一种视觉任务处理方法、装置、可读存储介质及终端设备制造方法及图纸

本申请属于视觉任务处理技术领域，尤其涉及一种视觉任务处理方法、装置、计算机可读存储介质及终端设备。所述方法包括：获取待处理的目标视觉任务；使用预设的视觉任务处理模型对所述目标视觉任务进行处理，得到所述目标视觉任务的任务处理结果；其中，所述视觉任务处理模型在半监督训练过程中使用添加图匹配损失项的损失函数，所述图匹配损失项用于表征第一低维嵌入图与第二低维嵌入图之间的差异，所述第一低维嵌入图为使用学生模型对无标注训练图像进行处理得到的低维嵌入图，所述第二低维嵌入图为使用教师模型对所述无标注训练图像进行处理得到的低维嵌入图。本申请中损失函数的计算更加精准，有效提高了模型在进行视觉任务处理时的准确率。

【技术实现步骤摘要】

本申请属于视觉任务处理，尤其涉及一种视觉任务处理方法、装置、计算机可读存储介质及终端设备。

技术介绍

1、半监督训练技术在视觉任务处理领域已得到了较为普遍的使用，半监督训练技术是一种借助少量标注数据和大量无标注数据来联合训练神经网络的方案，主流的半监督视觉任务处理方案(如efficient-teacher等)一般采用教师-学生(teacher-student)解决范式，运用教师(teacher)模型对无标注数据生成的伪标签来指导学生(student)模型学到全量数据的分布，同时学生模型又会以集成学习的方式来更新教师模型的参数，形成互学习的飞轮效应。

2、损失函数是半监督训练的重要组成部分之一，损失函数通过最小化模型对于数据的预测值和该数据真实值之间的误差来优化模型，从而提高模型提取特征的能力。但在现有技术中所使用的损失函数计算往往不够精准，导致训练所得的模型在进行视觉任务处理时准确率较低。

技术实现思路

1、有鉴于此，本申请实施例提供了一种视觉任务处理方法、装置、计算机可读存储介质及终端设备，以解本文档来自技高网...

【技术保护点】

1.一种视觉任务处理方法，其特征在于，包括：

2.根据权利要求1所述的视觉任务处理方法，其特征在于，所述添加图匹配损失项的损失函数的构建过程包括：

3.根据权利要求2所述的视觉任务处理方法，其特征在于，所述使用所述学生模型对所述无标注训练图像进行处理，得到所述第一低维嵌入图，包括：

4.根据权利要求3所述的视觉任务处理方法，其特征在于，所述使用所述学生模型确定与所述第一增强图像对应的第一低维嵌入，包括：

5.根据权利要求3所述的视觉任务处理方法，其特征在于，所述使用所述学生模型确定与所述第二增强图像对应的第二低维嵌入，包括：

6...

【技术特征摘要】

1.一种视觉任务处理方法，其特征在于，包括：

2.根据权利要求1所述的视觉任务处理方法，其特征在于，所述添加图匹配损失项的损失函数的构建过程包括：

3.根据权利要求2所述的视觉任务处理方法，其特征在于，所述使用所述学生模型对所述无标注训练图像进行处理，得到所述第一低维嵌入图，包括：

4.根据权利要求3所述的视觉任务处理方法，其特征在于，所述使用所述学生模型确定与所述第一增强图像对应的第一低维嵌入，包括：

5.根据权利要求3所述的视觉任务处理方法，其特征在于，所述使用所述学生模型确定与所述第二增强图像对应的第二低维嵌入，包括：

6.根据权利要求2所述的视觉任务处理方法，其特征在于，所述使用所述教师模型对所...

【专利技术属性】
技术研发人员：赵煜冰，王侃，董培，庞建新，谭欢，
申请(专利权)人：深圳市优必选科技股份有限公司，
类型：发明
国别省市：