图像处理方法、装置、设备、存储介质及程序产品制造方法及图纸

本申请提供了一种基于人工智能的图像处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品；涉及人工智能技术；方法包括：通过第一图像领域的第一图像任务模型，对第一图像领域的第一图像样本进行哈希处理，得到第一图像样本的第一哈希样本特征；通过第二图像领域的第二图像任务模型，对第一图像领域的第一图像样本进行哈希处理，得到第一图像样本的第二哈希样本特征；基于第一哈希样本特征对第二哈希样本特征进行特征蒸馏处理，得到第二图像任务模型的蒸馏特征；通过第二图像任务模型对第二图像领域的第二图像样本进行哈希处理，得到第二图像样本的第三哈希样本特征；基于第三哈希样本特征以及蒸馏特征训练第二图像任务模型。务模型。务模型。

【技术实现步骤摘要】
图像处理方法、装置、设备、存储介质及程序产品


[0001]本申请涉及人工智能技术，尤其涉及一种基于人工智能的图像处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品。

技术介绍

[0002]人工智能(AI，Artificial Intelligence)是计算机科学的一个综合技术，通过研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，例如自然语言处理技术以及机器学习/深度学习等几大方向，随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
[0003]迁移学习是人工智能领域的重要应用之一，迁移学习是一种将任务A开发的A模型作为初始点，重新使用在为任务B开发B模型的机器学习方法。
[0004]相关技术中，通过有限的图像样本训练待迁移的图像任务模型，这种方式容易造成训练效果不佳等问题。

技术实现思路

[0005]本申请实施例提供一种基于人工智能的图像处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品，能够充分利用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的图像处理方法，其特征在于，所述方法包括：通过第一图像领域的第一图像任务模型，对所述第一图像领域的第一图像样本进行哈希处理，得到所述第一图像样本的第一哈希样本特征；通过第二图像领域的第二图像任务模型，对所述第一图像领域的第一图像样本进行哈希处理，得到所述第一图像样本的第二哈希样本特征；基于所述第一哈希样本特征对所述第二哈希样本特征进行特征蒸馏处理，得到所述第二图像任务模型的蒸馏特征；通过所述第二图像任务模型对所述第二图像领域的第二图像样本进行哈希处理，得到所述第二图像样本的第三哈希样本特征；基于所述第三哈希样本特征以及所述蒸馏特征训练所述第二图像任务模型，其中，训练后的第二图像任务模型用于提取所述第二图像领域的待处理图像的哈希特征，所述待处理图像的哈希特征用于执行图像任务。2.根据权利要求1所述的方法，其特征在于，所述通过第一图像领域的第一图像任务模型，对所述第一图像领域的第一图像样本进行哈希处理，得到所述第一图像样本的第一哈希样本特征，包括：通过第一图像领域的第一图像任务模型执行以下处理：对所述第一图像领域的第一图像样本进行特征提取处理，得到所述第一图像样本的第一嵌入样本特征；对所述第一图像样本的第一嵌入样本特征进行量化处理，得到所述第一图像样本的第一哈希样本特征；所述通过第二图像领域的第二图像任务模型，对所述第一图像领域的第一图像样本进行哈希处理，得到所述第一图像样本的第二哈希样本特征，包括：通过第二图像领域的第二图像任务模型执行以下处理：对所述第一图像领域的第一图像样本进行特征提取处理，得到所述第一图像样本的第二嵌入样本特征；对所述第一图像样本的第二嵌入样本特征进行量化处理，得到所述第一图像样本的第二哈希样本特征。3.根据权利要求2所述的方法，其特征在于，所述第一图像任务模型包括第一特征层以及第一嵌入层，所述第二图像任务模型包括第二特征层以及第二嵌入层；所述对所述第一图像领域的第一图像样本进行特征提取处理，得到所述第一图像样本的第一嵌入样本特征，包括：通过所述第一特征层对所述第一图像领域的第一图像样本进行基础特征提取处理，得到所述第一图像样本的第一基础样本特征；通过所述第一嵌入层对所述第一图像样本的第一基础样本特征进行嵌入向量转化处理，得到所述第一图像样本的第一嵌入样本特征；所述对所述第一图像领域的第一图像样本进行特征提取处理，得到所述第一图像样本的第二嵌入样本特征，包括：通过所述第二特征层对所述第一图像领域的第一图像样本进行基础特征提取处理，得
到所述第一图像样本的第二基础样本特征；通过所述第二嵌入层对所述第一图像样本的第二基础样本特征进行嵌入向量转化处理，得到所述第一图像样本的第二嵌入样本特征。4.根据权利要求1所述的方法，其特征在于，所述基于所述第一哈希样本特征对所述第二哈希样本特征进行特征蒸馏处理，得到所述第二图像任务模型的蒸馏特征，包括：确定所述第一哈希样本特征与所述第二哈希样本特征之间的互信息；确定所述第一哈希样本特征的信息熵；将所述互信息与所述信息熵之间的差值作为所述第二图像任务模型的蒸馏特征。5.根据权利要求1所述的方法，其特征在于，所述基于所述第三哈希样本特征以及所述蒸馏特征训练所述第二图像任务模型，包括：基于所述第三哈希样本特征，构建所述第二图像任务模型的特征损失函数；基于所述蒸馏特征，构建所述第二图像任务模型的蒸馏损失函数；对所述特征损失函数以及所述蒸馏损失函数进行加权求和处理，得到所述第二图像任务模型的目标损失函数；基于所述目标损失函数更新所述第二图像任务模型的参数，将所述第二图像任务模型的更新的参数作为训练后的第二图像任务模型的参数。6.根据权利要求5所述的方法，其特征在于，所述对所述特征损失函数以及所述蒸馏损失函数进行加权求和处理，得到所述第二图像任务模型的目标损失函数之前，所述方法还包括：通过所述第二图像任务模型对所述第二图像领域的第二图像样本进行特征提取处理，得到所述第二图像样本的第三嵌入样本特征；确定所述第二图像样本的相似图像样本的第四嵌入样本特征、以及所述第二图像样本的不相似图像样本的第五嵌入样本特征；基于所述第三嵌入样本特征、所述第四嵌入样本特征以及所述第五嵌入样本特征，构建所述第二图像任务模型的嵌入损失函数；所述对所述特征损失函数以及所述蒸馏损失函数进行加权求和处理，得到所述第二图像任务模型的目标损失函数，包括：对所述嵌入损失函数、所述特征损失函数以及所述蒸馏损失函数进行加权求和处理，得到所述第二图像任务模型的目标损失函数。7.根据权利要求5所述的方法，其特征在于，所述基于所述第三哈希样本特征，构建所述第二图像任务模型的特征损失函数，包括：确定所述第二图像样本的相似图像样本的第四哈希样本特征、以及所述第二图像样本的不相似图像样本的第五哈希样本特征；基于所述第三哈希样本特征、所述第...

【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：