图像处理模型构建方法、装置、电子设备和可读存储介质制造方法及图纸

本申请提供了一种图像处理模型构建方法、装置、电子设备和可读存储介质，其中，该方法包括：对待训练图片集进行特征提取，以得到该待训练图片集的目标元特征向量；根据该目标元特征向量，在预存的模型候选库中筛选出目标预训练模型；使用该目标预训练模型计算该待训练图片集的高语义数据；使用网络架构搜索算法，根据该高语义数据搜索得到目标网络结构；对该目标预训练模型和该目标网络结构构成的初始网络模型，使用该待训练图片集进行训练，以得到目标图像处理模型，能够提高模型构建的效率。

【技术实现步骤摘要】
图像处理模型构建方法、装置、电子设备和可读存储介质
本申请涉及图像识别
，具体而言，涉及一种图像处理模型构建方法、装置、电子设备和可读存储介质。
技术介绍
在实际的图像任务建模中，通常都会构建一个或多个网络模型组合而成。针对多层网络模型的选择和构建，通常的关注点在于，如何选择各层网络模块，针对选出的网络模块如何实现修改，以满足不同任务的需求。目前的操作方式，一般是技术人员根据经验选出合适的模型，例如，可以选择最新、准确度最高或训练速度最快的模型等。在选出初始的模型后，可以根据任务需求调整全连接单元数；也有的做法会在选出的初始的模型添加少数人工设计的结构，效果可能会更好，但是更依赖于算法人员的专业知识。
技术实现思路
本申请的目的在于提供一种图像处理模型构建方法、装置、电子设备和可读存储介质，能够提高模型构建的效率。第一方面，本专利技术提供一种图像处理模型构建方法，包括：对待训练图片集进行特征提取，以得到所述待训练图片集的目标元特征向量；根据所述目标元特征向量，在预存的模型候选库中筛选出目标预训练模型；使用所述目标预训练模型计算所述待训练图片集的高语义数据；使用网络架构搜索算法，根据所述高语义数据搜索得到目标网络结构；对所述目标预训练模型和所述目标网络结构构成的初始网络模型，使用所述待训练图片集进行训练，以得到目标图像处理模型。在可选的实施方式中，所述对待训练图片集进行特征提取，以得到所述待训练图片集的目标元特征向量，包括：>将所述待训练图片集中的每张图片输入预设的预训练模型中进行计算，得的每张图片对应的特征向量；从所述待训练图片集中的每张图片对应的特征向量构成二维向量中抽取所述目标元特征向量。在可选的实施方式中，所述根据所述目标元特征向量，在预存的模型候选库中筛选出目标预训练模型，包括：计算所述目标元特征向量与所述预存的模型候选库中的元特征向量的相似度；根据所述目标元特征向量与所述预存的模型候选库中的元特征向量的相似度确定出所述目标预训练模型。在可选的实施方式中，所述计算所述目标元特征向量与所述预存的模型候选库中的元特征向量的相似度，包括：计算所述目标元特征向量与所述预存的模型候选库中的元特征向量的余弦值，其中，所述目标元特征向量与所述预存的模型候选库中的元特征向量的余弦值的绝对值越大，则所述目标元特征向量与所述预存的模型候选库中的元特征向量的相似度越大。在可选的实施方式中，所述使用所述目标预训练模型计算所述待训练图片集的高语义数据，包括：将所述待训练图片集中的每张图片输入所述目标预训练模型中进行计算，得的每张图片对应的输出向量；根据每张图片的输出向量以及每张图片对应的标签构成所述高语义数据。在上述实施方式中，通过计算待训练图片集中的每张图片的输出向量，然后再基于输出向量得到高语义数据，可使高语义数据能够更好地表示待训练图片集的信息，从而也可以使基于高语义数据搜索得到目标网络结构，能够更好地与目标预训练模型匹配，进一步地，也能够使由目标网络结构训练得到的目标图像处理模型能够更好地实现图像处理。在可选的实施方式中，所述使用网络架构搜索算法，根据所述高语义数据搜索得到目标网络结构，包括：使用神经网络架构搜索技术，将所述高语义数据输入预设的搜索空间进行搜索，以得到所述目标网络结构。在可选的实施方式中，所述模型候选库中包括多个元数据，所述方法还包括：获取历史数据以及所述历史数据中每个图片集对应的预训练模型，所述历史数据为用于图片处理的历史训练数据；计算所述历史数据中每个图片集的元特征向量；根据目标图片集的元特征向量以及所述目标图片集对应的预训练模型构建所述元数据，所述目标图片集为所述历史数据中任意一个图片集；所述根据所述目标元特征向量，在预存的模型候选库中筛选出目标预训练模型，包括：将所述目标元特征向量与所述预存的模型候选库中的元数据中的元特征向量对比，以筛选出所述目标预训练模型。在上述实施方式中，每一个元数据可以包含一元特征向量和预训练模型，通过将目标元特征向量与模型候选库中的元特征向量进行对比，即可选出目标预训练模型，对于预训练模型的选择效率更高。第二方面，本专利技术提供一种图像处理模型构建装置，包括：提取模块，用于对待训练图片集进行特征提取，以得到所述待训练图片集的目标元特征向量；筛选模块，用于根据所述目标元特征向量，在预存的模型候选库中筛选出目标预训练模型；计算模块，用于使用所述目标预训练模型计算所述待训练图片集的高语义数据；搜索模块，用于使用网络架构搜索算法，根据所述高语义数据搜索得到目标网络结构；训练模块，用于对所述目标预训练模型和所述目标网络结构构成的初始网络模型，使用所述待训练图片集进行训练，以得到目标图像处理模型。第三方面，本专利技术提供一种电子设备，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述机器可读指令被所述处理器执行时执行如前述实施方式任一所述的方法的步骤。第四方面，本专利技术提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如前述实施方式任一所述的方法的步骤。本申请实施例的有益效果是：通过对待训练图片集进行特征提取，并根据得到的目标元特征向量筛选出目标预训练模型，从而可以使选出的目标预训练模型能够更好地满足待训练图片集的训练需求。进一步地，还可以网络架构搜索算法进行网络搜索，以实现对目标预训练模型进一步地完善，使确定出的目标网络结构对图像的处理效果更好。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1为本申请实施例提供的电子设备的方框示意图。图2为本申请实施例提供的图像处理模型构建方法的流程图。图3为本申请实施例提供的图像处理模型构建方法步骤201的详细流程图。图4为本申请实施例提供的图像处理模型构建方法的步骤203的详细流程图。图5为本申请实施例提供的图像处理模型构建方法的部分流程图。图6为本申请实施例提供的图像处理模型构建方法的步骤205的详细流程图。图7为本申请实施例提供的图像处理模型构建装置的功能模块示意图。具体实施方式下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行描述。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相本文档来自技高网...

【技术保护点】
1.一种图像处理模型构建方法，其特征在于，包括：/n对待训练图片集进行特征提取，以得到所述待训练图片集的目标元特征向量；/n根据所述目标元特征向量，在预存的模型候选库中筛选出目标预训练模型；/n使用所述目标预训练模型计算所述待训练图片集的高语义数据；/n使用网络架构搜索算法，根据所述高语义数据搜索得到目标网络结构；/n对所述目标预训练模型和所述目标网络结构构成的初始网络模型，使用所述待训练图片集进行训练，以得到目标图像处理模型。/n

【技术特征摘要】
1.一种图像处理模型构建方法，其特征在于，包括：
对待训练图片集进行特征提取，以得到所述待训练图片集的目标元特征向量；
根据所述目标元特征向量，在预存的模型候选库中筛选出目标预训练模型；
使用所述目标预训练模型计算所述待训练图片集的高语义数据；
使用网络架构搜索算法，根据所述高语义数据搜索得到目标网络结构；
对所述目标预训练模型和所述目标网络结构构成的初始网络模型，使用所述待训练图片集进行训练，以得到目标图像处理模型。


2.根据权利要求1所述的方法，其特征在于，所述对待训练图片集进行特征提取，以得到所述待训练图片集的目标元特征向量，包括：
将所述待训练图片集中的每张图片输入预设的预训练模型中进行计算，得到每张图片对应的特征向量；
从所述待训练图片集中的每张图片对应的特征向量构成二维向量中抽取所述目标元特征向量。


3.根据权利要求1所述的方法，其特征在于，所述根据所述目标元特征向量，在预存的模型候选库中筛选出目标预训练模型，包括：
计算所述目标元特征向量与所述预存的模型候选库中的元特征向量的相似度；
根据所述目标元特征向量与所述预存的模型候选库中的元特征向量的相似度确定出所述目标预训练模型。


4.根据权利要求3所述的方法，其特征在于，所述计算所述目标元特征向量与所述预存的模型候选库中的元特征向量的相似度，包括：
计算所述目标元特征向量与所述预存的模型候选库中的元特征向量的余弦值，其中，所述目标元特征向量与所述预存的模型候选库中的元特征向量的余弦值的绝对值越大，则所述目标元特征向量与所述预存的模型候选库中的元特征向量的相似度越大。


5.根据权利要求1所述的方法，其特征在于，所述使用所述目标预训练模型计算所述待训练图片集的高语义数据，包括：
将所述待训练图片集中的每张图片输入所述目标预训练模型中进行计算，得的每张图片对应的输出向量；
根据每张图片的输出向量以及每张图片对应的标签构成所述高语义数据。<...

【专利技术属性】
技术研发人员：雷翔，蒋晓路，田贵成，张发恩，
申请(专利权)人：重庆赛迪奇智人工智能科技有限公司，
类型：发明
国别省市：重庆;50