向下进行偏移，得到第二区域。第二区域中包括图像块C和图像块D。将图像块C和图像块D对应的图像特征，确定为目标图像对应的目标图像特征。
S206、根据第一图像、第二图像块、融合预测特征和目标图像特征，更新第一模型的模型参数。
可选的，可以根据如下可行的实现方式，更新第一模型的模型参数：根据第一图像和第二图像块，确定第一模型的第一损失函数。例如，电子设备通过第一图像和第二图像块之间的差异，确定第一模型的第一损失函数，进而通过第一损失函数对第一模型进行更新。
可选的，可以根据如下公式确定第一损失函数：
其中，L1为第一损失函数；M为第二图像块的数量；n为第一样本图像中的图像块数量；xi为第一图像；yi为第二图像块；i为第二图像块的序号。
根据融合预测特征和目标图像特征，确定第一模型的第二损失函数。例如，电子设备通过第一图像块和第二图像块的融合预测特征与目标图像中的目标图像特征之间的关系，得到第二损失函数，并通过第二损失函数更新第一模型中的模型参数。
根据第一损失函数和第二损失函数，更新第一模型的模型参数。例如，电子设备可以通过第一图像与第二图像块之间的第一损失函数，以及融合预测特征和目标图像特征之间的第二损失函数，对第一模型进行更新，这样第一模型不仅可以学习到图像之间的关联关系，还可以学习到图像内各区域之间的关联关系，进而提高模型训练的效果。
本公开实施例提供一种模型训练方法，获取第一样本图像，通过第一模型对第一样本图像中的未遮挡的第一图像块进行处理，得到第一图像块对应的第一图像特征，根据第一图像特征，重构第一样本图像中已遮挡的第二图像块，得到第一图像，以及根据第一图像特征，确定第一图像块和第二图像块的融合预测特征，通过图像增强、提高对比度等方式对第一样本图像进行处理，得到目标图像，进而在目标图像中确定对比学习所需的目标图像特征，根据第一图像和第二图像块得到第一损失函数，通过融合预测特征和目标图像特征得到第二损失函数，通过第一损失函数和第二损失函数对第一模型的模型参数进行更新这样，由于第一损失函数可以指示图像内部各区域之间的关联关系，第二损失函数可以指示图像之间的关联关系，因此，第一模型可以学习到图像内部区域特征和图像之间的特征，进而提高模型训练的效果。
上述模型处理方法还包括更新第一模型的模型参数的方法，在图2所示的实施例的基础上，下面，结合图6，对更新第一模型的模型参数的方法进行说明。
图6为本公开实施例提供的一种更新模型参数的方法流程示意图。请参见图6，包括：
S601、根据第一图像和第二图像块，确定第一损失函数。
需要说明的是，步骤S601的执行过程可以参照步骤S205，本公开实施例对此不再进行赘述。
S602、根据融合预测特征和目标图像特征，确定第二损失函数。
可选的，可以根据如下可行的实现方式，确定第二损失函数：获取第二样本图像，并确定第二样本图像的第二图像特征。可选的，第二样本图像为除第一样本图像之外的其它图像。例如，在第一模型进行自监督学习的过程中，第一模型的训练集合中可以包括多个训练样本图像，在对其中一张训练样本图像进行学习时，其它的训练样本图像都为第二样本图像。
可选的，可以通过编码器对第二样本图像进行编码，得到第二样本图像对应的第二图像特征。例如，第二样本图像为自监督学习中的对比样本(负样本)，电子设备可以通过目标编码器对第二样本图像的图像特征进行编码，得到第二图像特征。
根据融合预测特征、目标图像特征和第二图像特征，确定第二损失函数。可选的，可以根据如下可行的实现方式，确定第二损失函数：获取融合预测特征与目标图像特征之间的第一相似度。例如，第一相似度可以为余弦相似度、欧氏距离等，本公开实施例对此不作限定。例如，目标图像中每个图像块都对应一个768维的向量空间，在获取第一相似度之前，电子设备可以将多个图像块对应的多个768维的向量空间合并为一个特征向量，进而确定该特征向量与融合预测特征之间的余弦相似度，并将余弦相似度确定为第一相似度。
获取融合预测特征与第二图像特征之间的第二相似度。例如，将第二样本图像中的每个图像块对应的特征向量合并为一个特征向量，进而确定合并之后的特征向量与融合预测特征之间的余弦相似度，进而将余弦相似度确定为第二相似度。
根据第一相似度和第二相似度，确定第二损失函数。可选的，可以根据如下公式确定第二参数：
其中，L2为第二参数；s+为正样本之间的余弦相似度(第一相似度)；s-为正样本和负样本之间的余弦相似度(第二相似度)；τ为控制学习难度的系数(可以为任意值，如，0.07)。
S603、根据第一损失函数和第二损失函数，更新第一模型的模型参数。
可选的，可以根据如下可行的实现方式，更新第一模型的模型参数：获取第一损失函数对应的第一权重和第二损失函数对应的第二权重，根据第一参数、第一损失函数、第二参数和第二损失函数，更新第一模型的模型参数。可选的，第一权重和第二权重可以为预先设置的任意值，第一权重与第二权重的和为1。例如，若第一权重为0.3，第二权重可以为0.7，电子设备可以通过需求，调整第一权重和第二权重，进而调整第一模型学习的侧重方向(如，偏向图像内的关联关系，或者，偏向图像之间的关联关系)，进而提高模型训练的灵活度和模型训练的效果。
本公开实施例提供一种更新模型参数的方法，根据第一图像和第一图像块，确定第一损失函数，根据融合预测特征和目标图像特征，确定第二损失函数，根据第一损失函数和第二损失函数，更新第一模型的模型参数。这样，电子设备可以通过第一损失函数和第二损失函数准确的对第一模型进行训练，提高模型训练的准确度，并且，由于第一损失函数对应的第一权重和第二损失函数对应的第二权重可以灵活的调整第一模型学习的侧重点，因此，可以提高模型训练的灵活度，进而提高模型训练的效果。
在上述任意一个实施例的基础上，下面，结合图7，对上述模型训练方法的过程进行说明。
图7为本公开实施例提供的一种模型训练方法的过程示意图。请参见图7，包括第一模型、在线解码器和目标编码器。其中，第一模型中包括第一样本图像，第一样本图像中包括已遮挡区域。第一模型对第一样本图像中的未遮挡区域进行处理，得到未遮挡区域对应的3个第一图像特征。在线编码器获取3个第一图像特征，并对第一样本图像中的已遮挡区域的特征进行预测，并将预测后的特征补入3个第一图像特征。通过像素解码器对补入特征之后的第一图像特征进行处理，重构已遮挡区域的图像，得到第一图像，并通过第一图像和第一样本图像中的已遮挡图像得到第一损失函数。
请参见图7，目标编码器获取目标图像，目标图像为第一样本图像进行增强显示后的图像。目标编码器生成目标图像对应的目标图像特征。通过特征解码器对补入特征之后的第一图像特征进行处理，得到已遮挡区域和未遮挡区域的融合预测特征。通过融合预测特征和目标图像特征，得到第二损失函数，需要说明的是，图7所示的实施例中还可以结合负样本(第二样本图像，图7中未示出)确定第二损失函数。
请参见图7，通过第一损失函数和第二损失函数对在线解码器和第一模型进行反向梯度传递，进而更新第一模型中的模型参数。例如，在第一模型训练过程中，通过第一损失函数和第二损失函数可以对在线解码器的参数也进行更新(第一模型持续训练，在线解码器的参数也持续更新)，在实际使用过程中只需要通过第一模型提取图像特征，无需在线解码器和目标编码器。
可选的，在第一模型进行训练的过程中，目标编码器中的参数也可以进行更新，可以通过下述公式，对目标编码器中的参数进行更新：
其中，为目标编码器在第k步的网络权重；/>为在线编码器在第k步的网络权重；α为超参数(如，α可以为0.9)。这样，通过在线编码器的网络权重和目标编码器上一次更新时的网络权重，可以对目标编码器中的参数进行更新，进而提高第一模型的训练效果。
根据上述方法，第一模型可以通过重构的遮挡区域的第一图像和第一样本图像中遮挡区域的图像学习到第一样本图像内部各区域之间的关联关系，第一模型也可以通过融合预测特征和目标图像特征学习到图像与图像之间的关联关系，进而提高第一模型的模型训练效果。
本公开实施例还包括一种图像处理方法，下面，结合图8，对图像处理方法的流程进行说明。
图8为本公开实施例提供的一种图像处理方法的流程示意图。请参见图8，该方法流程包括：
S801、通过第一模型对多张图像进行处理，得到多张图像对应的多个图像特征。
可选的，所述第一模型为通过重构图像对比学习结合预测特征对比学习训练得到的模型。可选的，第一模型可以为上述任意一个实施例所述的第一模型。例如，第一模型可以为图2、图6所示的实施例中的第一模型。
S802、根据所述多个图像特征，对所述多张图像进行分类。
可选的，可以根据如下可行的实现方式，对多张图像进行分类：获取任意两张图像对应的两个图像特征之间的相似度，并通过相似度，对多张图像进行分类，得到图像分类结果。例如，在两张图像对应的图像特征之间的相似度大于或等于第一阈值时，确定两张图像为同类图像，在两张图像对应的图像特征之间的相似度小于第一阈值时，确定两张图像为不同类型的图像。例如，图像集合中包括图像A、图像B、图像C和图像D，若图像A的图像特征与图像B的图像特征之间的相似度大于第一阈值，图像C的图像特征与图像D的图像特征之间的相似度大于第一阈值，而图像A或图像B的图像特征与图像C或图像D的图像特征之间的相似度小于第一阈值，则电子设备将图像A和图像B分为一类图像，将图像C和图像D分为另一类图像。
本公开实施例提供的一种图像处理方法，通过第一模型对多张图像进行处理，得到多张图像对应的多个图像特征，根据所述多个图像特征，对所述多张图像进行分类。由于，所述第一模型为通过重构图像对比学习结合预测特征对比学习训练得到的模型，因此，第一模型可以学习到图像内部各区域之间的关联关系和图像之间的关联关系，进而提高第一模型的训练效果，使得第一模型输出的图像特征的准确度较高，提高图像分类的准确度。
图9为本公开实施例提供的一种模型训练装置的结构示意图。请参见图9，该模型训练装置10包括第一获取模块11、处理模块12、重构模块13、确定模块14、第二获取模块15和更新模块16，其中：
所述第一获取模块11用于，获取第一样本图像，所述第一样本图像中包括未遮挡的第一图像块和已遮挡的第二图像块；
所述处理模块12用于，通过第一模型对所述第一样本图像进行处理，得到所述第一图像块对应的第一图像特征；
所述重构模块13用于，根据所述第一图像特征，重构所述第二图像块，得到第一图像；
所述确定模块14用于，根据所述第一图像特征，确定所述第一图像块和所述第二图像块的融合预测特征；
所述第二获取模块15用于，在目标图像中获取目标图像特征，所述目标图像为所述第一样本图像预处理之后的图像；
所述更新模块16用于，根据所述第一图像、所述第二图像块、所述融合预测特征和所述目标图像特征，更新所述第一模型的模型参数。
在一种可能的实施方式中，所述更新模块16具体用于：
根据所述第一图像、所述第二图像块，确定所述第一模型的第一损失函数；
根据所述融合预测特征和所述目标图像特征，确定所述第一模型的第二损失函数；
根据所述第一损失函数和所述第二损失函数，更新所述第一模型的模型参数。
在一种可能的实施方式中，所述更新模块16具体用于：
获取第二样本图像，并确定所述第二样本图像的第二图像特征，所述第二样本图像为除所述第一样本图像之外的其它图像；
根据所述融合预测特征、所述目标图像特征和所述第二图像特征，确定所述第二损失函数。
在一种可能的实施方式中，所述更新模块16具体用于：
获取所述融合预测特征与所述目标图像特征之间的第一相似度；
获取所述融合预测特征与所述第二图像特征之间的第二相似度；
根据所述第一相似度和所述第二相似度，确定所述第二损失函数。
在一种可能的实施方式中，所述更新模块16具体用于：
获取所述第一损失函数对应的第一权重和所述第二损失函数对应的第二权重；
根据所述第一损失函数、所述第一权重、所述第二损失函数和所述第二权重，更新所述第一模型的模型参数。
在一种可能的实施方式中，所述确定模块14具体用于：
获取第一向量；
将所述第一向量和所述第一图像特征进行融合处理，得到融合向量；
根据所述融合向量得到所述融合预测特征。
在一种可能的实施方式中，所述第二获取模块15具体用于：
根据所述第二图像块在所述第一样本图像中的位置，在所述目标图像中确定第一区域；
对所述第一区域进行偏移处理，得到第二区域；
将所述目标图像中的第二区域内的图像块对应的图像特征，确定为所述目标图像特征。
本公开实施例提供的模型训练装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
图10为本公开实施例提供的一种图像处理装置的结构示意图。请参见图10，该图像处理装置20包括处理模块21和分类模块22，其中：
所述处理模块21用于，通过第一模型对多张图像进行处理，得到所述多张图像对应的多个图像特征，所述第一模型为通过重构图像对比学习结合预测特征对比学习训练得到的模型；
所述分类模块22用于，根据所述多个图像特征，对所述多张图像进行分类。
本公开实施例提供的图像处理装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
图11为本公开实施例提供的一种电子设备的结构示意图。请参见图11，其示出了适于用来实现本公开实施例的电子设备1100的结构示意图，该电子设备1100可以为终端设备或电子设备。其中，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、个人数字助理(Personal Digital Assistant，简称PDA)、平板电脑(PortableAndroid Device，简称PAD)、便携式多媒体播放器(Portable Media Player，简称PMP)、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11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11所示，电子设备1100可以包括处理装置(例如中央处理器、图形处理器等)1101，其可以根据存储在只读存储器(Read Only Memory，简称ROM)1102中的程序或者从存储装置1108加载到随机访问存储器(Random Access Memory，简称RAM)1103中的程序而执行各种适当的动作和处理。在RAM 1103中，还存储有电子设备1100操作所需的各种程序和数据。处理装置1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
通常，以下装置可以连接至I/O接口1105：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1106；包括例如液晶显示器(Liquid CrystalDisplay，简称LCD)、扬声器、振动器等的输出装置1107；包括例如磁带、硬盘等的存储装置1108；以及通信装置1109。通信装置1109可以允许电子设备1100与其他设备进行无线或有线通信以交换数据。虽然图11示出了具有各种装置的电子设备1100，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1109从网络上被下载和安装，或者从存储装置1108被安装，或者从ROM 1102被安装。在该计算机程序被处理装置1101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。
上述计算机可读介质可以是上述服务器中所包含的；也可以是单独存在，而未装配入该服务器中。
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服务器执行时，使得该服务器执行上述实施例所示的方法。
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(LocalArea Network，简称LAN)或广域网(Wide Area Network，简称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单元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，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
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(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。
第一方面，本公开一个或多个实施例，提供一种模型训练方法，该方法包括：
获取第一样本图像，所述第一样本图像中包括未遮挡的第一图像块和已遮挡的第二图像块；
通过第一模型对所述第一样本图像进行处理，得到所述第一图像块对应的第一图像特征；
根据所述第一图像特征，重构所述第二图像块，得到第一图像，以及根据所述第一图像特征，确定所述第一图像块和所述第二图像块的融合预测特征；
在目标图像中获取目标图像特征，所述目标图像为所述第一样本图像预处理之后的图像；
根据所述第一图像、所述第二图像块、所述融合预测特征和所述目标图像特征，更新所述第一模型的模型参数。
根据本公开一个或多个实施例，根据所述第一图像、所述第二图像块、所述融合预测特征和所述目标图像特征，更新所述第一模型的模型参数，包括：
根据所述第一图像、所述第二图像块，确定所述第一模型的第一损失函数；
根据所述融合预测特征和所述目标图像特征，确定所述第一模型的第二损失函数；
根据所述第一损失函数和所述第二损失函数，更新所述第一模型的模型参数。
根据本公开一个或多个实施例，根据所述融合预测特征和所述目标图像特征，确定所述第一模型的第二损失函数，包括：
获取第二样本图像，并确定所述第二样本图像的第二图像特征，所述第二样本图像为除所述第一样本图像之外的其它图像；
根据所述融合预测特征、所述目标图像特征和所述第二图像特征，确定所述第二损失函数。
根据本公开一个或多个实施例，根据所述融合预测特征、所述目标图像特征和所述第二图像特征，确定所述第二损失函数，包括：
获取所述融合预测特征与所述目标图像特征之间的第一相似度；
获取所述融合预测特征与所述第二图像特征之间的第二相似度；
根据所述第一相似度和所述第二相似度，确定所述第二损失函数。
根据本公开一个或多个实施例，根据所述第一损失函数和所述第二损失函数，更新所述第一模型的模型参数，包括：
获取所述第一损失函数对应的第一权重和所述第二损失函数对应的第二权重；
根据所述第一损失函数、所述第一权重、所述第二损失函数和所述第二权重，更新所述第一模型的模型参数。
根据本公开一个或多个实施例，根据所述第一图像特征，确定所述第一图像块和所述第二图像块的融合预测特征，包括：
获取第一向量；
将所述第一向量和所述第一图像特征进行融合处理，得到融合向量；
根据所述融合向量得到所述融合预测特征。
根据本公开一个或多个实施例，在目标图像中获取目标图像特征，包括：
根据所述第二图像块在所述第一样本图像中的位置，在所述目标图像中确定第一区域；
对所述第一区域进行偏移处理，得到第二区域；
将所述目标图像中的第二区域内的图像块对应的图像特征，确定为所述目标图像特征。
第二方面，本公开一个或多个实施例提供一种图像处理方法，该方法包括：
通过第一模型对多张图像进行处理，得到所述多张图像对应的多个图像特征，所述第一模型为通过重构图像对比学习结合预测特征对比学习训练得到的模型；可选的，第一模型为第一方面任一项所述的第一模型。
根据所述多个图像特征，对所述多张图像进行分类。
第三方面，本公开一个或多个实施例提供一种模型训练装置，该模型训练装置包括第一获取模块、处理模块、重构模块、确定模块、第二获取模块和更新模块，其中：
所述第一获取模块用于，获取第一样本图像，所述第一样本图像中包括未遮挡的第一图像块和已遮挡的第二图像块；
所述处理模块用于，通过第一模型对所述第一样本图像进行处理，得到所述第一图像块对应的第一图像特征；
所述重构模块用于，根据所述第一图像特征，重构所述第二图像块，得到第一图像；
所述确定模块用于，根据所述第一图像特征，确定所述第一图像块和所述第二图像块的融合预测特征；
所述第二获取模块用于，在目标图像中获取目标图像特征，所述目标图像为所述第一样本图像预处理之后的图像；
所述更新模块用于，根据所述第一图像、所述第二图像块、所述融合预测特征和所述目标图像特征，更新所述第一模型的模型参数。
在一种可能的实施方式中，所述更新模块具体用于：
根据所述第一图像、所述第二图像块，确定所述第一模型的第一损失函数；
根据所述融合预测特征和所述目标图像特征，确定所述第一模型的第二损失函数；
根据所述第一损失函数和所述第二损失函数，更新所述第一模型的模型参数。
在一种可能的实施方式中，所述更新模块具体用于：
获取第二样本图像，并确定所述第二样本图像的第二图像特征，所述第二样本图像为除所述第一样本图像之外的其它图像；
根据所述融合预测特征、所述目标图像特征和所述第二图像特征，确定所述第二损失函数。
在一种可能的实施方式中，所述更新模块具体用于：
获取所述融合预测特征与所述目标图像特征之间的第一相似度；
获取所述融合预测特征与所述第二图像特征之间的第二相似度；
根据所述第一相似度和所述第二相似度，确定所述第二损失函数。
在一种可能的实施方式中，所述更新模块具体用于：
获取所述第一损失函数对应的第一权重和所述第二损失函数对应的第二权重；
根据所述第一损失函数、所述第一权重、所述第二损失函数和所述第二权重，更新所述第一模型的模型参数。
在一种可能的实施方式中，所述确定模块具体用于：
获取第一向量；
将所述第一向量和所述第一图像特征进行融合处理，得到融合向量；
根据所述融合向量得到所述融合预测特征。
在一种可能的实施方式中，所述第二获取模块具体用于：
根据所述第二图像块在所述第一样本图像中的位置，在所述目标图像中确定第一区域；
对所述第一区域进行偏移处理，得到第二区域；
将所述目标图像中的第二区域内的图像块对应的图像特征，确定为所述目标图像特征。
第四方面，本公开一个或多个实施例，提供一种图像处理装置，该图像处理装置包括处理模块和分类模块，其中：
所述处理模块用于，通过第一模型对多张图像进行处理，得到所述多张图像对应的多个图像特征，所述第一模型为通过重构图像对比学习结合预测特征对比学习训练得到的模型；
所述分类模块用于，根据所述多个图像特征，对所述多张图像进行分类。
第五方面，本公开实施例提供一种电子设备，包括：处理器和存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面以及第一方面各种可能涉及的所述模型训练方法，或者如上第二方面以及第二方面各种可能涉及的所述图像处理方法。
第六方面，本公开实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能涉及的所述模型训练方法，或者如上第二方面以及第二方面各种可能涉及的所述图像处理方法。
第七方面，本公开实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上第一方面以及第一方面各种可能涉及的所述模型训练方法，或者如上第二方面以及第二方面各种可能涉及的所述图像处理方法。
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。

Claims (13)

1.一种模型训练方法，其特征在于，包括：
获取第一样本图像，所述第一样本图像中包括未遮挡的第一图像块和已遮挡的第二图像块；
通过第一模型对所述第一样本图像进行处理，得到所述第一图像块对应的第一图像特征；
根据所述第一图像特征，重构所述第二图像块，得到第一图像，以及根据所述第一图像特征，确定所述第一图像块和所述第二图像块的融合预测特征；
在目标图像中获取目标图像特征，所述目标图像为所述第一样本图像预处理之后的图像；
根据所述第一图像、所述第二图像块、所述融合预测特征和所述目标图像特征，更新所述第一模型的模型参数。
2.根据权利要求1所述的方法，其特征在于，根据所述第一图像、所述第二图像块、所述融合预测特征和所述目标图像特征，更新所述第一模型的模型参数，包括：
根据所述第一图像、所述第二图像块，确定所述第一模型的第一损失函数；
根据所述融合预测特征和所述目标图像特征，确定所述第一模型的第二损失函数；
根据所述第一损失函数和所述第二损失函数，更新所述第一模型的模型参数。
3.根据权利要求2所述的方法，其特征在于，根据所述融合预测特征和所述目标图像特征，确定所述第一模型的第二损失函数，包括：
获取第二样本图像，并确定所述第二样本图像的第二图像特征，所述第二样本图像为除所述第一样本图像之外的其它图像；
根据所述融合预测特征、所述目标图像特征和所述第二图像特征，确定所述第二损失函数。
4.根据权利要求2或3所述的方法，其特征在于，根据所述融合预测特征、所述目标图像特征和所述第二图像特征，确定所述第二损失函数，包括：
获取所述融合预测特征与所述目标图像特征之间的第一相似度；
获取所述融合预测特征与所述第二图像特征之间的第二相似度；
根据所述第一相似度和所述第二相似度，确定所述第二损失函数。
5.根据权利要求2或3所述的方法，其特征在于，根据所述第一损失函数和所述第二损失函数，更新所述第一模型的模型参数，包括：
获取所述第一损失函数对应的第一权重和所述第二损失函数对应的第二权重；
根据所述第一损失函数、所述第一权重、所述第二损失函数和所述第二权重，更新所述第一模型的模型参数。
6.根据权利要求1-3任一项所述的方法，其特征在于，根据所述第一图像特征，确定所述第一图像块和所述第二图像块的融合预测特征，包括：
获取第一向量；
将所述第一向量和所述第一图像特征进行融合处理，得到融合向量；
根据所述融合向量得到所述融合预测特征。
7.根据权利要求1-3任一项所述的方法，其特征在于，在目标图像中获取目标图像特征，包括：
根据所述第二图像块在所述第一样本图像中的位置，在所述目标图像中确定第一区域；
对所述第一区域进行偏移处理，得到第二区域；
将所述目标图像中的第二区域内的图像块对应的图像特征，确定为所述目标图像特征。
8.一种图像处理方法，其特征在于，包括：
通过第一模型对多张图像进行处理，得到所述多张图像对应的多个图像特征，所述第一模型为通过重构图像对比学习结合预测特征对比学习训练得到的模型；
根据所述多个图像特征，对所述多张图像进行分类。
9.一种模型训练装置，其特征在于，包括第一获取模块、处理模块、重构模块、确定模块、第二获取模块和更新模块，其中：
所述第一获取模块用于，获取第一样本图像，所述第一样本图像中包括未遮挡的第一图像块和已遮挡的第二图像块；
所述处理模块用于，通过第一模型对所述第一样本图像进行处理，得到所述第一图像块对应的第一图像特征；
所述重构模块用于，根据所述第一图像特征，重构所述第二图像块，得到第一图像；
所述确定模块用于，根据所述第一图像特征，确定所述第一图像块和所述第二图像块的融合预测特征；
所述第二获取模块用于，在目标图像中获取目标图像特征，所述目标图像为所述第一样本图像预处理之后的图像；
所述更新模块用于，根据所述第一图像、所述第二图像块、所述融合预测特征和所述目标图像特征，更新所述第一模型的模型参数。
10.一种图像处理装置，其特征在于，包括处理模块和分类模块，其中：
所述处理模块用于，通过第一模型对多张图像进行处理，得到所述多张图像对应的多个图像特征，所述第一模型为通过重构图像对比学习结合预测特征对比学习训练得到的模型；
所述分类模块用于，根据所述多个图像特征，对所述多张图像进行分类。
11.一种电子设备，其特征在于，包括：处理器和存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如权利要求1至7中任一项所述的模型训练方法，或者，如权利要求8中所述的图像处理方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至7中任一项所述的模型训练方法，或者，如权利要求8中所述的图像处理方法。
13.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的模型训练方法，或者，如权利要求8中所述的图像处理方法。
CN202210754292.2A 2022-06-28 2022-06-28 模型训练方法、装置及电子设备 Pending CN117372705A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210754292.2A CN117372705A (zh) 2022-06-28 2022-06-28 模型训练方法、装置及电子设备
PCT/SG2023/050440 WO2024005711A1 (zh) 2022-06-28 2023-06-22 模型训练方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210754292.2A CN117372705A (zh) 2022-06-28 2022-06-28 模型训练方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN117372705A true CN117372705A (zh) 2024-01-09

Family

ID=89380980

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210754292.2A Pending CN117372705A (zh) 2022-06-28 2022-06-28 模型训练方法、装置及电子设备

Country Status (2)

Country Link
CN (1) CN117372705A (zh)
WO (1) WO2024005711A1 (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117197615A (zh) * 2019-12-09 2023-12-08 杭州海康威视数字技术股份有限公司 模型训练方法、特征提取方法及装置
CN111914812B (zh) * 2020-08-20 2022-09-16 腾讯科技（深圳）有限公司 图像处理模型训练方法、装置、设备及存储介质
CN112200040A (zh) * 2020-09-28 2021-01-08 北京小米松果电子有限公司 遮挡图像检测方法、装置及介质
CN114359564A (zh) * 2021-12-06 2022-04-15 腾讯科技（上海）有限公司 图像识别方法、装置、计算机设备、存储介质和产品

Also Published As

Publication number Publication date
WO2024005711A1 (zh) 2024-01-04

Similar Documents

Publication Publication Date Title
CN110413812B (zh) 神经网络模型的训练方法、装置、电子设备及存储介质
CN113689372B (zh) 图像处理方法、设备、存储介质及程序产品
CN111369427A (zh) 图像处理方法、装置、可读介质和电子设备
US20240221126A1 (en) Image splicing method and apparatus, and device and medium
CN111598902A (zh) 图像分割方法、装置、电子设备及计算机可读介质
CN112330788A (zh) 图像处理方法、装置、可读介质及电子设备
CN114422698B (zh) 视频生成方法、装置、设备及存储介质
CN114511744A (zh) 图像分类方法、装置、可读介质和电子设备
CN111292406A (zh) 模型渲染方法、装置、电子设备及介质
CN116704473B (zh) 障碍物信息检测方法、装置、电子设备和计算机可读介质
CN115546769B (zh) 道路图像识别方法、装置、设备、计算机可读介质
CN110288691B (zh) 渲染图像的方法、装置、电子设备和计算机可读存储介质
CN110399802A (zh) 处理面部图像眼睛亮度的方法、装置、介质和电子设备
CN117372705A (zh) 模型训练方法、装置及电子设备
CN112418233B (zh) 图像处理方法、装置、可读介质及电子设备
CN115115836A (zh) 图像识别方法、装置、存储介质以及电子设备
CN114998694A (zh) 图像处理模型的训练方法、装置、设备、介质和程序产品
CN111340813B (zh) 图像实例分割方法、装置、电子设备及存储介质
CN115393472B (zh) 画布处理方法、装置、电子设备、可读介质和程序产品
CN117952820B (zh) 图像增广方法、装置、电子设备和计算机可读介质
CN114565586B (zh) 息肉分割模型的训练方法、息肉分割方法及相关装置
CN114495111B (zh) 文本识别方法、装置、可读介质及电子设备
CN113542800B (zh) 视频画面定标方法、装置、终端设备
CN111368015B (zh) 用于压缩地图的方法和装置
CN116758275A (zh) 目标识别信息生成方法、装置、电子设备和可读介质

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