神经网络训练及图像处理方法、装置、设备、存储介质制造方法及图纸

本申请是关于一种神经网络训练及图像处理方法、装置、设备、存储介质。其中，所述神经网络训练方法包括：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。已训练的目标特征提取网络。已训练的目标特征提取网络。

【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]利用目标特征提取网络，获取待处理的非机动车图像的第三图像特征；
[0012]根据所述第三图像特征，从预存于预设数据库的至少一个预设非机动车图像中，确定与所述非机动车图像对应的目标非机动车图像；
[0013]其中，所述目标特征提取网络为采用如第一方面所述的神经网络训练方法得到的。
[0014]根据本申请实施例的第三方面，提供一种神经网络训练装置，包括：
[0015]第一获取模块，配置为利用第一特征提取网络，获取已标注图像的图像特征；
[0016]第一确定模块，配置为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；
[0017]第一处理模块，配置为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；
[0018]调整模块，配置为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。
[0019]根据本申请实施例的第四方面，提供一种图像处理装置，包括：
[0020]第二获取模块，配置为利用目标特征提取网络，获取待处理的非机动车图像的第三图像特征；
[0021]第三确定模块，配置为根据所述第三图像特征，从预存于预设数据库的至少一个预设非机动车图像中，确定与所述非机动车图像对应的目标非机动车图像；
[0022]其中，所述目标特征提取网络为采用如上述第一方面所述的神经网络训练方法得到的。
[0023]根据本申请实施例的第五方面，提供一种电子设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述神经网络训练方法或图像处理方法中的步骤。
[0024]根据本申请实施例的第六方面，提供一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述神经网络训练方法或图像处理方法中的步骤。
[0025]本申请的实施例提供的技术方案可以包括以下有益效果：
[0026]在本申请实施例中，在利用第一特征提取网络获取已标注图像的图像特征之后，可以基于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已标注图像对应的一组目标分类器，然后利用一组目标分类器对已标注图像的图像特征进行处理，得到与已标注图像对应的分类结果。
[0027]如此，则可以通过不同的分类器处理标注标签的类型不同的图像，进而各组分类器对已标注图像进行处理后得到的分类结果不会影响其他组分类器。所以，根据与已标注图像对应的分类结果以及已标注图像的标注标签，对第一特征提取网络的网络参数进行调整得到的目标特征提取网络的精度更高。进而，使用目标特征提取网络对图像进行处理的效果更好。
[0028]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，并不能限制本申请。
附图说明
[0029]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0030]图1是根据本申请一示例性实施例示出的神经网络训练方法的流程图一。
[0031]图2是根据本申请一示例性实施例示出的神经网络模型的结构框图。
[0032]图3是根据本申请一示例性实施例示出的已标注图像预处理方法的流程图。
[0033]图4是根据本申请一示例性实施例示出的神经网络模型的原理示意图。
[0034]图5是根据本申请一示例性实施例示出的确定损失值的方法的流程图。
[0035]图6是根据本申请一示例性实施例示出的神经网络训练方法的流程图二。
[0036]图7是根据本申请一示例性实施例示出的生成标注标签的方法的流程图。
[0037]图8是根据本申请一示例性实施例示出的图像处理方法的流程图一。
[0038]图9是根据本申请一示例性实施例示出的图像处理方法的流程图二。
[0039]图10是根据本申请一示例性实施例示出的神经网络训练装置的结构框图。
[0040]图11是根据本申请一示例性实施例示出的图像处理装置的结构框图。
[0041]图12是根据本申请一示例性实施例示出的电子设备的硬件实体示意图。
具体实施方式
[0042]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0043]图1是根据本申请一示例性实施例示出的神经网络训练方法的流程图一。在一些实施例中，本申请提供的神经网络训练方法可以应用于终端和/或服务器组成的计算机系统中。这里，终端可以是瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统等，服务器可以是服务器计算机系统小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境。
[0044]如图1所示，本申请一示例性实施例示出的神经网络训练方法包括以下步骤101至步骤104：
[0045]步骤101，利用第一特征提取网络，本文档来自技高网...

【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：