【技术实现步骤摘要】
神经网络训练及图像处理方法、装置、设备、存储介质
[0001]本申请涉及计算机视觉
,尤其涉及一种神经网络训练及图像处理方法、装置、设备、存储介质。
技术介绍
[0002]计算机视觉作为人工智能领域至关重要的技术,可以通过神经网络对图像进行处理,以获取图像的信息,从而代替人眼对目标对象进行识别、跟踪和测量。为了训练一个效果更好,精度更高的神经网络,则需要大量的、种类丰富的样本数据。
[0003]然而,在相关技术中,通过大量的、种类丰富的样本数据训练得到的神经网络的精度较低,利用该神经网络进行图像处理的效果较差。
技术实现思路
[0004]为克服相关技术中存在的问题,本申请提供一种神经网络训练及图像处理方法、装置、设备、存储介质。
[0005]根据本申请实施例的第一方面,提供一种神经网络训练方法,所述方法包括:
[0006]利用第一特征提取网络,获取已标注图像的图像特征;
[0007]基于所述已标注图像的标注标签的类型,从至少两组分类器中确定与所述已标注图像对应的一组目标分类器;
[0008]利用所述一组目标分类器,对所述已标注图像的图像特征进行处理,得到与所述已标注图像对应的分类结果;
[0009]根据与所述已标注图像对应的所述分类结果,以及所述已标注图像的标注标签,至少对所述第一特征提取网络的网络参数进行调整,得到已训练的目标特征提取网络。
[0010]根据本申请实施例的第二方面,提供一种图像处理方法,所述方法包括:
[0011] ...
【技术保护点】
【技术特征摘要】
1.一种神经网络训练方法,其特征在于,所述方法包括:利用第一特征提取网络,获取已标注图像的图像特征;基于所述已标注图像的标注标签的类型,从至少两组分类器中确定与所述已标注图像对应的一组目标分类器;利用所述一组目标分类器,对所述已标注图像的图像特征进行处理,得到与所述已标注图像对应的分类结果;根据与所述已标注图像对应的所述分类结果,以及所述已标注图像的标注标签,至少对所述第一特征提取网络的网络参数进行调整,得到已训练的目标特征提取网络。2.根据权利要求1所述的方法,其特征在于,所述至少两组分类器包括第一组分类器和第二组分类器;所述第一组分类器和所述第二组分类器中均包括对图像中的预设对象进行分类的分类器;所述基于所述已标注图像的标注标签的类型,从至少两组分类器中确定与所述已标注图像对应的一组目标分类器,包括:在所述已标注图像的标注标签的类型为伪标签的情况下,将所述第一分类器确定为与所述已标注图像对应的一组目标分类器;在所述已标注图像的标注标签的类型为真标签的情况下,将所述第二分类器确定为与所述已标注图像对应的一组目标分类器。3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:利用预设分组策略对预设训练数据集中的未标注图像进行分组,得到至少两组所述未标注图像;其中,每组未标注图像包括至少一帧所述未标注图像;从标签生成策略集合中,确定各个组对应的标签生成策略;其中,每个所述标签生成策略用于生成一种类型的标注标签;利用各个组对应的标签生成策略,对各组所述未标注图像进行处理,得到各组所述未标注图像中每一帧所述未标注图像的标注标签;其中,每一组所述未标注图像中均包括标注标签表征预设对象的至少一帧未标注图像;根据各帧所述未标注图像和各帧所述未标注图像的标注标签,得到至少一帧已标注图像。4.根据权利要求3所述的方法,其特征在于,所述利用各个组对应的标签生成策略,对各组所述未标注图像进行处理,得到各组所述未标注图像中每一帧所述未标注图像的标注标签,包括:利用预设网络,获取当前待处理的组中的所述未标注图像的图像特征;根据所述当前待处理的组中的所述未标注图像的图像特征,对所述当前待处理的组中的每一未标注图像进行聚类,生成所述当前待处理的组中各帧所述未标注图像的伪标签;其中,所述当前待处理的组中包括伪标签表征所述预设对象的至少一帧未标注图像。5.根据权利要求4所述的方法,其特征在于,所述预设网络包括所述第一特征提取网络和第二特征提取网络,所述利用预设网络,获取当前待处理的组中的所述未标注图像的图像特征,包括:利用所述第一特征提取网络,获取当前待处理的组中的第一部分所述未标注图像的第一图像特征;
利用所述第二特征提取网络,获取所述当前待处理的组中的第二部分所述未标注图像的第二图像特征;所述根据所述当前待处理的组中的所述未标注图像的图像特征,对所述当前待处理的组中的每一未标注图像进行聚类,生成所述当前待处理的组中各帧所述未标注图像的伪标签,包括:利用...
【专利技术属性】
技术研发人员:陈航,马东宇,朱烽,赵瑞,
申请(专利权)人:深圳市商汤科技有限公司,
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。