用于训练图像处理模型和图像处理的方法、装置制造方法及图纸

本公开提供了用于训练图像处理模型和图像处理的方法、装置，涉及人工智能技术领域，特别涉及深度学习和计算机视觉技术。具体实现方案为：将预先获取的训练样本的样本图像输入至预先获取的初始图像处理模型，得到与该样本图像对应的类激活映射和目标特征提取层对应的注意力热力图，其中，该训练样本包括样本图像和对应的标注信息；基于最小化该标注信息与该初始图像处理模型中的全连接层的输出之间的差异和注意力差异，训练该初始图像处理模型，以得到图像处理模型，其中，该注意力差异基于与该样本图像对应的类激活映射和该目标特征提取层对应的注意力热力图之间的差异确定。从而实现了对注意力机制的注意力权重进行有引导地学习。导地学习。导地学习。

【技术实现步骤摘要】
用于训练图像处理模型和图像处理的方法、装置


[0001]本公开涉及人工智能
，特别涉及深度学习和计算机视觉技术，尤其涉及用于训练图像处理模型和图像处理的方法、装置。

技术介绍

[0002]随着深度学习和计算机视觉技术的发展，注意力机制(attention mechanism)也取得了越来越广泛的应用。
[0003]为了模拟人类视觉的选择性注意力(通过快速扫描全局图像，获得需要重点关注的目标区域，然后对这一区域投入更多的注意力资源，以获取更多所需要关注目标的细节信息，从而抑制其它无用信息)，目前计算机视觉中注意力机制主要采用通道注意力、像素注意力、多阶注意力等方式，用于提升图像处理效果。

技术实现思路

[0004]提供了一种用于训练图像处理模型和图像处理的方法、装置。
[0005]根据第一方面，提供了一种用于训练图像处理模型的方法，该方法包括：将预先获取的训练样本的样本图像输入至预先获取的初始图像处理模型，得到与样本图像对应的类激活映射和目标特征提取层对应的注意力热力图，其中，训练样本包括样本图像和对应的标注本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于训练图像处理模型的方法，包括：将预先获取的训练样本的样本图像输入至预先获取的初始图像处理模型，得到与所述样本图像对应的类激活映射和目标特征提取层对应的注意力热力图，其中，所述训练样本包括样本图像和对应的标注信息，所述初始图像处理模型中包括全连接层和多个特征提取层；基于最小化所述标注信息与所述全连接层的输出之间的差异和注意力差异，训练所述初始图像处理模型，以得到图像处理模型，其中，所述注意力差异基于与所述样本图像对应的类激活映射和所述目标特征提取层对应的注意力热力图之间的差异确定。2.根据权利要求1所述的方法，其中，所述目标特征提取层包括与所述全连接层连接的最后一层特征提取层；以及所述基于最小化所述标注信息与所述全连接层的输出之间的差异和注意力差异，训练所述初始图像处理模型，包括：确定所述标注信息与所述全连接层的输出之间的差异作为第一差异；确定与输入的样本图像对应的类激活映射和与所述全连接层连接的最后一层特征提取层对应的注意力热力图之间的差异作为第二差异；基于最小化所述第一差异和所述第二差异，训练所述初始图像处理模型。3.根据权利要求1或2所述的方法，其中，所述目标特征提取层包括相邻的特征提取层；以及所述基于最小化所述第一差异和所述第二差异，训练所述初始图像处理模型，包括：确定所述相邻的特征提取层对应的注意力热力图之间的差异作为第三差异；基于最小化所述第一差异、所述第二差异和所述第三差异，训练所述初始图像处理模型。4.根据权利要求1
‑
3之一所述的方法，其中，所述目标特征提取层对应的注意力热力图根据所述目标特征提取层输出的特征图按通道赋予待训练的权重而生成。5.一种用于处理图像的方法，包括：获取待处理图像；将所述待处理图像输入至预先训练的图像处理模型，生成图像处理结果，其中，所述图像处理模型通过如权利要求1
‑
4之一描述的用于训练图像处理模型的方法得到。6.一种用于训练图像处理模型的装置，包括：生成单元，被配置成将预先获取的训练样本的样本图像输入至预先获取的初始图像处理模型，得到与所述样本图像对应的类激活映射和目标特征提取层对应的注意力热力图，其中，所述训练样本包括样本图像和对应的标注信息，所述初始图像处理模型中包括全连接层和多个特征提取层；训练单元，被配置成基于最小化所述标注信...

【专利技术属性】
技术研发人员：吕以豪，卢飞翔，刘宗岱，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：