图像任务处理方法、装置、设备及存储介质制造方法及图纸

本发明专利技术属于图像处理技术领域，公开了一种图像任务处理方法、装置、设备及存储介质。该方法包括：在接收到用户发送的图像处理任务时，确定所述图像处理任务的任务类型；对所述任务类型的初始神经网络进行参数调整，得到待训练网络；根据所述图像处理任务的图像训练集和预设挑选策略对所述待训练网络进行模型训练，得到目标训练模型；根据所述目标训练模型完成所述图像处理任务。通过上述方式，基于训练得到的目标训练模型完成图像处理任务，可保证图像处理任务的准确性和效率，同时使模型训练过程更为智能且保证目标训练模型的性能，减少了模型训练时间和训练难度。型训练时间和训练难度。型训练时间和训练难度。

【技术实现步骤摘要】
图像任务处理方法、装置、设备及存储介质


[0001]本专利技术涉及图像处理
，尤其涉及一种图像任务处理方法、装置、设备及存储介质。

技术介绍

[0002]随着深度学习在AI方面的广泛应用，如分类与目标检测、语言建模和推荐系统等，深度学习渗透到我们生活的方方面面，为我们带来了极大的便利。然而，为特定任务建立高质量深度学习系统的过程不仅耗时，而且需要大量资源并依赖于人类专业知识，这阻碍了工业界和学术界的深度学习的发展。同时，现有的深度学习算法模型从初期训练到后期判断模型是否满足要求均需要依赖人工经验，不仅错误率高，还效率低下。

技术实现思路

[0003]本专利技术的主要目的在于提供一种图像任务处理方法、装置、设备及存储介质，旨在解决现有技术中如何使模型训练过程更为智能且保证模型的性能，从而提高图像处理任务的准确性和效率的技术问题。
[0004]为实现上述目的，本专利技术提供了一种图像任务处理方法，所述图像任务处理方法包括：在接收到用户发送的图像处理任务时，确定所述图像处理任务的任务类型；对所述任务类型的初始神经网络进行参数调整，得到待训练网络；根据所述图像处理任务的图像训练集和预设挑选策略对所述待训练网络进行模型训练，得到目标训练模型；根据所述目标训练模型完成所述图像处理任务。
[0005]可选地，所述对所述任务类型的初始神经网络进行参数调整，得到待训练网络，包括：根据预设优化策略对所述任务类型的初始神经网络进结构调整，得到目标神经元数量和目标层数；根据所述预设优化策略对所述初始神经网络进行参数调整，得到目标超参数；根据所述目标神经元数量、所述目标层数以及所述目标超参数得到待训练网络。
[0006]可选地，所述根据所述预设优化策略对所述初始神经网络进行参数调整，得到目标超参数，包括：根据初始超参数候选集确定优化样本点；根据所述优化样本点和所述初始神经网络确定模型评价指标；根据预设代理函数、所述优化样本点以及所述模型评价指标进行拟合，得到拟合结果；根据所述拟合结果确定目标函数值；根据所述目标函数值得到目标超参数。
[0007]可选地，所述根据所述图像处理任务的图像训练集和预设挑选策略对所述待训练网络进行模型训练，得到目标训练模型，包括：获取初始图像集；根据所述图像处理任务对所述初始图像集中的样本图像进行图像标注，得到目标图像集；对所述目标图像集进行划分，得到目标训练集和目标测试集；根据所述目标训练集对所述待训练模型进行模型训练，得到初始训练模型；根据所述目标测试集和预设挑选策略对所述初始训练模型进行模型更新，得到目标训练模型。
[0008]可选地，所述根据所述目标测试集和预设挑选策略对所述初始训练模型进行模型更新，得到目标训练模型，包括：输入所述目标测试集至所述初始训练模型，得到预测输出结果；根据所述预测输出结果和预设挑选策略在所述目标测试集中确定更新训练集；根据所述目标训练集和所述更新训练集确定调整训练集；根据所述调整训练集对所述初始训练模型进行更新训练，得到目标训练模型。
[0009]可选地，所述根据所述预测输出结果和预设挑选策略在所述目标测试集中确定更新训练集，包括：根据所述预测输出结果进行梯度计算，得到挑选梯度；根据目标测试集的梯度向量和预设聚类算法进行样本选择，确定多样性样本；根据所述挑选梯度和所述多样性样本在所述目标测试集中确定更新训练集。
[0010]可选地，所述根据所述调整训练集对所述初始训练模型进行更新训练，得到目标训练模型，包括：根据所述调整训练集对所述初始训练模型进行更新训练，得到待检测模型；获取所述待检测模型的召回率和准确率；在所述召回率和所述准确率达到预设指标标准时，根据所述待检测模型得到目标训练模型。
[0011]此外，为实现上述目的，本专利技术还提出一种图像任务处理装置，所述图像任务处理装置包括：确定模块，用于在接收到用户发送的图像处理任务时，确定所述图像处理任务的任务类型；调整模块，用于对所述任务类型的初始神经网络进行参数调整，得到待训练网络；训练模块，用于根据所述图像处理任务的图像训练集和预设挑选策略对所述待训练网络进行模型训练，得到目标训练模型；完成模块，用于根据所述目标训练模型完成所述图像处理任务。
[0012]此外，为实现上述目的，本专利技术还提出一种图像任务处理设备，所述图像任务处理设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像任务处理程序，所述图像任务处理程序配置为实现如上文所述的图像任务处理方法。
[0013]此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有图像任务处理程序，所述图像任务处理程序被处理器执行时实现如上文所述的图像任务处理方
法。
[0014]本专利技术通过在接收到用户发送的图像处理任务时，确定所述图像处理任务的任务类型；对所述任务类型的初始神经网络进行参数调整，得到待训练网络；根据所述图像处理任务的图像训练集和预设挑选策略对所述待训练网络进行模型训练，得到目标训练模型；根据所述目标训练模型完成所述图像处理任务。通过上述方式，在接收到用户发送的图像处理任务时，基于图像处理任务的任务类型确定对应的初始神经网络，并对初始神经网络进行参数调整，从而得到对应的待训练网络，并根据图像训练集和预设挑选策略对待训练网络进行模型训练，基于训练得到的目标训练模型完成图像处理任务，可保证图像处理任务的准确性和效率，同时使模型训练过程更为智能且保证目标训练模型的性能，减少了模型训练时间和训练难度。
附图说明
[0015]图1是本专利技术实施例方案涉及的硬件运行环境的图像任务处理设备的结构示意图；图2为本专利技术图像任务处理方法第一实施例的流程示意图；图3为本专利技术图像任务处理方法第二实施例的流程示意图；图4为本专利技术图像任务处理装置第一实施例的结构框图。
[0016]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0017]应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0018]参照图1，图1为本专利技术实施例方案涉及的硬件运行环境的图像任务处理设备结构示意图。
[0019]如图1所示，该图像任务处理设备可以包括：处理器1001，例如中央处理器（Central Processing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless
‑
Fidelity，Wi
‑
Fi）接口）。存储器1005可以是高速的随机存取存储器（Random Access Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non
‑...

【技术保护点】

【技术特征摘要】
1.一种图像任务处理方法，其特征在于，所述图像任务处理方法包括：在接收到用户发送的图像处理任务时，确定所述图像处理任务的任务类型；对所述任务类型的初始神经网络进行参数调整，得到待训练网络；根据所述图像处理任务的图像训练集和预设挑选策略对所述待训练网络进行模型训练，得到目标训练模型；根据所述目标训练模型完成所述图像处理任务。2.如权利要求1所述的图像任务处理方法，其特征在于，所述对所述任务类型的初始神经网络进行参数调整，得到待训练网络，包括：根据预设优化策略对所述任务类型的初始神经网络进结构调整，得到目标神经元数量和目标层数；根据所述预设优化策略对所述初始神经网络进行参数调整，得到目标超参数；根据所述目标神经元数量、所述目标层数以及所述目标超参数得到待训练网络。3.如权利要求2所述的图像任务处理方法，其特征在于，所述根据所述预设优化策略对所述初始神经网络进行参数调整，得到目标超参数，包括：根据初始超参数候选集确定优化样本点；根据所述优化样本点和所述初始神经网络确定模型评价指标；根据预设代理函数、所述优化样本点以及所述模型评价指标进行拟合，得到拟合结果；根据所述拟合结果确定目标函数值；根据所述目标函数值得到目标超参数。4.如权利要求1所述的图像任务处理方法，其特征在于，所述根据所述图像处理任务的图像训练集和预设挑选策略对所述待训练网络进行模型训练，得到目标训练模型，包括：获取初始图像集；根据所述图像处理任务对所述初始图像集中的样本图像进行图像标注，得到目标图像集；对所述目标图像集进行划分，得到目标训练集和目标测试集；根据所述目标训练集对所述待训练模型进行模型训练，得到初始训练模型；根据所述目标测试集和预设挑选策略对所述初始训练模型进行模型更新，得到目标训练模型。5.如权利要求4所述的图像任务处理方法，其特征在于，所述根据所述目标测试集和预设挑选策略对所述初始训练模型进行模型更新，得到目标训练模型，包括：输入所述目...

【专利技术属性】
技术研发人员：黄耀，孟超超，
申请(专利权)人：北京阿丘科技有限公司，
类型：发明
国别省市：