本公开关于一种图像处理模型的训练方法，包括：将样本图像输入至目标模型进行预测，得到第一预测图像，其中，目标模型是对第一预设机器学习模型进行训练得到的；从第一预测图像中获取图像频率高于预设频率的第一目标图像，其中，图像频率用于表征图像的像素灰度值在空间中的变化情况；基于样本图像和第一目标图像对第二预设机器学习模型进行训练，得到图像处理模型，其中，图像处理模型的参数量和计算量少于目标模型的参数量和计算量，图像处理模型用于图像的预测处理。用于图像的预测处理。用于图像的预测处理。
【技术实现步骤摘要】
图像处理模型的训练方法及装置、电子设备
[0001]本公开涉及机器学习领域，尤其涉及一种神经网络模型的压缩方法及装置、电子设备。
技术介绍
[0002]近年来，生成对抗神经网络(GAN)已经在图像生成等多个领域取得了重大突破，在图像风格化，图像编辑等任务中进行了广泛的应用并取得了良好的效果。然而，已有的GAN模型往往有着大量的参数量和计算量。因此，这类模型在计算、存储能力受限的设备上难以运行，这严重限制了GAN模型的应用落地。
[0003]图像风格化是GAN模型最常用的应用之一，它可以对于输入图像进行一些风格上的转换，例如将普通的自然图片转换成手绘风格的图片等。然而，标准的图像风格化模型(例如，循环对抗生成网络CycleGAN)对于单张图片的处理需要约56.8Billion的乘加运算，X Million的参数量。一般来说，目前常见的手机设备计算、存储能力都比较有限。因此，如果直接将标准的图像风格化模型在手机设备部署，会导致该模型的运行速度极为缓慢。
[0004]目前生成对抗网络模型由于参数量和计算量较大，在计算、存储能力受限的设备上难以运行，导致生成对抗网络模型的应用受限。
技术实现思路
[0005]本公开提供一种图像处理模型的训练方法及装置、电子设备，以至少解决相关技术中生成对抗网络模型由于参数量和计算量较大，在计算、存储能力受限的设备上难以运行，导致生成对抗网络模型的应用受限的问题。本公开的技术方案如下：
[0006]根据本公开实施例的第一方面，提供一种图像处理模型的训练方法，包括：将样本图像输入至目标模型进行预测，得到第一预测图像，其中，目标模型是对第一预设机器学习模型进行训练得到的；从第一预测图像中获取图像频率高于预设频率的第一目标图像，其中，图像频率用于表征图像的像素灰度值在空间中的变化情况；基于样本图像和第一目标图像对第二预设机器学习模型进行训练，得到图像处理模型，其中，图像处理模型的参数量和计算量少于目标模型的参数量和计算量，图像处理模型用于图像的预测处理。
[0007]可选地，第一预设机器学习模型和第二预设机器学习模型均包括：生成对抗网络模型。
[0008]可选地，基于样本图像和第一目标图像对第二预设机器学习模型进行训练，得到第二目标模型，包括：将样本图像和第一目标图像输入至第二预设机器学习模型进行预测，得到第二预测图像；从第二预测图像中获取图像频率高于预设频率的第二目标图像；确定第一目标图像和第二目标图像的损失函数；对损失函数进行优化，在损失函数的值低于预设阈值的情况下，得到图像处理模型。
[0009]可选地，从第一预测图像中获取图像频率高于预设频率的第一目标图像，以及从第二预测图像中获取图像频率高于预设频率的第二目标图像，包括：分别对第一预测图像
和第二预测图像进行频率分解，得到不同频率的第一预测子图像和不同频率的第二预测子图像；分别从不同频率的第一预测子图像和不同频率的第二预测子图像中筛选出第一目标图像和第二目标图像。
[0010]可选地，分别对第一预测图像和第二预测图像进行频率分解，通过如下方法中的一种实现：离散小波变换、离散傅立叶变换及离散余弦变换。
[0011]可选地，通过离散小波变换对第一预测图像和第二预测图像进行频率分解的情况下，上述方法还包括：通过多种小波基函数分别对第一预测图像和第二预测图像进行频率分解；通过多种小波基函数中的任意一种小波基函数，分别对第一预测图像和第二预测图像进行单次频率分解或多次频率分解。
[0012]可选地，得到图像处理模型之后，上述方法还包括：利用所述图像处理模型替换所述目标模型；利用所述图像处理模型对所述图像进行预测处理。
[0013]根据本公开实施例的第二方面，还提供一种图像处理模型的训练装置，包括：预测模块，被配置为执行将样本图像输入至目标模型进行图像预测，得到第一预测图像，其中，目标模型是对第一预设机器学习模型进行训练得到的；获取模块，被配置为执行从第一预测图像中获取图像频率高于预设频率的第一目标图像，其中，图像频率用于表征图像的像素灰度值在空间中的变化情况；训练模块，被配置为执行基于样本图像和第一目标图像对第二预设机器学习模型进行训练，得到图像处理模型，其中，图像处理模型的参数量和计算量少于目标模型的参数量和计算量，图像处理模型用于图像的预测处理。
[0014]可选地，第一预设机器学习模型和第二预设机器学习模型均包括：生成对抗网络模型。
[0015]可选地，训练模块，包括：预测单元，被配置为执行将样本图像和第一目标图像输入至第二预设机器学习模型进行预测，得到第二预测图像；获取单元，被配置为执行从第二预测图像中获取图像频率高于预设频率的第二目标图像；确定单元，被配置为执行确定第一目标图像和第二目标图像的损失函数；处理单元，被配置为执行对损失函数进行优化，在损失函数的值低于预设阈值的情况下，得到图像处理模型。
[0016]可选地，上述装置，还包括：第一频率分解模块，被配置为执行分别对第一预测图像和第二预测图像进行频率分解，得到不同频率的第一预测子图像和不同频率的第二预测子图像；筛选模块，被配置为执行分别从不同频率的第一预测子图像和不同频率的第二预测子图像中筛选出第一目标图像和第二目标图像。
[0017]可选地，频率分解模块，被配置为执行通过如下方法中的一种分别对第一预测图像和第二预测图像进行频率分解：离散小波变换、离散傅立叶变换及离散余弦变换。
[0018]可选地，通过离散小波变换对第一预测图像和第二预测图像进行频率分解的情况下，上述装置还包括：第二频率分解模块，被配置为执行通过多种小波基函数分别对第一预测图像和第二预测图像进行频率分解；第三频率分解模块，被配置为执行通过多种小波基函数中的任意一种小波基函数，分别对第一预测图像和第二预测图像进行单次频率分解或多次频率分解。
[0019]可选地，上述装置还包括：替换模块，被配置为执行利用图像处理模型替换目标模型；图像处理模块，被配置为执行利用图像处理模型对图像进行预测处理。
[0020]根据本公开实施例的第三方面，还提供一种电子设备，包括：处理器；用于存储处
理器可执行指令的存储器；其中，处理器被配置为执行指令，以实现以上的图像处理模型的训练方法。
[0021]根据本公开实施例的第四方面，提供一种计算机可读存储介质，当计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行以上的图像处理模型的训练方法。
[0022]根据本公开实施例的第五方面，提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现以上的图像处理模型的训练方法。
[0023]本公开的实施例提供的技术方案至少带来以下有益效果：实现生成对抗网络模型的压缩，以及提升生成对抗网络模型的生成图像的质量。
[0024]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0025]此处的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像处理模型的训练方法，其特征在于，包括：将样本图像输入至目标模型进行图像预测，得到第一预测图像，其中，所述目标模型是对第一预设机器学习模型进行训练得到的；从所述第一预测图像中获取图像频率高于预设频率的第一目标图像，其中，所述图像频率用于表征图像的像素灰度值在空间中的变化情况；基于所述样本图像和所述第一目标图像对第二预设机器学习模型进行训练，得到图像处理模型，其中，所述图像处理模型的参数量和计算量少于所述目标模型的参数量和计算量，所述图像处理模型用于图像的预测处理。2.根据权利要求1所述的方法，其特征在于，所述第一预设机器学习模型和所述第二预设机器学习模型均包括：生成对抗网络模型。3.根据权利要求1所述的方法，其特征在于，基于所述样本图像和所述第一目标图像对第二预设机器学习模型进行训练，得到图像处理模型，包括：将所述样本图像和所述第一目标图像输入至所述第二预设机器学习模型进行图像预测，得到第二预测图像；从所述第二预测图像中获取图像频率高于所述预设频率的第二目标图像；确定所述第一目标图像和所述第二目标图像的损失函数；对所述损失函数进行优化，在所述损失函数的值低于预设阈值的情况下，得到所述图像处理模型。4.根据权利要求3所述的方法，其特征在于，从所述第一预测图像中获取图像频率高于预设频率的第一目标图像，以及从所述第二预测图像中获取图像频率高于所述预设频率的第二目标图像，包括：分别对所述第一预测图像和所述第二预测图像进行频率分解，得到不同频率的第一预测子图像和不同频率的所述第二预测子图像；分别从不同频率的所述第一预测子图像和不同频率的所述第二预测子图像中筛选出所述第一目标图像和所述第二目标图像。5.根据权利要求4所述的方法，其特征在于，分别对所述第一预测图像和所述第...
【专利技术属性】
技术研发人员：张林峰，陈昕，涂小兵，
申请(专利权)人：北京达佳互联信息技术有限公司，
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。