模型训练方法、图像处理方法、装置、电子设备及介质制造方法及图纸

本公开提供了一种模型训练方法、图像处理方法、装置、电子设备及介质，涉及人工智能技术领域，尤其涉及图像处理技术领域。实现方案为：将样本图像输入特征提取模块，以得到样本图像的第一特征信息和第二特征信息；利用第一特征信息，更新预测模块的参数；将第二特征信息输入经过更新的预测模块，以得到样本图像的预测结果；以及基于样本图像的标签和预测结果，调整模型的参数。整模型的参数。整模型的参数。

【技术实现步骤摘要】
模型训练方法、图像处理方法、装置、电子设备及介质


[0001]本公开涉及人工智能
，尤其涉及图像处理
，具体涉及一种模型训练的方法、图像处理方法、装置、系统、电子设备、计算机可读存储介质和计算机程序产品。

技术介绍

[0002]人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术、人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
[0003]在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

技术实现思路

[0004]本公开提供了一种模型训练的方法、图像处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
[0005]根据本公开的一方面，提供了一种模型训练方法，其中，模型包括特征提取模块和预测模块，方法包括：将样本图像输入特征提取模块，以得到样本图像的第一特征信息和第二特征信息；利用第一特征信息，更新预测模块的参数；将第二特征信息输入经过更新的预测模块，以得到样本图像的预测结果；以及基于样本图像的标签和预测结果，调整模型的参数。
[0006]根据本公开的一方面，提供了一种图像处理方法，包括：将待处理图像输入质量识别模型，以得到对待处理图像的质量识别结果，其中，质量识别模型为根据上述方法而训练得到的。
[0007]根据本公开的一方面，提供了一种模型训练装置，其中，模型包括特征提取模块和预测模块，方法包括：输入单元，被配置用于将样本图像输入特征提取模块，以得到样本图像的第一特征信息和第二特征信息；更新单元，被配置用于利用第一特征信息，更新预测模块的参数；预测单元，被配置用于将第二特征信息输入经过更新的预测模块，以得到样本图像的预测结果；以及调整单元，被配置用于基于样本图像的标签和预测结果，调整模型的参数。
[0008]根据本公开的一方面，提供了一种图像处理系统，包括：质量识别模型，被配置用于确定待处理图像的质量识别结果，其中，质量识别模型为根据上述训练方法而训练得到的。
[0009]根据本公开的一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少
一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述的任意一种方法。
[0010]根据本公开的一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述的任意一种方法。
[0011]根据本公开的一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述的任意一种方法。
[0012]根据本公开的一个或多个实施例，能够降低信息损失对模型训练的不利影响，提升模型对样本图像的理解能力，加速模型收敛。
[0013]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0014]附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
[0015]图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
[0016]图2示出了根据本公开的实施例的模型训练方法的流程图；
[0017]图3示出了根据本公开的实施例的模型训练方法的示意图；
[0018]图4示出了根据本公开的实施例的模型训练装置的结构框图；以及
[0019]图5示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
[0020]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0021]在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
[0022]在本公开中对各种示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
[0023]在采用神经网络模型进行计算时，不可避免地会出现信息损失。这对于模型的训练是不利的。信息损失导致模型在训练的过程中对样本图像的理解不够充分，模型收敛速度慢，模型的训练效果不佳。
[0024]基于此，本公开提出一种模型训练方法，利用样本图像的第一特征信息，更新预测
模块的参数，再将该样本图像的第二特征信息输入经过更新的预测模块，来得到样本图像的预测结果，最后，基于样本图像的标签和预测结果，调整模型的参数。如此，采用样本图像的第一特征信息来更新预测模块的参数，可以降低信息损失对模型训练的不利影响，提升模型对样本图像的理解能力，加速模型收敛，提升模型的训练效果。
[0025]下面将结合附图详细描述本公开的实施例。
[0026]图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
[0027]在本公开的实施例中，服务器120可以运行使得能够执行模型训练和图像处理的方法的一个或多个服务或软件应用。
[0028]在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/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，其中，所述模型包括特征提取模块和预测模块，所述方法包括：将样本图像输入所述特征提取模块，以得到所述样本图像的第一特征信息和第二特征信息；利用所述第一特征信息，更新所述预测模块的参数；将所述第二特征信息输入经过更新的所述预测模块，以得到所述样本图像的预测结果；以及基于所述样本图像的标签和所述预测结果，调整所述模型的参数。2.根据权利要求1所述的方法，其中，所述预测模块包括至少一个全连接层，并且其中，所述利用所述第一特征信息，更新所述预测模块的参数包括：针对所述至少一个全连接层中的每一个全连接层，将所述第一特征信息映射为与该全连接层的维度相对应的附加参数矩阵；以及利用所述附加参数矩阵，更新该全连接层的参数。3.根据权利要求2所述的方法，其中，所述利用所述附加参数矩阵，更新该全连接层的参数包括：利用所述附加参数矩阵与该全连接层的权重矩阵的加权和，来更新该全连接层的权重。4.根据权利要求2所述的方法，其中，所述利用所述附加参数矩阵，更新该全连接层的参数包括：利用对所述附加参数矩阵执行全局池化的结果，来更新该全连接层的偏置。5.根据权利要求1至4中的任意一项所述的方法，其中，所述特征提取模块包括多个卷积层，并且其中，所述第二特征信息为融合所述多个卷积层中的至少两个卷积层的输出数据而得到的。6.根据权利要求5所述的方法，其中，所述至少两个卷积层包括一个靠近所述特征提取模块的输入端的卷积层和一个靠近所述特征提取模块的输出端的卷积层。7.根据权利要求1至6中的任意一项所述的方法，其中，所述标签包括以下至少一种：图像质量标签；天气标签；和光照标签。8.一种图像处理方法，包括：将待处理图像输入质量识别模型，以得到对所述待处理图像的质量识别结果，其中，所述质量识别模型为根据权利要求1至7中的任意一项所述的方法而训练得到的。9.根据权利要求8所述的方法，其中，所述质量识别结果包括图像质量评分和质量影响要素，所述方法还包括：响应于所述图像质量评分小于预设阈值，针对所述待处理图像的质量影响要素来执行针对所述待处理图像的处理。10.根据权利要求9所述的方法，其中，所述质量影响要素包括天气和光照中的至少一种。11.一种模型训练装置，其中，所述模型包括特征提取模块和预测模块，所述装置包括：输入单元，被配置用于将样本图像输入所述特征提取模块，以得到所述样本图像的第
一特征信...

【专利技术属性】
技术研发人员：周锴，
申请(专利权)人：北京精英路通科技有限公司，
类型：发明
国别省市：