【技术实现步骤摘要】
本申请涉及人工智能领域，尤其涉及一种神经网络的训练方法、图像处理的方法以及装置。
技术介绍
1、人工智能(artificial intelligence，ai)是利用计算机或者计算机控制的机器模拟、延伸和扩展人的智能。人工智能包括研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
2、机器学习是人工智能的一个分支。机器学习，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。机器学习模型包括人工智能模型如神经网络等。目前，机器学习已经取得了很大成功，大多数的神经网络依赖于大量的带标签的训练数据。然而，在很多领域中，无法获取大量的带标签的训练数据。例如：智能驾驶领域、医疗领域等都无法获取大量的训练数据，或者若要获取大量的训练数据需要付出很大代价。
3、因此，如何在难以获取大量带标签的训练数据的场景下，训练出性能优秀的神经网络是迫切需要解决的问题。
技术实现思路
1、本申请提供一种神经网络的训练方法、图像处理的方法以及装置，通过少...
【技术保护点】
1.一种神经网络的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述特征提取网络的第i层卷积核的输出通道参数值是对多个目标卷积核的输出通道参数值进行加权处理后得到的，所述多个目标卷积核的输出通道参数值包括第一卷积核的输出通道参数值和第二卷积核的输出通道参数值，所述第一卷积核的输出通道参数值是基于所述多个预训练神经网络的第i层卷积核的输出通道参数值和所述第一训练图像得到的，所述第二卷积核输出通道参数值是基于所述多个预训练神经网络的第i层卷积核的输出通道参数值和第二训练图像得到的，所述第二训练图像和所述第一训练图像的类别相同，所述方法
【技术特征摘要】
1.一种神经网络的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述特征提取网络的第i层卷积核的输出通道参数值是对多个目标卷积核的输出通道参数值进行加权处理后得到的，所述多个目标卷积核的输出通道参数值包括第一卷积核的输出通道参数值和第二卷积核的输出通道参数值，所述第一卷积核的输出通道参数值是基于所述多个预训练神经网络的第i层卷积核的输出通道参数值和所述第一训练图像得到的，所述第二卷积核输出通道参数值是基于所述多个预训练神经网络的第i层卷积核的输出通道参数值和第二训练图像得到的，所述第二训练图像和所述第一训练图像的类别相同，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述第一卷积核输出通道参数值具体是对多个参考值进行加权处理后获取的，所述多个参考值是对第一神经网络的输出和每个所述预训练神经网络的第i层卷积核的输出通道参数值进行目标运算后得到的，所述第一神经网络的输入为第一特征向量，所述第一特征向量是基于所述特征提取网络的第i-1层卷积核的输出通道参数值和所述第一训练图像得到的，所述根据所述预测结果和所述第一训练图像对应的期望结果之间的差异对所述元参数预测网络进行训练，包括：
4.根据权利要求3所述的方法，其特征在于，所述多个参考值的权重是基于第二神经网络的输出值得到的，所述第二神经网络的输入为所述第一特征向量，所述根据所述预测结果和所述第一训练图像对应的期望结果之间的差异对所述元参数预测网络进行训练，还包括：
5.根据权利要求3或4所述的方法，其特征在于，所述方法还包括：
6.根据权利要求2至5任一项所述的方法，其特征在于，所述特征提取网络的第i层卷积核的输出通道参数值是对多个目标卷积核输出通道参数值求平均值处理后得到的。
7.一种图像处理的方法，其特征在于，包括：
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
9.一种图像处理装置，其特征在于，包括：
10.根据权利要求9所述的装置，其特征在于，所述特征提取网络的第i层卷积核的输出通道参数值是对多个目标卷积核的输出通道参数值进行加权处理后得到的，所述多个目标卷积核的输出通道参数值包括第一卷积核的输出通道参数值和第二...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。