图像处理方法、装置及设备制造方法及图纸

本申请提供一种图像处理方法、装置及设备，涉及人工智能技术领域，以提升对图像进行处理的准确度。该方法包括：对图像处理模型进行多轮迭代训练，将最后一轮迭代训练输出的图像处理模型确定为目标图像处理模型；一轮迭代训练中，对基于更新前的图像处理模型获得的中间图像处理模型进行多次迭代更新，将最后一次迭代更新得到的中间图像处理模型作为输出的图像处理模型；一次迭代更新中，将一个样本子集分别输入更新前的图像处理模型和中间图像处理模型，基于获得的第一图像特征和第二图像特征的偏差信息确定的目标损失值，对中间图像处理模型进行参数调整。该方法提升了对图像进行处理的目标图像处理模型的泛化能力。行处理的目标图像处理模型的泛化能力。行处理的目标图像处理模型的泛化能力。

【技术实现步骤摘要】
图像处理方法、装置及设备


[0001]本申请涉及人工智能
，尤其涉及一种图像处理方法、装置及设备。

技术介绍

[0002]随着人工智能和机器学习技术的快速发展，常通过图像处理模型对图像进行处理，但基于机器学习训练得到的图像处理模型可能由于过度学习图像训练数据的特征，而导致图像处理模型对图像训练数据进行处理的准确度高，但是对除图像训练数据以外的其它图像数据进行处理的准确度低，图像处理模型的泛化能力差，进而导致使用训练得到的图像处理模型对待处理图像进行处理的准确度低。

技术实现思路

[0003]本申请实施例提一种图像处理方法、装置、设备及可读存储介质，用于提升对图像进行处理的准确度。
[0004]本申请第一方面，提供一种图像处理方法，包括：
[0005]将目标图像处理关联的图像样本集划分为多个样本子集；
[0006]基于所述多个样本子集，对待训练的图像处理模型进行多轮迭代训练，将最后一轮迭代训练输出的图像处理模型确定为目标图像处理模型，所述目标图像处理模型用于对待处理图像进行所述目标图像处理；其中，在一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：将目标图像处理关联的图像样本集划分为多个样本子集；基于所述多个样本子集，对待训练的图像处理模型进行多轮迭代训练，将最后一轮迭代训练输出的图像处理模型确定为目标图像处理模型，所述目标图像处理模型用于对待处理图像进行所述目标图像处理；其中，在一轮迭代训练中，执行以下操作：将当前获得的图像处理模型确定为更新前的图像处理模型，对所述更新前的图像处理模型进行初始化，获得中间图像处理模型；获取一个样本子集，对所述中间图像处理模型进行多次迭代更新，将最后一次迭代更新得到的中间图像处理模型，确定为所述一轮迭代训练输出的图像处理模型；其中，在一次迭代更新中，将所述一个样本子集分别输入所述更新前的图像处理模型和所述中间图像处理模型，基于获得的第一图像特征和第二图像特征的偏差信息确定目标损失值，基于所述目标损失值对所述中间图像处理模型进行参数调整；所述偏差信息表征所述图像处理模型针对所述一个样本子集的过拟合特征。2.如权利要求1所述的方法，其特征在于，所述将目标图像处理关联的图像样本集划分为多个样本子集，包括：按照图像样本的数据类型，将所述图像样本集中的图像样本划分为不同数据类型的样本子集。3.如权利要求1所述的方法，其特征在于，所述将目标图像处理关联的图像样本集划分为多个样本子集，包括：按照图像样本关联的时间信息，将所述图像样本集中的图像样本划分为多个不同时间段的样本子集。4.如权利要求1所述的方法，其特征在于，所述基于所述多个样本子集，对待训练的图像处理模型进行多轮迭代训练之前，还包括：创建初始的图像处理模型，以及从所述多个样本子集中选取一个样本子集；基于选取的一个样本子集，对所述初始的图像处理模型进行多次迭代更新，得到待训练的图像处理模型；其中，在一次迭代更新中，将所述选取的一个样本子集输入到所述初始的图像处理模型，得到目标图像特征；基于所述选取的一个样本子集对应的图像特征样本和所述目标图像特征的差异，对所述初始的图像处理模型进行参数调整。5.如权利要求1所述的方法，其特征在于，所述基于获得的第一图像特征和第二图像特征的偏差信息确定目标损失值，包括：获取所述第一图像特征和所述第二图像...

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