图像处理模型的处理方法、装置、设备和存储介质制造方法及图纸

本申请提供一种图像处理模型的处理方法、装置、设备和存储介质，可以在大量噪声样本图像中实现模型的有效训练，包括：通过前次迭代更新的图像处理模型提取当次迭代的样本图像的量化特征，获得样本图像的多标签预测概率；基于前次迭代更新的各标签的正负样本阈值与样本图像的多标签预测概率，确定各标签的无噪样本图像，根据修正后的无噪样本图像的标注信息与多标签预测概率，确定当次迭代的多标签预测损失；基于样本图像、相似样本图像与非相似样本图像的量化特征，和样本图像的量化特征与相应的量化目标，确定当次迭代的量化损失；基于多标签预测损失与量化损失，对前次迭代更新的图像处理模型进行迭代更新。的图像处理模型进行迭代更新。的图像处理模型进行迭代更新。

【技术实现步骤摘要】
图像处理模型的处理方法、装置、设备和存储介质


[0001]本申请涉及计算机处理
，特别是涉及一种图像处理模型的处理方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]图像检索是输入图像语义及图像内容进行查找，从图像数据库中检出与该输入图像在语义和内容上具有相似特性的图像的过程。通常的处理流程为：对输入图像进行量化，得到输入图像的量化特征，将该量化特征与图像数据库中各个图像的量化特征进行比对，以获得召回图像。
[0003]由此可知，为准确召回与输入图像的图像语义与图像内容相似的图像，需要让图像处理模型具备准确提取衡量图像语义和图像内容的量化特征的能力。
[0004]然而，学习图像语义需要对样本图像进行多标签标注，标注大规模图像的语义标签，耗时耗人力，虽然利用已有的或预训练的多标签标注模型对样本图像进行多标签标注，可以降低标签标注成本，但通常这种模型标注的结果不够准确，导致图像处理模型基于大量噪声的样本图像，难以准确学习图像的量化特征。

技术实现思路

[0005]基于此，有必要针对上述技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理模型的处理方法，其特征在于，所述方法包括：获取当次迭代的样本图像集；通过前次迭代更新的图像处理模型提取所述样本图像集中样本图像的图像特征，对所述图像特征进行量化处理得到量化特征，依据所述量化特征进行多标签预测获得所述样本图像的多标签预测概率；基于前次迭代更新的对应各个标签的正负样本阈值与所述样本图像的多标签预测概率，从所述样本图像集中确定对应各个标签的无噪样本图像并修正所述无噪样本图像的标注信息，根据所述无噪样本图像的标注信息与多标签预测概率，确定当次迭代的多标签预测损失；根据所述无噪样本图像的多标签预测概率，对前次迭代更新的对应各个标签的正负样本阈值更新，得到当次迭代更新的对应各个标签的正负样本阈值；从所述样本图像集中确定所述样本图像的相似样本图像与非相似样本图像，基于所述样本图像、所述相似样本图像与所述非相似样本图像的量化特征，以及所述样本图像的量化特征与相应的量化目标，确定当次迭代的量化损失；基于所述多标签预测损失与所述量化损失，对前次迭代更新的图像处理模型更新得到当次迭代更新的图像处理模型。2.根据权利要求1所述的方法，其特征在于，所述基于前次迭代更新的对应各个标签的正负样本阈值与所述样本图像的多标签预测概率，从所述样本图像集中确定对应各个标签的无噪样本图像并修正所述无噪样本图像的标注信息，包括：依次将所述多标签中的每个标签作为目标标签；获取前次迭代更新的对应所述目标标签的正样本阈值与负样本阈值；当所述样本图像的多标签预测概率中，对应所述目标标签的预测概率大于等于所述目标标签的正样本阈值时，则确定所述样本图像为所述当次迭代中的对应所述目标标签的无噪正样本图像，修正所述样本图像对应所述目标标签的标注信息为第一值；当所述样本图像的多标签预测概率中，对应所述目标标签的预测概率小于等于所述目标标签的负样本阈值时，则确定所述样本图像为所述当次迭代中的对应所述目标标签的无噪负样本图像，修正所述样本图像对应所述目标标签的标注信息为第二值。3.根据权利要求2所述的方法，其特征在于，所述根据所述无噪样本图像的多标签预测概率，对前次迭代更新的对应各个标签的正负样本阈值更新，得到当次迭代更新的对应各个标签的正负样本阈值，包括：依次将所述多标签中的每个标签作为目标标签；根据所述当次迭代中的所述目标标签的无噪正样本图像，对应所述目标标签的预测概率的均值，对前次迭代更新的对应所述目标标签的正样本阈值进行更新，得到当次迭代更新的对应所述目标标签的正样本阈值；根据所述当次迭代中的所述目标标签的无噪负样本图像，对应所述目标标签的预测概率的均值，对前次迭代更新的对应所述目标标签的负样本阈值进行更新，得到当次迭代更新的对应所述目标标签的负样本阈值。4.根据权利要求3所述的方法，其特征在于，所述根据所述当次迭代中的所述目标标签的无噪正样本图像，对应所述目标标签的预测概率的均值，对前次迭代更新的对应所述目
标标签的正样本阈值进行更新，得到当次迭代更新的对应所述目标标签的正样本阈值，包括：将前次迭代更新的对应所述目标标签的正样本阈值，与所述当次迭代中的所述目标标签的无噪正样本图像对应所述目标标签的预测概率的均值进行加权求和，得到当次迭代更新的对应所述目标标签的正样本阈值；其中，所述前次迭代更新的对应所述目标标签的正样本阈值的权重系数大于所述均值的权重系数。5.根据权利要求3所述的方法，其特征在于，所述根据所述当次迭代中的所述目标标签的无噪负样本图像，对应所述目标标签的预测概率的均值，对前次迭代更新的对应所述目标标签的负样本阈值进行更新，得到当次迭代更新的对应所述目标标签的负样本阈值，包括：将前次迭代更新的对应所述目标标签的负样本阈值，与所述当次迭代中的所述目标标签的无噪负样本图像对应所述目标标签的预测概率的均值进行加权求和，得到当次迭代更新的对应所述目标标签的负样本阈值；其中，所述前次迭代更新的对应所述目标标签的负样本阈值权重系数大于所述均值的权重系数。6.根据权利要求1所述的方法，其特征在于，所述根据所述无噪样本图像的标注信息与多标签预测概率，确定当次迭代的多标签预测损失，包括：依次将所述多标签中的每个标签作为目标标签；对于对应所述目标标签的每个无噪样本图像，根据修正后的所述无噪样本图像的标注信息与所述无噪样本图像的多标签预测概率中对应所述目标标签的预测概率，计算所述目标标签的预测损失；将对应每个标签的预测损失求和，得到当次迭代的多标签预测损失。7.根据权利要求1所述的方法，其特征在于，所述样本图像集包括相似样本图像对，所述相似样本图像对包括的两个样本图像相似；所述从所述样本图像集中确定所述样本图像的相似样本图像与非相似样本图像，基于所述样本图像、所述相似样本图像与所述非相似样本图像的量化特征，以及所述样本图像的量化特征与相应的量化目标，确定当次迭代的量化损失，包括：对于所述样本图像集的每个相似样本图像对，生成与所述相似样本图像对相应的三元组；所述三元组包括目标样本图像、所述目标样本图像的相似样本图像与所述目标样本图像的非相似样本图像；对于每个三元组，根据所述目标样本图像与所述相似样本图像的量化特征的差异，所述目标样本图像与所述非相似样本图像的量化特征之间的差异，计算三元组量化损失；根据所述样本图像集的每个样本图像的量化特征与相应的量化目标之间的差异，计算图像量化损失；将三元组量化损失与所述图像量化损失进行加权求和，得到当次迭代的量化损失。8.根据权利要求7所述的方法，其特征在于，所述对...

【专利技术属性】
技术研发人员：郭卉，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：