【技术实现步骤摘要】
图像处理方法、存储介质以及计算机终端
[0001]本专利技术涉及图像处理领域,具体而言,涉及一种图像处理方法、存储介质以及计算机终端。
技术介绍
[0002]目前,在图像处理领域,大模型由于参数量过大耗费过多资源而难以部署,因此多采用大模型到小模型进行知识蒸馏的方式,来优化提升小模型的性能。现有方法多采用高层级的深度特征(high
‑
level deep features)信息作为知识,来对小模型进行蒸馏训练。而高层级的深度特征一般是来源于比较大的感受野,缺少很多局部细节,导致对图像进行识别、检测等处理时得到的处理结果中出现边缘不清晰等问题。
[0003]针对上述的问题,目前尚未提出有效的解决方案。
技术实现思路
[0004]本专利技术实施例提供了一种图像处理方法、存储介质以及计算机终端,以至少解决相关技术中在对图像进行识别或检测的情况下,利用处理模型对图像进行处理得到的处理结果精确度较低的技术问题。
[0005]根据本专利技术实施例的一个方面,提供了一种图像处理方法,包括:获取目标图像;利用第一处理模型对目标图像进行处理,得到处理结果,其中,第一处理模型基于目标损失函数训练得到,目标损失函数基于第一纹理特征和第二纹理特征构建,第一纹理特征通过第一处理模型对训练图像进行特征提取得到,第二纹理特征通过第二处理模型对训练图像进行特征提取得到,第二处理模型为已经训练好的处理模型,第一处理模型和第二处理模型为机器学习模型。
[0006]根据本专利技术实施例的一个方面, ...
【技术保护点】
【技术特征摘要】
1.一种图像处理方法,其特征在于,包括:获取目标图像;利用第一处理模型对所述目标图像进行处理,得到处理结果,其中,所述第一处理模型基于目标损失函数训练得到,所述目标损失函数基于第一纹理特征和第二纹理特征构建,所述第一纹理特征通过所述第一处理模型对训练图像进行特征提取得到,所述第二纹理特征通过第二处理模型对所述训练图像进行特征提取得到,所述第二处理模型为已经训练好的处理模型,所述第一处理模型和所述第二处理模型为机器学习模型。2.根据权利要求1所述的方法,其特征在于,所述方法还包括:获取训练图像;分别利用所述第一处理模型和所述第二处理模型对所述训练图像进行特征提取,得到所述第一纹理特征和所述第二纹理特征;基于所述第一纹理特征和所述第二纹理特征构建所述目标损失函数;利用所述目标损失函数对所述第一处理模型的模型参数进行更新,得到更新结果。3.根据权利要求2所述的方法,其特征在于,所述第一纹理特征包括如下至少之一:第一结构化纹理特征和第一统计性纹理特征,利用所述第一处理模型对所述训练图像进行特征提取,得到所述第一纹理特征,包括如下至少之一:利用所述第一处理模型中的第一特征提取模块对所述训练图像进行特征提取,得到所述第一结构化纹理特征,其中,所述第一特征提取模块用于提取所述训练图像中与轮廓信息相关的局部纹理特征;利用所述第一处理模型中的第二特征提取模块对所述训练图像进行特征提取,得到所述第一统计性纹理特征,其中,所述第二特征提取模块用于提取所述训练图像中与显示参数相关的全局纹理特征。4.根据权利要求3所述的方法,其特征在于,所述第二纹理特征包括如下至少之一:第二结构化纹理特征和第二统计性纹理特征,利用所述第二处理模型对所述训练图像进行特征提取,得到所述第二纹理特征,包括:利用所述第二处理模型中的第一特征提取模块对所述训练图像进行特征提取,得到所述第二结构化纹理特征;利用所述第二处理模型中的第二特征提取模块对所述训练图像进行特征提取,得到所述第二统计性纹理特征。5.根据权利要求2所述的方法,其特征在于,在所述第一纹理特征包括:第一结构化纹理特征和第一统计性纹理特征,所述第二纹理特征包括:第二结构化纹理特征和第二统计性纹理特征的情况下,基于所述第一纹理特征和所述第二纹理特征构建目标损失函数,包括:基于所述第一结构化纹理特征和所述第二结构化纹理特征,确定第一损失函数;基于所述第一统计性纹理特征和所述第二统计性纹理特征,确定第二损失函数;基于所述第一损失函数和所述第二损失函数,构建所述目标损失函数。6.根据权利要求4所述的方法,其特征在于,利用所述第二特征提取模块对所述训练图像进行特征提取,得到所述第一统计性纹理特征或所述第二统计性纹理特征,包括:利用目标采样算法对所述训练图像进行采样,得到所述第一处理模型对应的第一图像
或所述第二处理模型对应的第二图像;对所述第一图像进行特征提取,得到所述第一统计性纹理特征,或对所述第二图像进行特征提取,得到所述第二统计性纹理特征。7.根据权利要求6所述的方法,其特征在于,对所述第一图像进行特征提取,得到所述第一统计性纹理特征,或对所述第二图像进行特征提取,得到所述第二统计性纹理特征,包括:基于目标量化级数对所述第一...
【专利技术属性】
技术研发人员:纪德益,赵一儒,陶明渊,黄建强,华先胜,
申请(专利权)人:阿里巴巴达摩院杭州科技有限公司,
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。