模型训练方法、图像处理方法、装置和电子设备制造方法及图纸

本公开提供了模型训练方法、图像处理方法、装置和电子设备，涉及人工智能领域，具体为计算机视觉和深度学习技术，可用在图像处理场景下。具体实现方案为：基于第一样本集中各图像的采样概率在第一样本集中进行采样，得到采样图像；利用第一预设模型，得到采样图像的第一预测信息；基于第一预测信息，确定采样图像的损失函数；基于损失函数，更新采样图像的采样概率，并返回基于第一样本集中各图像的采样概率在第一样本集中进行采样的步骤，直至损失函数符合预设条件，确定第一预设模型收敛。根据本公开实施例，可以提高模型收敛速度和模型精度。

【技术实现步骤摘要】
模型训练方法、图像处理方法、装置和电子设备
本公开涉及人工智能领域，具体为计算机视觉和深度学习技术，可用在图像处理场景下。
技术介绍
在人工智能领域，图像处理技术被广泛应用于各类计算机视觉任务中，如植物分类、菜品识别、地标识别等。在图像处理场景中，如何提高已有模型的精度，一直是最值得探索的问题之一。
技术实现思路
本公开提供了一种模型训练方法、图像处理方法、装置、电子设备、存储介质和计算机程序产品。根据本公开的一方面，提供了一种模型训练方法，包括：基于第一样本集中各图像的采样概率在第一样本集中进行采样，得到采样图像；利用第一预设模型，得到采样图像的第一预测信息；基于第一预测信息，确定采样图像的损失函数；基于损失函数，更新采样图像的采样概率，并返回基于第一样本集中各图像的采样概率在第一样本集中进行采样的步骤，直至损失函数符合预设条件，确定第一预设模型收敛。根据本公开的另一方面，提供了一种图像处理方法，包括：获取待处理图像；将待处理图像输入第一预设模型，得到第一预设本文档来自技高网...

【技术保护点】
1.一种模型训练方法，包括：/n基于第一样本集中各图像的采样概率在所述第一样本集中进行采样，得到采样图像；/n利用第一预设模型，得到所述采样图像的第一预测信息；/n基于所述第一预测信息，确定所述采样图像的损失函数；/n基于所述损失函数，更新所述采样图像的采样概率，并返回所述基于第一样本集中各图像的采样概率在所述第一样本集中进行采样的步骤，直至所述损失函数符合预设条件，确定所述第一预设模型收敛。/n

【技术特征摘要】
1.一种模型训练方法，包括：
基于第一样本集中各图像的采样概率在所述第一样本集中进行采样，得到采样图像；
利用第一预设模型，得到所述采样图像的第一预测信息；
基于所述第一预测信息，确定所述采样图像的损失函数；
基于所述损失函数，更新所述采样图像的采样概率，并返回所述基于第一样本集中各图像的采样概率在所述第一样本集中进行采样的步骤，直至所述损失函数符合预设条件，确定所述第一预设模型收敛。


2.根据权利要求1所述的方法，其中，所述基于所述第一预测信息，确定损失函数，包括：
利用收敛的第二预设模型，得到所述采样图像的第二预测信息；
基于所述第一预测信息和所述第二预测信息，确定所述损失函数。


3.根据权利要求2所述的方法，其中，获取所述收敛的第二预设模型的方式包括：
利用第二样本集以及第二样本集中各图像的标注信息，训练初始的第二预设模型，得到所述收敛的第二预设模型。


4.根据权利要求3所述的方法，其中，所述第一预设模型的网络层数量小于所述第二预设模型的网络层数量。


5.根据权利要求1-4中任一项所述的方法，其中，所述基于所述损失函数，更新所述采样图像的采样概率，包括：
基于所述损失函数，确定所述采样图像的难度因子；
基于所述难度因子，更新所述采样图像的采样概率。


6.根据权利要求1-4中任一项所述的方法，其中，所述利用第一预设模型，得到所述采样图像的第一预测信息，包括：
对所述采样图像进行增强处理，得到输入图像；
将所述输入图像输入至所述第一预设模型，得到所述第一预设模型输出的所述采样图像的第一预测信息。


7.一种图像处理方法，包括：
获取待处理图像；
将所述待处理图像输入第一预设模型，得到所述第一预设模型输出的第三预测信息；其中，所述第一预设模型是根据权利要求1-6中任一项所述的模型训练方法训练至收敛的。


8.一种模型训练装置，包括：
采样模块，用于基于第一样本集中各图像的采样概率在所述第一样本集中进行采样，得到采样图像；
预测模块，用于利用第一预设模型，得到所述采样图像的第一预测信息；
确定模块，用于基于所述第一预测信息，确定所述采样图像的损失函数；
更新模块，用于基于所述损失函数，更新所述采...

【专利技术属性】
技术研发人员：崔程，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11