网络训练方法及装置、图像处理方法及装置制造方法及图纸

本公开涉及一种网络训练方法及装置、图像处理方法及装置，所述方法包括：对训练集中的第一图像进行像素打乱处理，得到第二图像，其中，所述第一图像为进行像素打乱后的图像；通过神经网络的特征提取网络对所述第一图像进行特征提取，得到第一图像特征，及通过特征提取网络对所述第二图像进行特征提取，得到第二图像特征；通过所述神经网络的识别网络对所述第一图像特征进行识别处理，得到所述第一图像的识别结果；根据所述识别结果、所述第一图像特征及所述第二图像特征，训练所述神经网络。本公开实施例可实现提高神经网络的识别精度。

Network training method and device, image processing method and device

【技术实现步骤摘要】
网络训练方法及装置、图像处理方法及装置
本公开涉及计算机
，尤其涉及一种网络训练方法及装置、图像处理方法及装置。
技术介绍
随着隐私保护的呼声逐渐提高，为了使研发在隐私保护的前提下进行，数据匿名化是不可避免的。相关技术中，当前的数据集匿名化方法主要针对图像或视频中最敏感的区域：人脸。然而，虽然人脸是最重要的隐私信息之一，但它并不构成隐私信息的全部。事实上，任何可以直接或间接定位到个人身份的信息都可以被视为个人隐私信息的一部分。但若将图像中的全部信息均通过像素打乱的方式进行数据匿名化，固然其可以有效的保护隐私信息，但其会造成神经网络的识别精度下降。
技术实现思路
本公开提出了一种用于提高神经网络的识别精度的网络训练技术方案。根据本公开的一方面，提供了一种网络训练方法，所述方法包括：对训练集中的第一图像进行像素打乱处理，得到第二图像，其中，所述第一图像为进行像素打乱后的图像；通过神经网络的特征提取网络对所述第一图像进行特征提取，得到第一图像特征，及通过特征提取网络对所述第二图像进行特征提取，得到第二图像特征；通过所述神经网络的识别网络对所述第一图像特征进行识别处理，得到所述第一图像的识别结果；根据所述识别结果、所述第一图像特征及所述第二图像特征，训练所述神经网络。在一种可能的实现方式中，所述根据所述识别结果、所述第一图像特征及所述第二图像特征，训练所述神经网络，包括：根据所述识别结果及所述第一图像对应的标注结果，确定识别损失；根据所述第一图像特征及所述第二图像特征，确定特征损失；根据所述识别损失及所述特征损失，训练所述神经网络。在一种可能的实现方式中，所述对训练集中的第一图像进行像素打乱处理，得到第二图像，包括：将所述第一图像划分为预置数量的像素块；针对任一像素块，打乱所述像素块内各像素点的位置，得到第二图像。在一种可能的实现方式中，所述针对任一像素块，打乱所述像素块内各像素点的位置，包括：针对任一像素块，根据预置的行变换矩阵对所述像素块内的像素点进行位置变换，所述预置的行变换矩阵为正交矩阵。在一种可能的实现方式中，所述根据所述第一图像特征及所述第二图像特征，得到特征损失，包括：将所述第一图像中第一图像特征与所述第二图像中所述第二图像特征的距离，确定为所述特征损失。在一种可能的实现方式中，所述根据所述识别损失及所述特征损失，训练所述神经网络，包括：根据所述识别损失及所述特征损失的加权和，确定总体损失；根据所述总体损失，训练所述神经网络。根据本公开的一方面，提供了一种图像处理方法，包括：通过神经网络对待处理图像进行图像识别，得到识别结果，所述神经网络通过前述任一项所述的网络训练方法训练得到。根据本公开的一方面，提供了一种网络训练装置，所述装置包括：处理模块，用于对训练集中的第一图像进行像素打乱处理，得到第二图像，其中，所述第一图像为进行像素打乱后的图像；提取模块，用于通过神经网络的特征提取网络对所述第一图像进行特征提取，得到第一图像特征，及通过特征提取网络对所述第二图像进行特征提取，得到第二图像特征；识别模块，用于通过所述神经网络的识别网络对所述第一图像特征进行识别处理，得到所述第一图像的识别结果；训练模块，用于根据所述识别结果、所述第一图像特征及所述第二图像特征，训练所述神经网络。在一种可能的实现方式中，所述训练模块，还用于：根据所述识别结果及所述第一图像对应的标注结果，确定识别损失；根据所述第一图像特征及所述第二图像特征，确定特征损失；根据所述识别损失及所述特征损失，训练所述神经网络。在一种可能的实现方式中，所述处理模块，还用于：将所述第一图像划分为预置数量的像素块；针对任一像素块，打乱所述像素块内各像素点的位置，得到第二图像。在一种可能的实现方式中，所述处理模块，还用于：针对任一像素块，根据预置的行变换矩阵对所述像素块内的像素点进行位置变换，所述预置的行变换矩阵为正交矩阵。在一种可能的实现方式中，所述训练模块，还用于：将所述第一图像中第一图像特征与所述第二图像中所述第二图像特征的距离，确定为所述特征损失。在一种可能的实现方式中，所述训练模块，还用于：根据所述识别损失及所述特征损失的加权和，确定总体损失；根据所述总体损失，训练所述神经网络。根据本公开的一方面，提供了一种图像处理装置，包括：识别模块，用于通过神经网络对待处理图像进行图像识别，得到识别结果，所述神经网络通过前述任一项所述的网络训练方法训练得到。根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。这样，本公开实施例提供的网络训练方法及装置、图像处理方法及装置，可以对训练集中进行像素打乱后的第一图像，再次进行像素打乱处理，得到第二图像，并通过特征提取网络对所述第一图像及第二图像进行特征提取，得到第一图像对应的第一图像特征，及第二图像对应的第二图像特征。进一步的通过识别网络对所述第一图像特征进行识别处理，可以得到所述第一图像的识别结果，根据所述识别结果、所述第一图像特征及所述第二图像特征，训练神经网络。根据本公开实施例提供的网络训练方法及装置、图像处理方法及装置，通过进行一次像素打乱后的第一图像及对第一图像进行再次像素打乱得到的第二图像训练神经网络，可以提高神经网络的特征提取精度，使神经网络对于进行像素打乱后的图像能够提取到有效的特征，进而可以提高对于采用像素打乱方式进行数据匿名化的第一图像的识别精度。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。附图说明此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。图1示出根据本公开实施例的网络训练方法的流程图；图2示出根据本公开实施例的网络训练方法的示意图；图3示出根据本公开实施例的网络训练方法的示意图；图4示出根据本公开实施例的网络训练装置的框图；图5示出根据本公开实施例的一种电子设备800的框图；图6示出根据本公开实施例的一种电子设备1900的框图。具体实施方式以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例本文档来自技高网...

【技术保护点】
1.一种网络训练方法，其特征在于，所述方法包括：/n对训练集中的第一图像进行像素打乱处理，得到第二图像，其中，所述第一图像为进行像素打乱后的图像；/n通过神经网络的特征提取网络对所述第一图像进行特征提取，得到第一图像特征，及通过特征提取网络对所述第二图像进行特征提取，得到第二图像特征；/n通过所述神经网络的识别网络对所述第一图像特征进行识别处理，得到所述第一图像的识别结果；/n根据所述识别结果、所述第一图像特征及所述第二图像特征，训练所述神经网络。/n

【技术特征摘要】
1.一种网络训练方法，其特征在于，所述方法包括：
对训练集中的第一图像进行像素打乱处理，得到第二图像，其中，所述第一图像为进行像素打乱后的图像；
通过神经网络的特征提取网络对所述第一图像进行特征提取，得到第一图像特征，及通过特征提取网络对所述第二图像进行特征提取，得到第二图像特征；
通过所述神经网络的识别网络对所述第一图像特征进行识别处理，得到所述第一图像的识别结果；
根据所述识别结果、所述第一图像特征及所述第二图像特征，训练所述神经网络。


2.根据权利要求1所述的方法，其特征在于，所述根据所述识别结果、所述第一图像特征及所述第二图像特征，训练所述神经网络，包括：
根据所述识别结果及所述第一图像对应的标注结果，确定识别损失；
根据所述第一图像特征及所述第二图像特征，确定特征损失；
根据所述识别损失及所述特征损失，训练所述神经网络。


3.根据权利要求1或2所述的方法，其特征在于，所述对训练集中的第一图像进行像素打乱处理，得到第二图像，包括：
将所述第一图像划分为预置数量的像素块；
针对任一像素块，打乱所述像素块内各像素点的位置，得到第二图像。


4.根据权利要求3所述的方法，其特征在于，所述针对任一像素块，打乱所述像素块内各像素点的位置，包括：
针对任一像素块，根据预置的行变换矩阵对所述像素块内的像素点进行位置变换，所述预置的行变换矩阵为正交矩阵。


5.根据权利要求2所述的方法，其特征在于，所述根据所述第一图像特征及所述第二图像特征，得到特征损失，包括：
将所述第一图像中第一图像特征与所述第二图像中所述第二图像特征的距离，确定为所述特征损失。


6.根据权...

【专利技术属性】
技术研发人员：周东展，田茂清，周心池，伊帅，欧阳万里，
申请(专利权)人：北京市商汤科技开发有限公司，
类型：发明
国别省市：北京;11