模型训练方法、图像分类方法、装置及电子设备制造方法及图纸

本申请提供一种模型训练方法、图像分类方法、装置及电子设备，涉及图像处理技术领域。模型训练方法包括：对第一类数据进行逆处理，得到第二类数据；基于第一分类模型和第二类数据对第二分类模型进行训练，得到目标分类模型；其中，第一类数据包括RGB数据，第二类数据包括RAW数据；第一分类模型包括RGB分类模型，第二分类模型包括RAW分类模型。图像分类方法包括：获取目标相机采集得到的待分类图像；基于目标分类模型对待分类图像进行分类，得到分类结果；其中，待分类图像包括RAW数据，目标分类模型根据模型训练方法生成。通过训练RAW分类模型，无需对原始数据进行转换，能够直接在RAW域对图像分类，优化图像的分类效果。优化图像的分类效果。优化图像的分类效果。

【技术实现步骤摘要】
模型训练方法、图像分类方法、装置及电子设备


[0001]本申请涉及图像处理
，具体而言，涉及一种模型训练方法、图像分类方法、装置及电子设备。

技术介绍

[0002]现有的图像分类方法一般都在RGB(红、绿、蓝色彩模式)域进行。首先利用大量带标注的RGB图像数据训练一个RGB图像分类模型，应用时，将图像传感器采集到的RAW数据(原始图像文件)经过一系列isp
‑
ppl(Image Signal Processing，图像信号处理，Perceptual Path Length，感知路径长度)转换成RGB图像，然后送入训练得到的RGB分类模型中获得分类结果。
[0003]但是，由于现有的图像分类方法一般都在RGB域进行，而从图像传感器采集到的RAW数据到RGB图像之间需要经过一系列的isp
‑
ppl转换处理，这个过程中存在动态范围的压缩和信息的损失，在某些场景下，例如低照场景、侧逆光场景下会导致转换出来的RGB图像质量较差，从而影响模型的分类性能，且由于整条ppl步骤较多，分类时的耗时较长，导致图像的本文档来自技高网...

【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：对第一类数据进行逆处理，得到第二类数据；基于第一分类模型和所述第二类数据对第二分类模型进行训练，得到目标分类模型；其中，所述第一类数据包括RGB数据，所述第二类数据包括RAW数据；所述第一分类模型包括RGB分类模型，所述第二分类模型包括RAW分类模型。2.根据权利要求1所述的方法，其特征在于，所述基于第一分类模型和所述第二类数据对第二分类模型进行训练，得到目标分类模型，包括：根据所述第一分类模型对所述第一类数据进行分类，得到教师网络；基于所述第二类数据对所述第二分类模型进行训练，得到学生网络；基于所述教师网络对所述学生网络进行知识蒸馏，得到所述目标分类模型。3.根据权利要求1所述的方法，其特征在于，所述对第一类数据进行逆处理，得到第二类数据，包括：对所述第一类数据进行伽马校正逆处理，得到伽马数据；对所述伽马数据进行色彩校正逆处理，得到校正数据；对所述校正数据进行降维处理，得到降维数据；对所述降维数据进行白平衡逆处理，得到平衡数据；对所述平衡数据进行噪声补偿，得到所述第二类数据。4.根据权利要求3所述的方法，其特征在于，所述对所述平衡数据进行噪声补偿，得到所述第二类数据，包括：获取所述第一类数据对应的相机参数；基于所述相机参数确定模拟噪声数据；基于所述模拟噪声数据对所述平衡数据进行噪声补偿，得到所述第二类数据。5.根据权利要求1
‑
4中任一项所述的方法，其特征在于，其中，所述第二分类模型由以下方式生成：确定所述第一分类模型的模型头部；根据分类需求确定目标编码；在所述模型头部中添加目标编码，得到所述第二分类模型。6.一种图像分类方法，其特征在于，所述方法包括：获取目标相机采集得到的待分类图像；基于目标分类模型对...

【专利技术属性】
技术研发人员：刘建伟，
申请(专利权)人：北京爱芯科技有限公司，
类型：发明
国别省市：