图像处理方法、电子设备及计算存储介质技术

本公开提供一种图像处理方法，包括：确定未标注图像集合中每张图像的特征表示性能参数和信息量参数；根据所述未标注图像集合中每张图像的特征表示性能参数和信息量参数从所述未标注图像集合中选取符合图像有效性需求的目标图像，对所述目标图像进行标注。能够兼顾图像在特征学习中的性能表现以及图像对于下游任务的信息量表现，自动地选取出高效的图像进行标注，降低标注代价且有助于提升图像分类模型的性能。本公开还提供一种电子设备及计算机存储介质。算机存储介质。算机存储介质。

【技术实现步骤摘要】
图像处理方法、电子设备及计算存储介质


[0001]本专利技术涉及人工智能
，具体涉及一种图像处理方法、一种电子设备及一种计算机存储介质。

技术介绍

[0002]自监督学习是图像特征表示学习的重要技术，该技术在不使用任何人工标注的情况下从大规模的未标注图像中学习特征表述。在进行图像特征表示学习之后，图像分类模型仍需在已标注图像上进行微调，以实现图像分类任务。目前，出于标注代价高昂、敏感性等种种原因，已标注图像往往非常有限，进而导致图像分类模型的性能不佳。

技术实现思路

[0003]本公开针对现有技术中存在的上述不足，提供一种图像处理方法、一种电子设备及一种计算机存储介质。
[0004]第一方面，本公开实施例提供一种图像处理方法，所述方法包括：确定未标注图像集合中每张图像的特征表示性能参数和信息量参数；根据所述未标注图像集合中每张图像的特征表示性能参数和信息量参数从所述未标注图像集合中选取目标图像；对所述目标图像进行标注。
[0005]第二方面，本公开实施例提供一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如前所述的图像处理方法。
[0006]第三方面，本公开实施例提供一种计算机存储介质，其上存储有计算机程序，其中，所述程序被执行时实现如前所述的图像处理方法。
[0007]通过本公开实施例提供的图像处理方法，确定未标注图像集合中每张图像的特征表示性能参数和信息量参数，综合考虑未标注图像的特征表示性能参数和信息量参数来选取符合图像有效性需求的未标注图像进行标注，能够兼顾图像在特征学习中的性能表现以及图像对于下游任务的信息量表现，自动地选取出高效的图像进行标注，降低标注代价且有助于提升图像分类模型的性能。
附图说明
[0008]图1是本公开实施例提供的图像处理方法的流程示意图一；图2是本公开实施例提供的图像处理方法的流程示意图二；图3是本公开实施例提供的图像处理方法的流程示意图三；图4是本公开实施例提供的图像处理方法的流程示意图四；
图5是本公开实施例提供的图像处理方法的流程示意图五；图6是本公开实施例提供的图像处理方法的流程示意图六；图7是本公开实施例提供的图像处理方法的流程示意图七；图8是本公开实施例提供的图像处理方法的流程示意图八；图9是本公开实施例提供的图像处理方法的工作流程示意图；图10是本公开实施例提供的第一模型及第二模型的训练工作流程示意图；图11是本公开实施例提供的图像处理方法的另一工作流程图；图12是本公开实施例提供的模型训练方法的工作流程示意图；图13是本公开实施例提供的图像处理装置的模块示意图。
具体实施方式
[0009]在下文中将参考附图更充分地描述示例实施例，但是所述示例实施例可以以不同形式来体现且不应当被解释为限于本文阐述的实施例。反之，提供这些实施例的目的在于使本公开透彻和完整，并将使本领域技术人员充分理解本公开的范围。
[0010]如本文所使用的，术语“和/或”包括一个或多个相关列举条目的任何和所有组合。
[0011]本文所使用的术语仅用于描述特定实施例，且不意欲限制本公开。如本文所使用的，单数形式“一个”和“该”也意欲包括复数形式，除非上下文另外清楚指出。还将理解的是，当本说明书中使用术语“包括”和/或“由
……
制成”时，指定存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或添加一个或多个其他特征、整体、步骤、操作、元件、组件和/或其群组。
[0012]本文所述实施例可借助本公开的理想示意图而参考平面图和/或截面图进行描述。因此，可根据制造技术和/或容限来修改示例图示。因此，实施例不限于附图中所示的实施例，而是包括基于制造工艺而形成的配置的修改。因此，附图中例示的区具有示意性属性，并且图中所示区的形状例示了元件的区的具体形状，但并不旨在是限制性的。
[0013]除非另外限定，否则本文所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解，诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义，且将不解释为具有理想化或过度形式上的含义，除非本文明确如此限定。
[0014]在实际应用中，图像的语义类别信息往往稀缺，影响图像分类模型的性能，因此往往需要对所有未标注图像的语义类别进行标注，利用已标注图像并加入训练集对图像分类模型微调，然而图像分类模型需求庞大数量的已标注图像，加之往往由人工对未标注图像进行标注，导致标记稀缺且代价高昂，严重影响图像分类模型的性能表现。为了提高已标注图像的数量进而提升图像分类模型的性能，目前通常采用主动采样方法，即主动选取有效性最高的部分图像进行标注。
[0015]但是有鉴于此，本公开实施例发现，现有的主动采样方法在选取图像时往往仅考虑到图像对于下游任务（即图像分类任务）的信息量表现，而忽略了部分图像在自监督学习中难以学得高效的特征表示，实际上这部分图像对于图像分类模型的帮助较小，甚至可能会损害图像分类模型的性能，这将浪费标注成本、降低图像分类模型的性能。因此，在采用主动采样方法选取图像进行标注时，不仅需要考虑图像对于下游任务的信息量贡献，还需
要考虑到图像在特征学习中的性能表现。
[0016]相应的，如图1所示，本公开实施例提供一种图像处理方法，所述方法可以包括如下步骤：在步骤S1中，确定未标注图像集合中每张图像的特征表示性能参数和信息量参数。
[0017]在步骤S2中，根据未标注图像集合中每张图像的特征表示性能参数和信息量参数从未标注图像集合中选取符合图像有效性需求的目标图像。
[0018]在步骤S3中，对目标图像进行标注。
[0019]其中，未标注图像集合为多张未标注图像的集合，特征表示性能参数用以衡量图像在特征学习中的性能表现，信息量参数则用以衡量图像对于下游任务的信息量表现，可以根据每张图像的特征表示性能参数和信息量参数确定每张图像的有效性得分，符合图像有效性需求的目标图像即未标注图像集合中有效性得分较高的部分图像，这部分图像用以训练图像分类模型的有效性相对较高，例如可以是未标注图像集合中有效性得分最高的前N张图像，但本公开实施例对N的具体取值并不做具体限定，只要大于0且小于未标注图像集合中图像的总数量即可。
[0020]通过本公开实施例提供的图像处理方法，确定未标注图像集合中每张图像的特征表示性能参数和信息量参数，综合考虑未标注图像的特征表示性能参数和信息量参数来选取符合图像有效性需求的未标注图像进行标注，能够兼顾图像在特征学习中的性能表现以及图像对于下游任务的信息量表现，自动地选取出高效的图像进行标注，降低标注代价且有助于提升图像分类模型的性能。
[0021]较为高效、快捷的方式是通过有效的辅助模型来衡量图像在特征学习中的性能表现，确定出图像的特征表示性能参数，那么在此之前首先需要有效本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，其中，所述方法包括：确定未标注图像集合中每张图像的特征表示性能参数和信息量参数；根据所述未标注图像集合中每张图像的特征表示性能参数和信息量参数从所述未标注图像集合中选取符合图像有效性需求的目标图像；对所述目标图像进行标注。2.根据权利要求1所述的方法，其中，所述确定未标注图像集合中每张图像的特征表示性能参数包括：读取已标注图像集合；将所述已标注图像集合和所述未标注图像集合进行训练得到第一模型；根据所述第一模型确定所述未标注图像集合中每张图像的特征表示性能参数。3.根据权利要求2所述的方法，其中，所述将所述已标注图像集合和所述未标注图像集合进行训练得到第一模型包括：分别将所述已标注图像集合中以及所述未标注图像集合中的每张图像均进行预设旋转角度地旋转；根据旋转每张图像的预设旋转角度分别对旋转之后的每张图像进行标注，得到构造图像集合；根据所述构造图像集合训练得到所述第一模型。4.根据权利要求3所述的方法，其中，所述预设旋转角度对应有多个类别；所述根据所述第一模型确定所述未标注图像集合中每张图像的特征表示性能参数包括：根据所述第一模型确定所述未标注图像集合中每张图像的预设旋转角度分别被预测为所述多个类别中每个类别的概率；根据所述概率确定所述未标注图像集合中每张图像的特征表示性能参数。5.根据权利要求2所述的方法，其中，在所述将已标注图像集合和所述未标注图像集合进行训练得到第一模型之后，所述方法还包括：根据所述已标注图像集合调整所述第一模型的参数得到第二模型；以及所述确定所述未标注图像集合中每张图像的信息量参数包括：根据所述第二模型确定所述未标注图像集合中每张图像的信息量参数。6.根据权利要求5所述的方法，其中，所述根据所述第二模型确定所述未标注图像集合中每张图像的信息量参数包括：根据所述第二模型确定所述未标注图像集合中每张图像被预测为预设图像分类任务中的各个类别的概率；根据所述概率确定所述未标注图像集合中每张图像的信息量参数。7.根据权...

【专利技术属性】
技术研发人员：周慧，屠要峰，周祥生，孙康康，黄圣君，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：