图像处理及模型训练方法、装置、设备及存储介质制造方法及图纸

本申请提供了一种图像处理及模型训练方法、装置、设备及存储介质，该方法可以应用于人工智能、工业质检、图像处理等技术领域，包括：通过第一图像处理模型和第二图像处理模型分别对训练图像进行特征提取，得到训练图像的第一特征信息和第二特征信息；确定当前训练阶段的C种分类特征原型，确定第一特征信息与这C种分类特征原型之间的第一相似度，以及第二特征信息与这C种分类特征原型之间的第二相似度；将第一相似度作为第二图像处理模型的伪标签，将第二相似度作为第一图像处理模型的伪标签，对第一图像处理模型和第二图像处理模型进行训练。通过交互信息来监督训练，以克服噪声标签的干扰，增强模型的鲁棒性，提升图像处理效果。果。果。

【技术实现步骤摘要】
图像处理及模型训练方法、装置、设备及存储介质


[0001]本申请实施例涉及图像处理
，尤其涉及一种图像处理及模型训练方法、装置、设备及存储介质。

技术介绍

[0002]随着深度学习技术的快速发展，深度学习技术在图像处理领域得到广泛应用，例如在工业质检场景中，使用人工智能(Artificial Intelligence，AI)质检技术对生产制造过程中的工业产品进行质量检测。示例性的，在工业生产制造过程中，采集工业产品图像，将采集的工业产品图像输入图像处理模型中进行缺陷检测，检测该工业产品是否存在缺陷，以及存在何种类别的缺陷，这样可以提升质检准确率，节省人力成本。
[0003]其中图像处理模型的图像处理效果，与图像处理模型的训练阶段息息相关。目前在图像处理模型的训练过程中，通常采用人工标注的方式，确定模型的训练标签。但是人工标注的训练标签不够准确，会影响模型的训练性能，降低模型的图像处理效果。

技术实现思路

[0004]本申请提供一种图像处理及模型训练方法、装置、设备及存储介质，提高图像处理模型的训练性能，进而提升图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理模型训练方法，其特征在于，包括：通过第一图像处理模型和第二图像处理模型分别对训练图像进行特征提取，得到所述训练图像的第一特征信息和第二特征信息；确定当前训练阶段的C种分类特征原型，所述C种分类特征原型是对训练图像集中的各训练图像的特征信息进行聚类得到，所述C为正整数；确定所述第一特征信息与所述C种分类特征原型中的每一种分类特征原型之间的第一相似度，以及所述第二特征信息与所述C种分类特征原型中的每一种分类特征原型之间的第二相似度；将所述第一相似度作为所述第二图像处理模型的伪标签，将所述第二相似度作为所述第一图像处理模型的伪标签，对所述第一图像处理模型和所述第二图像处理模型进行训练。2.根据权利要求1所述的方法，其特征在于，所述通过第一图像处理模型和第二图像处理模型分别对训练图像进行特征提取，得到所述训练图像的第一特征信息和第二特征信息，包括：对所述训练图像进行增强处理，得到第一增强图像和第二增强图像；通过所述第一图像处理模型对所述第一增强图像进行特征提取，得到所述第一特征信息；通过所述第二图像处理模型对所述第二增强图像进行特征提取，得到所述第二特征信息。3.根据权利要求2所述的方法，其特征在于，所述确定所述第一特征信息与所述C种分类特征原型中每一种分类特征原型之间的第一相似度，以及所述第二特征信息与所述C种分类特征原型中每一种分类特征原型之间的第二相似度，包括：对所述第一特征信息和所述第二特征信息分别进行去增强处理，得到第三特征信息和第四特征信息；确定所述第三特征信息与所述C种分类特征原型中每一种分类特征原型之间的相似度，作为所述第一相似度；确定所述第四特征信息与所述C种分类特征原型中每一种分类特征原型之间的相似度，作为所述第二相似度。4.根据权利要求1所述的方法，其特征在于，所述确定当前训练阶段的C种分类特征原型，包括：获取前一训练阶段的C种分类特征原型；基于所述第一特征信息和所述第二特征信息，对所述前一训练阶段的C种分类特征原型进行更新，得到所述当前训练阶段的C种分类特征原型。5.根据权利要求4所述的方法，其特征在于，所述基于所述第一特征信息和所述第二特征信息，对所述前一训练阶段的C种分类特征原型进行更新，得到所述当前训练阶段的C种分类特征原型，包括：将所述第一特征信息、所述第二特征信息和所述前一训练阶段的C种分类特征原型进行聚类，得到所述当前训练阶段的C种分类特征原型。6.根据权利要求1
‑
5任一项所述的方法，其特征在于，所述将所述第一相似度作为所述
第二图像处理模型的伪标签，将所述第二相似度作为所述第一图像处理模型的伪标签，对所述第一图像处理模型和所述第二图像处理模型进行训练，包括：将所述第一相似度作为所述第二图像处理模型的伪标签，将所述第二相似度作为所述第一图像处理模型的伪标签，确定所述第一图像处理模型和所述第二图像处理模型的无监督损失；基于所述无监督损失，对所述第一图像处理模型和所述第二图像处理模型进行训练。7.根据权利要求6所述的方法，其特征在于，所述将所述第一相似度和所述第二相似度作为所述第一图像处理模型和所述第二图像处理模型的伪标签，确定所述第一图像处理模型和所述第二图像处理模型的无监督损失，包括：基于所述第一特征信息，得到所述训练图像属于C种分类的第一预测概率值，以及基于所述第二特征信息，得到所述训练图像属于所述C种分类的第二预测概率值；将所述第二相似度作为所述第一图像处理模型的伪标签，确定所述第一预测概率值与所述第二相似度之间的第一损失；将所述第一相似度作为所述第二图像处理模型的伪标签，确定所述第二预测概率值与所述第一相似度之间的第二损失；基于所述第一损失和所述第二损失，确定所述无监督损失。8.根据权利要求7所述的方法，其特征在于，若所述第一特征信息基于所述训练图像增强后的第一增强图像得到，所述第二特征信息基于所述训练图像增强后的第二增强图像得到时，则所述基于所述第一特征信息，得到所述训练图像属于C种分类的第一预测概率值，以及基于所述第二特征信息，得到所述训练图像属于所述C种分类的第二预测概率值，包括：对所述第一特征信息和所述第二特征信息分别进行去增强处理，得到第三特征信息和第四特征信息；基于所述第三特征信息，得到所述第一预测概率值，以及基于所述第四特征信息，得到所述第二预测概率值。9.根据权利要求8所述的方法，其特征在于，所述基于所述第三特征信息，得到所述第一预测概率值，以及基于所述第四特征信息，得到所述第二预测概率值，包括：通过第一预测模块对所述第三特征信息进行处理，得到所述第一预测概率值，以及通过第二预测模块对所述第四特征信息进行处理，得到所述第二预测概率值。10.根据权利要求3或8所述的方法，其特征在于，所述对所述第一特征信息和所述第二特征信息分别进行去增强处理，得到第三特征信息和第四特征信息，包括：通过第一映射器对所述第一特征信息进行去增强处理，得到所述第三特征信；通过第二映射器...

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