【技术实现步骤摘要】
图像处理模型的训练方法、图像处理方法、装置和设备
[0001]本公开涉及人工智能
，尤其涉及计算机视觉和深度学习
技术介绍
[0002]目前，自我监督学习成为深度学习的研究热点，旨在从未标记样本中进行学习，以缓解数据标注困难的问题。自监督图像处理网络一般由两个支路和损失计算部分构成，通过训练两支路的参数，得到能够无监督实现图像分类、目标检测以及图像分割等图像处理任务的图像处理模型。
[0003]但是，这些训练完成的图像处理模型在应用时效果不佳，特征表达能力不高。
技术实现思路
[0004]提供了一种图像处理模型的训练方法、图像处理方法、装置和设备。
[0005]根据第一方面，提供了一种图像处理模型的训练方法，包括：将两个图像组分别输入所述图像处理模型中的第一图像处理网络和第二图像处理网络中，其中，所述两个图像组中每个图像组内包括属于同一样本图像的多个子图像；获取所述第一图像处理网络提取的每个子图像的第一图像特征和所述第二图像处理网络提取的每个子图像的第二图像特征；对所述第一图像...
【技术保护点】
【技术特征摘要】
1.一种图像处理模型的训练方法，包括：将两个图像组分别输入所述图像处理模型中的第一图像处理网络和第二图像处理网络中，其中，所述两个图像组中每个图像组内包括属于同一样本图像的多个子图像；获取所述第一图像处理网络提取的每个子图像的第一图像特征和所述第二图像处理网络提取的每个子图像的第二图像特征；对所述第一图像特征和所述第二图像特征进行聚类，以获取所述图像处理模型的损失函数；基于所述损失函数对所述图像处理模型的模型参数调整，并继续使用下一样本图像的两个图像组对调整模型参数的所述图像处理模型训练直至训练结束，生成目标图像处理模型。2.根据权利要求1所述的方法，其中，所述方法还包括：从所述同一样本图像上按照第一尺寸剪裁得到第一子图像，以及按照第二尺寸剪裁得到第二子图像，将至少一个所述第一子图像和至少一个所述第二子图像作为一个图像组。3.根据权利要求1
‑
2任一项所述的方法，其中，所述对所述第一图像特征和所述第二图像特征进行聚类，以获取所述图像处理模型的损失函数，包括：分别对所述第一图像特征和所述第二图像特征进行聚类处理，以生成所述两个图像组各自的聚类特征向量；基于所述聚类特征向量，获取所述图像处理模型的第一损失函数；根据所述第一图像特征和所述第二图像特征，获取所述图像处理模型的第二损失函数；基于所述第一损失函数和所述第二损失函数，获取所述图像处理模型的损失函数。4.根据权利要求3所述的方法，其中，所述根据所述第一图像特征和所述第二图像特征，获取所述图像处理模型的第二损失函数，包括：对所述第一图像特征和所述第二图像特征进行融合，生成融合图像特征；由所述第一图像处理网络中的类别识别层对所述融合图像特征进行类别预测，以获取每个所述子图像的预测类别；基于所述预测类别和所述子图像的参考类别，获取所述第二损失函数。5.根据权利要求3或4所述的方法，其中，所述基于所述第一损失函数和所述第二损失函数，获取所述图像处理模型的损失函数，包括：对所述第一损失函数和所述第二损失函数进行加权，获取所述图像处理模型的损失函数。6.根据权利要求1所述的方法，其中，所述方法还包括：针对所述第一图像处理网络和所述第二图像处理网络，将所述两个图像组分别输入对应的图像处理网络中的特征提取层，以获取各自的初始图像特征；基于所述图像处理网络中的多层感知层对所述初始图像特征进行感知，获取所述图像处理网络对应的目标图像特征，其中，所述目标图像特征为所述第一图像特征或第二图像特征。7.一种图像处理方法，包括：获取目标图像；
将所述目标图像分别输入目标图像处理模型中第一图像处理网络和第二图像处理网络中，以输出所述第一图像特征和第二图像特征；对所述第一图像特征和所述第二特征图像进行融合，得到融合图像特征；基于所述融合图像特征，对所述目标图像进行处理，生成所述目标图像的处理结果；其中，所述目标图像处理模型为采用如权利要求1
‑
6任一项所述的图像处理模型的训练方法训练出的模型。8.一种图像处理模型的训练的装置，包括：输入模块，用于将两个图像组分别输入所述图像处理模型中的第一图像处理网络和第二图像处理网络中，其中，所述两个图像组中每个图像组内包括属于同一样本图像的多个子图像；获取模块，用于获取所述第一图像处理网络提取的每个子图像的第一图像特征和所述第二图像处理网络提取的每个子图像的第二图像特征；聚类模块，用于对所述第一图像特征和所述第二...
【专利技术属性】
技术研发人员：王晓迪，韩树民，谷祎，冯原，辛颖，张滨，李超，王云浩，龙翔，郑弘晖，彭岩，贾壮，丁二锐，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。