【技术实现步骤摘要】
一种图像处理方法、装置、计算机设备及存储介质
[0001]本公开涉及人工智能
，尤其涉及一种图像处理方法、装置、计算机设备及存储介质。
技术介绍
[0002]计算机视觉技术(Computer Vision，CV)是人工智能软件技术的重要方向之一，是指用摄像机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉。计算机视觉技术是指通过对某些深度学习模型研究使得输入至这些深度学习模型的图像智能地记性分类。
[0003]相关技术中，对于一些样本数据分布不平衡，特别是无法获得充足的样本数的小样本的图像数据或者少样本的图像数据而言，由于某一个类或者多个类的图像样本的分布数量少，且数量也不充足，会使这些深度学习模型对于这一类图像样本对应的图像的识别准确性不高，甚至无法识别。基于此，如何提高针对少样本或者小样本的图像数据的图像识别准确性以及识别率成为了亟需解决的技术问题。
技术实现思路
[0004]本公开的目的在于提供一种图像处理方法、装置、计算机设备及存储介质，旨在提高针对少样本或者小样本的图像数据识别准确性
【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：获取待处理的目标图像；根据第一模型以及所述目标图像，确定所述目标图像的语义信息，其中，所述第一模型包括：基于预设类型的第一图像样本集对第二模型进行迁移学习训练得到的模型，所述第二模型包括：使用第一图像数据库数据集训练得到的预训练模型，其中，所述预设类型的所述第一图像样本集的图像数量在所述第一图像数据库数据集中的图像数量中所占的比例小于第一比例阈值；根据所述目标图像的语义信息，确定所述目标图像是否为所述预设类型的图像。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：从第二图像数据库数据集中获取所述预设类型的所述第一图像样本集，其中，所述预设类型的所述第一图像样本集的图像数量在所述第二图像数据库数据集中的图像数量中所占的比例大于第二比例阈值，所述第二比例阈值大于所述第一比例阈值。3.根据权利要求1或2所述的方法，其特征在于，所述根据第一模型以及所述目标图像，确定所述目标图像的语义信息，包括：根据所述第一模型的模型参数分别对M个第四模型进行迁移学习训练，得到M个第五模型，其中，所述M为大于或者等于1的正整数，所述第四模型包括：使用云端数据库中的第二图像样本集训练得到的预训练模型；对所述M个第五模型进行集成学习，得到所述第三模型；利用所述第三模型对所述目标图像进行处理，确定所述目标图像的所述语义信息。4.根据权利要求3所述的方法，其特征在于，根据所述第二图像样本集，训练得到所述第四模型，包括：将所述第二图像样本集划分为第一正图像样本集和第一负图像样本集，其中，正图像样本集中的图像为所述预设类型的图像，负图像样本集中的图像不为所述预设类型的图像；对所述第一正图像样本集进行数据增强处理，得到第二正图像样本集，以及对所述第一负图像样本集进行数据蒸馏处理，得到第二负图像样本集；根据所述第二正图像样本集和所述所述第二负图像样本集，训练得到所述第四模型。5.根据权利要求4所述的方法，其特征在于，所述根据所述第二正图像样本集和所述第二负图像样本集，训练得到所述第四模型，包括：响应于所述第二正图像样本集与所述第二负图像样本集的图像数量的比值小于比值阈值，对所述第二负图像样本集进行采样处理，得到第三负图像样本集，其中，所述第二图像样本集与所述第三负图像样本集的图像数量的比值大于或等于所述比值阈值；根据所述第二正图像样本集和所述第三负图像样本集，训练得到所述第四模型。6.根据权利要求3所述的方法，其特征在于，所述第三模型能够将图像样本划分为正确分类样本集和错误分类样本集；所述方法还包括：响应于所述第三模型不满收敛条件，则对所述第三模型进行调整，直至调整后的第三模型满足所述收敛条件，其中，所述收敛条件为：利用第N
‑
1次调整后的第三模型对第N
‑
1次错误分类图像样本集进行分类得到的第N错误分类图像样本集占第N
‑
1错误分类图像样本
的占比小于占比阈值，其中，所述N为大于或等于1的正整数，且当所述N等于1时，所述第N
‑
1次错误分类图像样本集为第三图像样本集；利用第N
‑
1次调整后的第三模型对所述第三图像样本集进行分类得到第N正确分类图像样本集，并将所述第N正确分类图像样本集作为所述第二图像样本集。7.一种图像处理装置，其特征在于，包括：第一获取模块，用于获取待处理的目标图像；第一确定模块，用于根据第一模型以及所述目标图像，确定所述目标图像的语义信息，其中，所述第一模型包括：基于预设类型的第一...
【专利技术属性】
技术研发人员：刘坤，
申请(专利权)人：北京小米松果电子有限公司，
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。