图像处理方法、装置、存储介质及处理器制造方法及图纸

本发明专利技术公开了一种图像处理方法、装置、存储介质及处理器。其中，该方法包括：获取待识别的目标图像，其中，目标图像中包括待识别的目标对象；利用目标网络模型对目标图像进行识别处理，输出识别结果，其中，目标网络模型是基于检测模型以及检测模型对无数据标注的图像集的预测结果，对第一模型进行更新处理后得到的,其中，检测模型是采用已有数据标注的图像集对网络模型进行训练，得到的包括多个不同结构的结果输出网络的模型；基于识别结果，确定目标图像中的目标对象。本发明专利技术解决了由于训练出的模型的准确率较低，导致对后续对图像的识别准确度较低的技术问题。别准确度较低的技术问题。别准确度较低的技术问题。

【技术实现步骤摘要】
图像处理方法、装置、存储介质及处理器


[0001]本专利技术涉及图像处理
，具体而言，涉及一种图像处理方法、装置、存储介质及处理器。

技术介绍

[0002]传统的目标检测、图像识别方法在模型训练阶段需要大量的标注数据，然而数据的标注时间和人力成本非常高。现有技术中通常采用以下几种方法进行数据标注，第一种常见的方法就是基于伪标注的半监督检测方案，在该方案中，会先用传统的目标检测方法或者已有的模型对没有标注的图片进行预测，将预测的结果作为无标注图片的标注信息，用于检测模型的训练。但是该方法在训练的过程中无法对伪标注进行更新，也就是错误的预测无法在训练的过程中自我修正，因此不仅容易过拟合也无法检测出更多的物体。第二种常见的半监督检测方式是基于自训练的方法，也就是将模型上一次的输出结果作为下一次训练模型时的数据标注。但是这种方案容易陷入过拟合，模型很难从无标注的数据中进一步挖掘出有效的信息。第三种常见的半监督检测方法是对模型的输入图片进行多种数据增强方法，如翻转、切割、放大缩小等，然后分别输入到模型，并约束模型的输出的结果的一致性。但该方案受限于图像变换种类的限制，变换的类型不够充分，因此对模型的提升效果有限，由于训练出的模型的准确率较低，导致对后续对图像的识别准确度较低。
[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、装置、存储介质及处理器，以至少解决由于训练出的模型的准确率较低，导致对后续对图像的识别准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：获取待识别的目标图像，其中，目标图像中包括待识别的目标对象；利用目标网络模型对目标图像进行识别处理，输出识别结果，其中，目标网络模型是基于检测模型以及检测模型对无数据标注的图像集的预测结果，对第一模型进行更新处理后得到的,其中，检测模型是采用已有数据标注的图像集对网络模型进行训练，得到的包括多个不同结构的结果输出网络的模型；基于识别结果，确定目标图像中的目标对象。
[0006]进一步地，在利用目标网络模型对目标图像进行识别处理，输出识别结果之前，该方法还包括：将用于模型训练的图像集分为第一图像集和第二图像集，其中，第一图像集为已有数据标注的图像集，第二图像集为无数据标注的图像集；采用第一图像集对网络模型进行训练，得到检测模型，其中，检测模型中包括多个不同结构的结果输出网络；采用检测模型中多个不同结构的结果输出网络对第二图像集进行预测处理，得到第一预测结果；根据检测模型和第一预测结果，对第一模型进行更新处理；将更新处理后的第一模型作为目标网络模型。
[0007]进一步地，根据检测模型和第一预测结果，对第一模型进行更新处理包括：根据检
测模型对第一模型和第二模型中的参数进行初始化处理，其中，第二模型是第一模型的指数滑动平均；采用第二模型中的多个不同结构的结果输出网络对第二图像集进行预测处理，得到第二预测结果；将第一预测结果和第二预测结果进行融合处理，得到融合结果；采用第一模型中多个不同结构的结果输出网络对第二图像集进行预测处理，得到第三预测结果；根据融合结果和第三预测结果，对第一模型中的参数进行更新调整。
[0008]进一步地，将第一预测结果和第二预测结果进行融合处理，得到融合结果包括：采用非极大值抑制算法将第一预测结果和第二预测结果进行融合处理，得到融合结果；或者，将第一预测结果和第二预测结果进行拼接处理，得到融合结果。
[0009]进一步地，检测模型中包括两个不同结构的结果输出网络，第一模型中包括两个不同结构的结果输出网络，第二模型中包括两个不同结构的结果输出网络，该方法还包括：采用检测模型中的第一结构的结果输出网络对第二图像集进行预测处理，得到预测结果一；采用检测模型中的第二结构的结果输出网络对第二图像集进行预测处理，得到预测结果二；采用第二模型中的第一结构的结果输出网络对第二图像集进行预测处理，得到预测结果三；采用第二模型中的第二结构的结果输出网络对第二图像集进行预测处理，得到预测结果四；将预测结果一和预测结果三进行融合处理，得到融合结果一；将预测结果三和预测结果四进行融合处理，得到融合结果二。
[0010]进一步地，根据融合结果和第三预测结果，对第一模型中的参数进行更新调整包括：采用第一模型中的第一结构的结果输出网络对第二图像集进行预测处理，得到预测结果五；采用检测模型中的第二结构的结果输出网络对第二图像集进行预测处理，得到预测结果六；采用融合结果一和预测结果六进行损失函数计算，以对第一模型中的第二结构的结果输出网络的参数进行更新调整；采用融合结果二和预测结果五进行损失函数计算，以对第一模型中的第一结构的结果输出网络的参数进行更新调整。
[0011]根据本专利技术实施例的另一个方面，还提供了一种图像处理方法，包括：云服务器接收来自于客户端上传的待识别的目标图像，其中，目标图像中包括待识别的目标对象；云服务器利用目标网络模型对目标图像进行识别处理，输出识别结果，其中，目标网络模型是基于检测模型以及检测模型对无数据标注的图像集的预测结果，对第一模型进行更新处理后得到的,其中，检测模型是采用已有数据标注的图像集对网络模型进行训练，得到的包括多个不同结构的结果输出网络的模型；云服务器返回识别结果至客户端。
[0012]根据本专利技术实施例的另一个方面，还提供了一种图像处理方法，包括：在用户界面显示获取到的待识别的目标图像，其中，目标图像中包括待识别的目标对象；在用户界面显示利用目标网络模型对目标图像进行识别处理得到的识别结果，其中，目标网络模型是基于检测模型以及检测模型对无数据标注的图像集的预测结果，对第一模型进行更新处理后得到的,其中，检测模型是采用已有数据标注的图像集对网络模型进行训练，得到的包括多个不同结构的结果输出网络的模型；在用户界面显示基于识别结果确定出的目标图像中的目标对象。
[0013]根据本专利技术实施例的另一个方面，还提供了一种图像处理方法，包括：接收用于病灶识别任务的图像处理指令，其中，图像处理指令包括：待处理的目标图像，其中，目标图像为包括了待识别的目标对象的医疗影像；响应图像处理指令，利用目标网络模型对目标图像进行识别处理得到的识别结果，其中，目标网络模型是基于检测模型以及检测模型对无
数据标注的图像集的预测结果，对第一模型进行更新处理后得到的,其中，检测模型是采用已有数据标注的图像集对网络模型进行训练，得到的包括多个不同结构的结果输出网络的模型；基于识别结果，从医疗影像提取目标对象。
[0014]根据本专利技术实施例的另一个方面，还提供了一种图像处理方法，包括：接收用于检测任务的图像处理指令，其中，图像处理指令包括：待搜索的产品图像，其中，产品图像为包括了待推荐的目标对象；响应图像处理指令，利用目标网络模型对产品图像进行识别处理得到的识别结果，其中，目标网络模型是基于检测模型以及检测模型对无数据标注的图像集的预测结果，对第一模型进行更新处理后得到的,其中，检测模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：获取待识别的目标图像，其中，所述目标图像中包括待识别的目标对象；利用目标网络模型对所述目标图像进行识别处理，输出识别结果，其中，所述目标网络模型是基于检测模型以及所述检测模型对无数据标注的图像集的预测结果，对第一模型进行更新处理后得到的,其中，所述检测模型是采用已有数据标注的图像集对网络模型进行训练，得到的包括多个不同结构的结果输出网络的模型；基于所述识别结果，确定所述目标图像中的目标对象。2.根据权利要求1所述的方法，其特征在于，在利用目标网络模型对所述目标图像进行识别处理，输出识别结果之前，所述方法还包括：将用于模型训练的图像集分为第一图像集和第二图像集，其中，所述第一图像集为已有数据标注的图像集，所述第二图像集为无数据标注的图像集；采用所述第一图像集对网络模型进行训练，得到检测模型，其中，所述检测模型中包括多个不同结构的结果输出网络；采用所述检测模型中多个不同结构的结果输出网络对所述第二图像集进行预测处理，得到第一预测结果；根据所述检测模型和所述第一预测结果，对第一模型进行更新处理；将更新处理后的第一模型作为所述目标网络模型。3.根据权利要求2所述的方法，其特征在于，根据所述检测模型和所述第一预测结果，对第一模型进行更新处理包括：根据所述检测模型对第一模型和第二模型中的参数进行初始化处理，其中，所述第二模型是第一模型的指数滑动平均；采用所述第二模型中的多个不同结构的结果输出网络对所述第二图像集进行预测处理，得到第二预测结果；将所述第一预测结果和所述第二预测结果进行融合处理，得到融合结果；采用所述第一模型中多个不同结构的结果输出网络对所述第二图像集进行预测处理，得到第三预测结果；根据所述融合结果和所述第三预测结果，对所述第一模型中的参数进行更新调整。4.根据权利要求3所述的方法，其特征在于，将所述第一预测结果和所述第二预测结果进行融合处理，得到融合结果包括：采用非极大值抑制算法将所述第一预测结果和所述第二预测结果进行融合处理，得到所述融合结果；或者，将所述第一预测结果和所述第二预测结果进行拼接处理，得到所述融合结果。5.根据权利要求3所述的方法，其特征在于，所述检测模型中包括两个不同结构的结果输出网络，所述第一模型中包括两个不同结构的结果输出网络，所述第二模型中包括两个不同结构的结果输出网络，所述方法还包括：采用所述检测模型中的第一结构的结果输出网络对所述第二图像集进行预测处理，得到预测结果一；采用所述检测模型中的第二结构的结果输出网络对所述第二图像集进行预测处理，得到预测结果二；采用所述第二模型中的第一结构的结果输出网络对所述第二图像集进行预测处理，得
到预测结果三；采用所述第二模型中的第二结构的结果输出网络对所述第二图像集进行预测处理，得到预测结果四；将所述预测结果一和所述预测结果三进行融合处理，得到融合结果一；将所述预测结果三和所述预测结果四进行融合处理，得到融合结果二。6.根据权利要求5所述的方法，其特征在于，根据所述融合结果和所述第三预测结果，对所述第一模型中的参数进行更新调整包括：采用所述第一模型中的第一结构的结果输出网络对所述第二图像集进行预测处理，得到预测结果五；采用所述检测模型中的第二结构的结果输出网络对所述第二图像集进行预测处理，得到预测结果六；采用所述融合结果一和所述预测结果六进行损失函数计算，以对所述第一模型中的第二结构的结果输出网络的参数进行更新调整；采用所述融合结果二和...

【专利技术属性】
技术研发人员：杨琪泽，
申请(专利权)人：阿里巴巴新加坡控股有限公司，
类型：发明
国别省市：