图像处理模型训练、图像处理方法、装置和计算机设备制造方法及图纸

本申请涉及一种图像处理模型训练方法、装置、计算机设备和存储介质。所述方法包括：将训练图像集输入到初始图像处理训练模型中进行训练，得到更新图像处理训练模型；计算更新主分支网络中网络通道的激活程度筛选得到待更新网络通道；计算更新辅助分支网络中网络通道的激活程度筛选得到参考网络通道；基于参考网络通道和待更新网络通道对待更新网络通道进行更新，得到待更新网络通道的更新参数，基于待更新网络通道的更新参数得到目标更新图像处理训练模型并迭代执行，直到达到训练完成条件时，得到目标图像处理模型，目标图像处理模型用于对输入图像进行图像特征提取。采用本方法能够提高图像特征提取的准确性。

【技术实现步骤摘要】
图像处理模型训练、图像处理方法、装置和计算机设备
本申请涉及计算机
，特别是涉及一种图像处理模型训练、图像处理方法、装置、计算机设备和存储介质。
技术介绍
随着图像处理技术的发展，出现了图像特征提取技术，图像特征提取技术通过将图像进行特征提取，得到能够表征图像的向量。通常通过人工智能模型来进行图像特征提取。然而，目前的人工智能模型在提取图像特征时，提取得到的图像特征可能存在大量特征值接近0，即多个特征维度无有效特征，使图像特征在多个特征维度上对描述图像信息的作用比较低下，从而使得到的图像特征的信息丰富度低。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高图像特征信息丰富度的图像处理模型训练、图像处理方法、装置、计算机设备和存储介质。一种图像处理模型训练方法，所述方法包括：获取训练图像集；将训练图像集输入到初始图像处理训练模型中进行训练，得到更新图像处理训练模型，更新图像处理训练模型包括更新主分支网络和更新辅助分支网络；计算更新主分支网络中网络通道的主分支激活程度，基于主分支激活程度从更新主分支网络的网络通道中筛选得到待更新网络通道；计算更新辅助分支网络中网络通道的辅助分支激活程度，基于辅助分支激活程度从更新辅助分支网络中网络通道中筛选得到参考网络通道；基于参考网络通道的参数对待更新网络通道的参数进行更新，得到待更新网络通道的更新参数，基于待更新网络通道的更新参数得到目标更新主分支网络，基于目标更新主分支网络得到目标更新图像处理训练模型；将目标更新图像处理训练模型作为初始图像处理训练模型，并返回将训练图像集输入到初始图像处理训练模型中进行训练，得到更新图像处理训练模型的步骤迭代执行，直到达到训练完成条件时，得到目标图像处理训练模型，基于目标图像处理训练模型中的主分支网络得到目标图像处理模型，目标图像处理模型用于对输入图像进行图像特征提取。在其中一个实施例中，所述将所述训练图像集输入到初始图像处理训练模型中进行训练，得到更新图像处理训练模型，包括：将所述训练图像集输入到初始图像处理训练模型中，所述初始图像处理训练模型通过初始主分支网络和初始辅助分支网络进行图像特征提取，得到所述训练图像集对应的初始主特征集和初始辅助特征集；基于所述训练图像集对应的初始主特征集和初始辅助特征集进行损失计算，得到初始图像损失信息；基于所述初始图像损失信息更新所述初始图像处理训练模型的参数，得到更新图像处理训练模型。在其中一个实施例中，所述初始图像处理训练模型还包括初始深度特征提取网络和初始特征映射网络；所述将所述训练图像集输入到初始图像处理训练模型中，所述初始图像处理训练模型通过初始主分支网络和初始辅助分支网络进行图像特征提取，得到所述训练图像集对应的初始主特征集和初始辅助特征集，包括：将所述训练图像集输入到初始图像处理训练模型中，所述初始图像处理训练模型将训练图像集中训练图像输入所述初始深度特征提取网络中进行深度特征提取，得到训练图像初始深度特征；将所述训练图像初始深度特征输入到所述初始特征映射网络中进行高维特征映射，得到训练图像初始映射特征；将所述训练图像初始映射特征分别输入到所述初始主分支网络和所述初始辅助分支网络进行特征整合，得到所述训练图像对应的初始主特征和初始辅助特征，并遍历所述训练图像集中各个训练图像，得到所述训练图像集对应的初始主特征集和初始辅助特征集。在其中一个实施例中，所述训练图像集中包括各个正样本图像对；所述基于所述训练图像集对应的初始主特征集和初始辅助特征集进行损失计算，得到初始图像损失信息，包括：基于所述各个正样本图像对进行负样本图像筛选，得到所述各个正样本图像对对应的负样本图像，基于所述各个正样本图像对和对应的负样本图像得到各个图像三元组；从所述初始主特征集和所述初始辅助特征集中查找所述各个图像三元组对应的初始主特征和所述各个图像三元组对应的初始辅助特征；基于所述各个图像三元组对应的初始主特征和所述各个图像三元组对应的初始辅助特征进行图像三元组损失计算，得到初始图像损失信息。在其中一个实施例中，所述基于所述各个正样本图像对进行负样本图像筛选，得到所述各个正样本图像对对应的负样本图像，基于所述各个正样本图像对和对应的负样本图像得到各个图像三元组，包括：基于所述各个正样本图像对确定当前正样本图像对和各个待挖掘正样本图像对；从当前正样本图像对中随机选取，得到当前图像，并分别从所述各个待挖掘正样本图像对中随机选取，得到各个待挖掘图像；计算所述当前图像分别与所述各个待挖掘图像之间的相似度，基于所述相似度从所述各个待挖掘图像中确定所述当前正样本图像对对应的当前负样本图像；基于所述当前正样本图像对和所述当前负样本图像得到所述当前正样本图像对对应的当前图像三元组。在其中一个实施例中，所述计算所述当前图像分别与所述各个待挖掘图像之间的相似度，基于所述相似度从所述各个待挖掘图像中确定所述当前正样本图像对对应的当前负样本图像，包括：从所述初始主特征集中获取所述当前图像对应的当前初始主特征和所述各个待挖掘图像对应的待挖掘初始主特征；计算所述当前初始主特征分别与所述各个待挖掘图像对应的待挖掘初始主特征的相似距离，得到各个相似度，基于所述各个相似度从所述各个待挖掘图像中确定所述当前正样本图像对对应的当前负样本图像。在其中一个实施例中，所述基于所述相似度从所述各个待挖掘图像中确定所述当前正样本图像对对应的当前负样本图像，包括：基于所述各个相似度从所述各个待挖掘图像中选取目标数量的待挖掘图像，得到所述当前正样本图像对对应的各个当前负样本图像；所述基于所述当前正样本图像对和所述当前负样本图像得到所述当前正样本图像对对应的当前图像三元组，包括：基于所述当前正样本图像对和所述各个当前负样本图像得到所述当前正样本图像对对应的各个当前图像三元组。在其中一个实施例中，所述训练图像集中包括各个图像三元组；所述基于所述训练图像集对应的初始主特征集和初始辅助特征集进行损失计算，得到初始图像损失信息，包括：基于所述各个图像三元组对应的初始主特征和所述各个图像三元组对应的初始辅助特征进行图像三元组损失计算，得到初始图像损失信息。在其中一个实施例中，所述基于所述各个图像三元组对应的初始主特征和所述各个图像三元组对应的初始辅助特征进行图像三元组损失计算，得到初始图像损失信息，包括：基于所述各个图像三元组对应的初始主特征进行图像三元组损失计算，得到初始主损失信息；基于所述各个图像三元组对应的初始辅助特征进行图像三元组损失计算，得到初始辅助损失信息；基于所述初始主损失信息和所述初始辅助损失信息确定所述初始图像损失信息。在其中一个实施例中，所述图像三元组包括第一正样本图像、第二正样本图像和负样本图像；所述基于所述各个图像三元组对应的初始主本文档来自技高网...

【技术保护点】
1.一种图像处理模型训练方法，其特征在于，所述方法包括：/n获取训练图像集；/n将所述训练图像集输入到初始图像处理训练模型中进行训练，得到更新图像处理训练模型，所述更新图像处理训练模型包括更新主分支网络和更新辅助分支网络；/n计算所述更新主分支网络中网络通道的主分支激活程度，基于所述主分支激活程度从所述更新主分支网络的网络通道中筛选得到待更新网络通道；/n计算所述更新辅助分支网络中网络通道的辅助分支激活程度，基于所述辅助分支激活程度从所述更新辅助分支网络中网络通道中筛选得到参考网络通道；/n基于所述参考网络通道的参数对所述待更新网络通道的参数进行更新，得到所述待更新网络通道的更新参数，基于所述待更新网络通道的更新参数得到目标更新主分支网络，基于所述目标更新主分支网络得到目标更新图像处理训练模型；/n将所述目标更新图像处理训练模型作为初始图像处理训练模型，并返回将所述训练图像集输入到初始图像处理训练模型中进行训练，得到更新图像处理训练模型的步骤迭代执行，直到达到训练完成条件时，得到目标图像处理训练模型，基于所述目标图像处理训练模型中的主分支网络得到目标图像处理模型，所述目标图像处理模型用于对输入图像进行图像特征提取。/n...

【技术特征摘要】
1.一种图像处理模型训练方法，其特征在于，所述方法包括：
获取训练图像集；
将所述训练图像集输入到初始图像处理训练模型中进行训练，得到更新图像处理训练模型，所述更新图像处理训练模型包括更新主分支网络和更新辅助分支网络；
计算所述更新主分支网络中网络通道的主分支激活程度，基于所述主分支激活程度从所述更新主分支网络的网络通道中筛选得到待更新网络通道；
计算所述更新辅助分支网络中网络通道的辅助分支激活程度，基于所述辅助分支激活程度从所述更新辅助分支网络中网络通道中筛选得到参考网络通道；
基于所述参考网络通道的参数对所述待更新网络通道的参数进行更新，得到所述待更新网络通道的更新参数，基于所述待更新网络通道的更新参数得到目标更新主分支网络，基于所述目标更新主分支网络得到目标更新图像处理训练模型；
将所述目标更新图像处理训练模型作为初始图像处理训练模型，并返回将所述训练图像集输入到初始图像处理训练模型中进行训练，得到更新图像处理训练模型的步骤迭代执行，直到达到训练完成条件时，得到目标图像处理训练模型，基于所述目标图像处理训练模型中的主分支网络得到目标图像处理模型，所述目标图像处理模型用于对输入图像进行图像特征提取。


2.根据权利要求1所述的方法，其特征在于，所述计算所述更新主分支网络中网络通道的主分支激活程度，基于所述主分支激活程度从所述更新主分支网络的网络通道中筛选得到待更新网络通道，包括：
使用所述更新主分支网络中各个网络通道对应的网络参数进行信息熵计算，得到所述更新主分支网络中各个网络通道对应的主分支激活程度；
将各个主分支激活程度与预设主分支激活程度阈值进行比较，并选取低于预设主分支激活程度阈值的网络通道，得到各个待更新网络通道。


3.根据权利要求2所述的方法，其特征在于，在所述将各个主分支激活程度与预设主分支激活程度阈值进行比较，并选取低于预设主分支激活程度阈值的网络通道，得到各个待更新网络通道之后，还包括：
统计所述各个待更新网络通道的待更新通道数量，当所述待更新通道数量未超过预设通道数量时，将所述更新图像处理训练模型作为初始图像处理训练模型，并返回将所述训练图像集输入到初始图像处理训练模型中进行训练，得到更新图像处理训练模型的步骤迭代执行；
当所述待更新通道数量超过所述预设通道数量时，执行计算所述更新辅助分支网络中网络通道的辅助分支激活程度，基于所述辅助分支激活程度从所述更新辅助分支网络中网络通道中筛选得到参考网络通道的步骤。


4.根据权利要求1所述的方法，其特征在于，所述计算所述更新辅助分支网络中网络通道的辅助分支激活程度，基于所述辅助分支激活程度从所述更新辅助分支网络中网络通道中筛选得到参考网络通道，包括：
使用所述更新辅助分支网络中各个网络通道对应的网络参数进行信息熵计算，得到所述更新辅助分支网络中各个网络通道对应的辅助分支激活程度；
将各个辅助分支激活程度与预设辅助分支激活程度阈值进行比较，并选取大于预设主分支激活程度阈值的网络通道，得到各个参考网络通道。


5.根据权利要求1所述的方法，其特征在于，所述基于所述参考网络通道的参数对所述待更新网络通道的参数进行更新，得到所述待更新网络通道的更新参数，包括：
统计所述参考网络通道的参考通道数量，并获取所述待更新网络通道的待更新通道数量；
比较所述参考通道数量与所述待更新通道数量，得到比较结果，根据比较结果从所述参考通道数量的参考网络通道中确定所述待更新通道数量的参考网络通道；
基于所述待更新通道数量的参考网络通道的网络参数和所述待更新通道数量的待更新网络通道的网络参数进行加权和计算，得到待更新通道数量的待更新网络通道的更新网络参数。


6.根据权利要求5所述的方法，其特征在于，所述根据比较结果从所述参考通道数量的参考网络通道中确定所述待更新通道数量的参考网络通道，包括：
当所述待更新通道数量大于所述参考通道数量时，计算所述待更新通道数量与所述参考通道数量的差值，从所述待更新通道数量的参考网络通道中随机选取所述差值的参考网络通道；
基于所述参考通道数量和所述差值的参考网络通道得到所述待更新通道数量的参考网络通道。


7.根据权利要求5所述的方法，其特征在于，所述根据比较结果从所述参考通道数量的参考网络通道中确定所述待更新通道数量的参考网络通道，包括：
当所述参考通道数量等于所述待更新通道数量时，将所述参考通道数量的参考网络通道作为所述待更新通道数量的参考网络通道。


8.根据权利要求5所述的方法，其特征在于，所述根据比较结果从所述参考通道数量的参考网络通道中确定所述待更新通道数量的参考网络通道，包括：
当所述待更新通道数量小于所述参考通道数量时，获取更新主分支网络的网络通道中除所述待更新网络通道以外的网络通道，得到各个目标网络通道；
计算所述参考通道数量的参考网络通道分别与所述各个目标网络通道的交叉熵，得到每个参考网络通道分别与所述各个目标网络通道的差异程度；
从所述各个差异程度中确定每个参考网络通道对应的目标差异程度，并基于所述目标...

【专利技术属性】
技术研发人员：郭卉，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44