一种模型训练方法、装置、设备及介质制造方法及图纸

本申请公开了一种模型训练方法、装置、设备及介质。由于可以根据第一图像在第一卷积层获取到的第一特征图以及第四图像在第一卷积层所获取到的第一特征图，以及第二图像在第二卷积层获取到的第二特征图以及第六图像在第二卷积层所获取到的第二特征图，确定第一损失值，从而根据该第一损失值，对原始循环生成对抗网络的训练，实现了根据图像的特征信息，对原始循环生成对抗网络进行无监督的训练，避免样本集中的图像所标注的标签的准确性对该原始循环生成对抗网络的精度的影响，有利于提高后续通过该训练完成的循环生成对抗网络进行图像翻译的效果。图像翻译的效果。图像翻译的效果。

【技术实现步骤摘要】
一种模型训练方法、装置、设备及介质


[0001]本申请涉及图像处理
，尤其涉及一种模型训练方法、装置、设备及介质。

技术介绍

[0002]在深度学习方法快速发展以及海量视觉数据可利用的背景下，计算机视觉领域近年来发展出多种视觉理解方法，旨在辅助机器理解和分析视频及图像的语义信息。图像翻译作为图像处理的一种常见方法，其关键在于学习到两种类型的图像之间进行变换的映射关系，利用深度神经网络，然后将一种类型的图像转换为另一种类型的图像。人类生产生活中的很多问题都可以转化为图像翻译的任务，例如在医学领域，将X光照射形成的低分辨率CT影像转化为高分辨率图像，以方便医生诊断病情；在安防领域，将监控录像在雾天拍摄的图像转化为去雾处理的图像，以使图像变得更加清晰。
[0003]因此，如何准确地实现图像翻译，是近几年来人们日益关注的问题。

技术实现思路

[0004]本申请提供了一种模型训练方法、装置、设备及介质，用以解决现有图像翻译效果不好的问题。
[0005]第一方面，本申请提供了一种模型训练方法，所述方法包括：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：获取样本集中X类型的任一第一图像以及Y类型的任一第二图像；通过原始循环生成对抗网络，获取所述第一图像对应的Y类型的第三图像、所述第三图像对应的X类型的第四图像、所述第一图像以及所述第四图像在预设第一卷积层对应的第一特征图、所述第二图像对应的Y类型的第五图像、所述第五图像对应的Y类型的第六图像、以及所述第二图像和所述第六图像在预设第二卷积层对应的第二特征图；根据所述第一图像在所述第一卷积层获取到的第一特征图以及所述第四图像在所述第一卷积层所获取到的第一特征图，以及所述第二图像在所述第二卷积层获取到的第二特征图以及所述第六图像在所述第二卷积层所获取到的第二特征图，确定第一损失值；根据所述第一损失值，对所述原始循环生成对抗网络进行训练，以获取训练完成的循环生成对抗网络。2.根据权利要求1所述的方法，其特征在于，若所述第一图像对应有X类型标签，所述X类型标签用于标识所述第一图像所归属的类型；所述第二图像对应有Y类型标签，所述Y类型标签用于标识所述第二图像所归属的类型，所述方法还包括：通过所述原始循环生成对抗网络，获取所述第一图像以及所述第五图像归属于所述X类型的第一概率值、所述第二图像和所述第三图像归属于所述Y类型的第二概率值；根据每个所述第一概率值、所述X类型标签对应的概率值、每个所述第二概率值以及所述Y类型标签对应的概率值，确定第二损失值；根据所述第一图像所包含的各个像素点以及所述第四图像中包含的对应的像素点，和所述第二图像所包含的各个像素点以及所述第六图像中包含的对应的像素点，确定第三损失值；所述根据所述第一损失值，对所述原始循环生成对抗网络进行训练，包括：根据所述第一损失值、所述第二损失值以及所述第三损失值，对所述原始循环生成对抗网络进行训练。3.根据权利要求2所述的方法，其特征在于，所述通过原始循环生成对抗网络，获取所述第一图像对应的Y类型的第三图像、所述第三图像对应的X类型的第四图像、所述第一图像以及所述第四图像在预设第一卷积层对应的第一特征图、所述第二图像对应的Y类型的第五图像、所述第五图像对应的Y类型的第六图像、以及所述第二图像和所述第六图像在预设第二卷积层对应的第二特征图，包括：通过所述原始循环生成对抗网络中的第一生成子网络，获取第一图像对应的Y类型的第三图像；通过所述循环生成对抗网络中包括的第二生成子网络，获取所述图像对应的X类型的第四图像；并通过所述第二生成子网络，获取第二图像对应的Y类型的第五图像；通过所述第一生成子网络，获取所述第五图像对应的Y类型的第六图像；通过所述第一生成子网络中的X类型的第一编码器，获取所述第一图像以及所述第四图像在预设第一卷积层对应的第一特征图；通过所述第二生成子网络中的Y类型的第二编码器，获取所述第二图像以及所述第六图像在预设第二卷积层对应的第二特征图。4.根据权利要求2
‑
3任一所述的方法，其特征在于，所述第一判别子网络包括所述X类
型的第一编码器以及所述X类型的分类器；所述第二判别子网络包括所述Y类型的第二编码器以及所述Y类型的分类器；所述第一生成子网络包括所述第一编码器以及第一转换子网络；所述第二生成子网络包括所述第二码器以及第二转换子网络。5.根据权利要求4所述的方法，其特征在于，所述根据所述第一图像在所述第一卷积层获取到的第一特征图以及所述第四图像在所述第一卷积层所获取到的第一特征图，以及所述第二图像在所述第二卷积层获取到的第二特征图以及所述第六图像在所述第二卷积层所获取到的第二特征图，确定第一损失值可通过如下公式确定：L
per
(G
X
,G
Y
)＝[||φ
ix
(G
X
(E
Y
(G<...

【专利技术属性】
技术研发人员：鲁昱，刘琚，高雪松，张淯易，
申请(专利权)人：海信集团控股股份有限公司，
类型：发明
国别省市：