图像处理方法、装置、设备及计算机可读存储介质制造方法及图纸

本发明专利技术提供一种图像处理方法、装置、设备及计算机可读存储介质，方法包括：获取待学习数据的先验特征；根据所述先验特征为神经网络模型设置初始化参数；根据所述待学习数据对所述神经网络模型进行训练，获得训练后的神经网络模型。通过采用待学习数据的先验特征为神经网络模型设置初始化参数，从而能够有效提高神经网络模型的学习效率，进而能够提高神经网络模型的训练效率。

Image Processing Method, Device, Equipment and Computer Readable Storage Media

The present invention provides an image processing method, device, device and computer readable storage medium. The method includes: acquiring the prior characteristics of the data to be learned; setting initialization parameters for the neural network model according to the prior characteristics; training the neural network model according to the data to be learned, and obtaining the trained neural network model. By using the priori features of the data to be learned to set initialization parameters for the neural network model, the learning efficiency of the neural network model can be effectively improved, and the training efficiency of the neural network model can be improved.

【技术实现步骤摘要】
图像处理方法、装置、设备及计算机可读存储介质
本专利技术涉及计算机领域，尤其涉及一种图像处理方法、装置、设备及计算机可读存储介质。
技术介绍
在图像处理领域，利用机器学习算法模型对图像进行识别成为主流方法。在各类的机器学习算法模型中，其内的初始化参数能够在很大程度上决定整个机器学习算法模型的训练质量。针对一个神经网络模型，其一般具有多个不同的层级，现有技术中，针对每个层级一般都是由用户自行设置初始化参数，或者随机设置初始化参数，随后对设置初始化参数的神经网络模型进行训练。但是，由于模型是对数据的学习，因此，采用上述方法对神经网络模型的初始化参数进行设置，那么该神经网络模型预先对待学习的内容不了解，因此，针对每一待学习数据学习时间较长，从而导致神经网络模型学习效率较低。
技术实现思路
本专利技术提供一种图像处理方法、装置、设备及计算机可读存储介质，用于解决现有技术中由用户自行设置初始化参数，或者随机设置初始化参数而导致的神经网络模型学习效率较低的技术问题。本专利技术的第一个方面是提供一种图像处理方法，包括：获取待学习数据的先验特征；根据所述先验特征为神经网络模型设置初始化参数；根据所述待学习数据对所述神经网络模型进行训练，获得训练后的神经网络模型。本专利技术的另一个方面是提供一种图像处理方法，包括：接收待识别图像；通过训练后的神经网络模型对待识别图像进行识别，所述训练后的神经网络模型是利用上述的图像处理方法训练获得的。本专利技术的又一个方面是提供一种图像处理装置，包括：先验特征获取模块，用于获取待学习数据的先验特征；初始化参数设置模块，用于根据所述先验特征为神经网络模型设置初始化参数；训练模块，用于根据所述待学习数据对所述神经网络模型进行训练，获得训练后的神经网络模型。本专利技术的又一个方面是提供一种图像处理装置，包括：接收模块，用于接收待识别图像；识别模块，用于通过训练后的神经网络模型对待识别图像进行识别，所述训练后的神经网络模型是利用上述的图像处理方法训练获得的。本专利技术的又一个方面是提供一种图像处理设备，包括：存储器，处理器；存储器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为由所述处理器执行如上述的图像处理方法。本专利技术的又一个方面是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，所述计算机执行指令被处理器执行时用于实现如上述的图像处理方法。本专利技术的又一个方面是提供一种图像处理设备，包括：存储器，处理器；存储器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为由所述处理器执行如上述的图像处理方法。本专利技术的又一个方面是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，所述计算机执行指令被处理器执行时用于实现如上述的图像处理方法。本专利技术提供的图像处理方法、装置、设备及计算机可读存储介质，通过获取待学习数据的先验特征；根据所述先验特征为神经网络模型设置初始化参数；根据所述待学习数据对所述神经网络模型进行训练，获得训练后的神经网络模型。通过采用待学习数据的先验特征为神经网络模型设置初始化参数，从而能够有效提高神经网络模型的学习效率，进而能够提高神经网络模型的训练效率。附图说明为了更清楚地说明本专利技术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简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。图1为本专利技术实施例一提供的图像处理方法的流程示意图；图2为本专利技术实施例二提供的图像处理方法的流程示意图；图3为本专利技术实施例三提供的图像处理方法的流程示意图；图4为本专利技术实施例四提供的图像处理方法的流程示意图；图5为本专利技术实施例五提供的图像处理装置的结构示意图；图6为本专利技术实施例六提供的图像处理装置的结构示意图；图7为本专利技术实施例七提供的图像处理装置的结构示意图；图8为本专利技术实施例八提供的图像处理装置的结构示意图；图9为本专利技术实施例九提供的图像处理设备的结构示意图；图10为本专利技术实施例十提供的图像处理设备的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术实施例一提供的图像处理方法的流程示意图，如图1所示，所述方法包括：步骤101、获取待学习数据的先验特征。需要说明的是，本专利技术提供的图像处理方法的执行主体具体可为图像处理装置，该图像处理装置可通过硬件和/或软件的方式实现。一般可集成于云端服务器中，与存放有各类图像的数据服务器配合使用，此外，图像处理所基于的服务器可与数据服务器为同一服务器，或者为隶属于同一服务器集群的不同服务器，本专利技术对此均不进行限制。在本实施方式中，针对一个神经网络模型，其一般具有多个不同的层级，现有技术中，针对每个层级一般都是由用户自行设置初始化参数，或者随机设置初始化参数，随后对设置初始化参数的神经网络模型进行训练。但是，由于模型是对数据的学习，因此，采用上述方法对神经网络模型的初始化参数进行设置，那么该神经网络模型预先对待学习的内容不了解，因此，针对每一待学习数据学习时间较长，从而导致神经网络模型学习效率较低。为了提高神经网络模型的学习效率，首先可以主动获取待学习数据的先验特征，从而后续可以减少神经网络模型对待学习数据的学习时间，提高神经网络模型的学习效率。一般来说，该神经网络模型的类型包括但不限于卷积神经网络、长短期记忆神经网络、深度信念网络、生成对抗式网络、循环神经网络等等，本专利技术对神经网络模型的类型不进行限制，本领域技术人员可根据实际需求自行构建。步骤102、根据所述先验特征为神经网络模型设置初始化参数。在本实施方式中，获取到待学习数据的先验特征之后，可以根据该先验知识为神经网络模型设置初始化参数。具体地，由于先验特征在一定程度上已经表征了待学习数据的特性，因此，根据先验特征为神经网络模型设置初始化参数相当于预先让神经网络模型学习到待学习数据的特性，从而在后续训练过程中，能够有效提高神经网络模型的学习效率。步骤103、根据所述待学习数据对所述神经网络模型进行训练，获得训练后的神经网络模型。在本实施方式中，根据先验特征为神经网络模型设置初始化参数之后，可以根据待学习数据对神经网络模型进行训练，获得训练后的神经网络模型。具体来说，在训练集中的待训练数据均包括相应的数据值和对该图像对应的识别结果；当利用训练集对神经网络模型进行迭代训练时，一旦其神经网络模型所输出的预测结果与识别结果之间的距离或交叉熵不再发生改变，即可称其为训练完毕。以手势识别模型举例来说，手势识别模型具体用于对用户当前的手势进行识别，因此，在手势识别的训练过程需要对大量的手势图像进行学习。而针对大量的陌生的手势图像，通过手势识别模型直接对其学习往往学习效率较低，进而需要较长的学习时间。因此，为了提高手势识别模型的学习效率，可以首先主动获取手势图像的先验特征，并根据该先验特征为手势识别模型设置初始化参数，即相当于使手势识别模本文档来自技高网...

【技术保护点】
1.一种图像处理方法，其特征在于，包括：获取待学习数据的先验特征；根据所述先验特征为神经网络模型设置初始化参数；根据所述待学习数据对所述神经网络模型进行训练，获得训练后的神经网络模型。

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：获取待学习数据的先验特征；根据所述先验特征为神经网络模型设置初始化参数；根据所述待学习数据对所述神经网络模型进行训练，获得训练后的神经网络模型。2.根据权利要求1所述的方法，其特征在于，所述获取待学习数据的先验特征，包括：确定所述神经网络模型中层级的数量；获取与所述层级的数量一致的所述待学习数据的先验特征。3.根据权利要求2所述的方法，其特征在于，所述根据所述先验特征为神经网络模型设置初始化参数，包括：根据所述先验特征为神经网络模型中每一所述层级设置初始化参数。4.根据权利要求2所述的方法，其特征在于，所述先验特征包括待识别图像的尺寸特征；相应地，所述获取待学习数据的先验特征，包括：获取所述待学习数据的尺寸信息；通过聚类和/或计算均值和/或计算中位数和/或计算众数方法获取所述尺寸信息的尺寸特征。5.根据权利要求4所述的方法，其特征在于，所述通过聚类和/或计算均值和/或计算中位数和/或计算众数方法获取所述待学习数据的尺寸特征，包括：通过聚类和/或计算均值和/或计算中位数和/或计算众数方法获取与所述层级的数量一致的所述待学习数据的尺寸特征。6.根据权利要求4所述的方法，其特征在于，所述根据所述先验特征为神经网络模型设置初始化参数，包括：根据所述尺寸特征为所述神经网络模型中每一层级设置初始化参数。7.根据权利要求2所述的方法，其特征在于，所述先验特征包括色彩特征；相应地，所述获取待学习数据的先验特征，包括：获取所述待学习数据的RGB色彩模式；通过聚类和/或计算均值和/或计算中位数和/或计算众数方法获取所述RGB色彩模式的色彩特征。8.根据权利要求7所述的方法，其特征在于，所述通过聚类和/或计算均值和/或计算中位数和/或计算众数方法获取所述RGB色彩模式的色彩特征，包括：通过聚类和/或计算均值和/或计算中位数和/或计算众数方法获取与所述层级的数量一致的所述待学习数据的色彩特征。9.根据权利要求7所述的方法，其特征在于，所述根据所述先验特征为神经网络模型设置初始化参数，包括：根据所述色彩特征为所述神经网络模型中每一层级设置初始化参数。10.一种图像处理方法，其特征在于，包括：接收待识别图像；通过训练后的神经网络模型对待识别图像进行识别，所述训练后的神经网络模型是利用权利要求1-9任一项所述的图像处理方法训练获得的。11.一种图像处理装置，其特征在于，包括：先验特征获取模块，用于获取待学习数据的先验特征；初始化参数设置模块，用于根据所述先验特征为神经网络模型设置初始化参数；训练模块，用于根据所述待学习数据对所述神经网络模型进行训练，获得训练后的神经网络模型。12.根据权利要求11所述的装置，其特征在于，所述先验特征获取模块包括：数量确定单元，用于确定所述神经网络模型中层级的数量；获取单元，用于获取与...

【专利技术属性】
技术研发人员：杨少雄，赵晨，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京,11