【技术实现步骤摘要】
本申请涉及机器学习领域，尤其涉及模型训练方法、电子设备及计算机可读存储介质。
技术介绍
1、电子设备常使用神经网络模型处理图像。例如，电子设备可以使用神经网络模型对图像进行去噪、去模糊、超分辨率，或者电子设备还可以使用神经网络模型识别图像中的物体，分割图像等。有时用来训练神经网络模型的难样本和易样本数量不均衡，导致神经网络模型得不到充分的训练，使其在处理图像时能力较差。
技术实现思路
1、本申请提供模型训练方法、电子设备及计算机可读存储介质。在该方法中，电子设备可以分别计算图像中平坦区域和细节区域的损失值，然后基于平坦区域和细节区域的损失值对损失函数进行调整。这样电子设备在训练神经网络模型时样本图像的平坦区域和细节区域对损失函数梯度值的贡献一致，可以使神经网络模型得到更充分的训练。
2、第一方面，本申请提供了一种模型训练方法，该方法应用于电子设备，包括：电子设备将第一图像输入到图像处理模型，第一图像为用于训练图像处理模型的图像，第一图像中包括第一区域和第二区域；电子设备基于第一损失函数确定第一区域的第一损失值，基于第二损失函数确定第二区域的第二损失值，第一损失值用于表示第二图像中的第一区域与第三图像中的第一区域的差别，第二损失值用于表示第二图像中的第二区域与第三图像中的第二区域的差别，第二图像为图像处理模型对第一图像处理后得到的图像，第三图像为第一图像的目标图像；电子设备根据第一权值和第二权值确定第三损失函数，第三损失函数为第一损失函数、第一权值的乘积加上第二损失函数、
3、其中，图像处理模型是用于处理底层视觉任务的神经网络模型，第一图像是样本集中的样本图像，第二图像为图像处理模型对第一图像处理后的图像，其可以称为第一图像的预测结果。第三图像为第一图像的目标图像，其可以称为第一图像经过处理后的实际结果。第一损失函数可以是用于计算第一区域的第一损失值的损失函数，第二损失函数可以是用于计算第二区域的第二损失值的损失函数。例如，第一损失函数与第二损失函数可以是同一个损失函数，例如，二者都为平均绝对误差函数。或者，第一损失函数与第二损失函数也可以是不同的损失函数，例如第一损失函数可以是平均绝对误差函数，第二损失函数可以是均方误差函数。电子设备确定第一权值、第二权值后可以得到该第一图像的损失函数，也即第三损失函数。在一些实施例中，第一阈值可以是0，也即是说，第一损失值、第一权值的乘积等于第二损失值、第二权值的乘积。可选的，第一权值或第二权值为1。也即是说，电子设备可以令其中一个权值为1，仅调整另一个权值。可选的，图像处理模型可以是用于图像去噪的神经网络模型。
4、结合第一方面，在一些实施例中，第一区域像素点的数量与所述第二区域像素点的数量的比值大于第一比值。例如，上述第一比值可以是三分之一，四分之一等等。也即是说，两个区域所占的面积差别较大。
5、结合第一方面，在一些实施例中，第一区域中每个像素点的像素值与其周围一个或多个像素点的像素值的差值小于等于第二阈值；第二区域中每个像素点的像素值与其周围一个或多个像素点的像素值的差值大于第二阈值。
6、其中，电子设备可以计算每个像素点的像素值与其周围一个像素点的像素值的差值，然后确定其与预设的第二阈值的大小关系。或者，电子设备也可以分别计算每个像素点的像素值与其周围多个像素点的像素值的差值，然后对上述差值进行求和，进而确定其与预设的第二阈值的大小关系。这里第一区域也可以称为平坦区域，第二区域也可以称为细节区域。
7、也即是说，电子设备可以在确定损失函数时平衡样本图片中平坦区域和细节区域损失值的大小，使二者对神经网络模型优化的贡献一致。这样电子设备在训练神经网络模型时不会受到样本图片平坦区域、细节区域面积过于不均衡的影响，降低对样本图片的挑剔程度，使得神经网络模型在不完美的样本集下也能够得到充分的训练。
8、结合第一方面，在一些实施例中，电子设备基于第三损失函数、第二图像和第三图像调整图像处理模型的参数之后，该方法还包括：电子设备将第四图像输入到图像处理模型，第四图像为用于训练图像处理模型的图像，第四图像中包括第三区域和第四区域；电子设备基于第四损失函数确定第三区域的第三损失值，基于第五损失函数确定第四区域的第四损失值，第三损失值用于表示第五图像中的第三区域与第六图像中的第三区域的差别，第四损失值用于表示第五图像中的第四区域与第六图像中的第四区域的差别，第五图像为图像处理模型对第四图像处理后得到的图像，第六图像为第四图像的目标图像；电子设备根据第三权值和第四权值确定第六损失函数，第六损失函数为第四损失函数、第三权值的乘积加上第五损失函数、第四权值的乘积，其中第三损失值、第三权值的乘积与第四损失值、第四权值的乘积之差小于第一阈值；电子设备基于第六损失函数、第五图像和第六图像再次调整图像处理模型的参数。
9、结合第一方面，在一些实施例中，第三区域中每个像素点的像素值与其周围一个或多个像素点的像素值的差值小于等于第二阈值；第四区域中每个像素点的像素值与其周围一个或多个像素点的像素值的差值大于第二阈值。
10、其中，第二图像可以是样本集中的另一个样本图像，第二图像中包含第三区域和第四区域。第三区域可以与第一区域相同，都为平坦区域，第四区域可以与第二区域相同，都为细节区域。第四损失函数用于确定第三区域的第三损失值，第五损失函数用于确定第四区域的第四损失值。第四损失函数与第五损失函数可以是同一个损失函数，也可以是不同的损失函数。第五图像为将第四图像输入到图像处理模型后得到的图像，其可以称为第四图像的预测图像。第六图像为样本集中第四图像对应的目标图像，其可以称为第四图像的实际图像。电子设备可以基于第四图像中第三区域和第四区域的损失值的比例确定第六损失函数，进而基于第六损失函数调整图像处理模型中的参数。
11、电子设备在处理每张样本图像时都可以对该样本图像的总损失函数进行调整，这样可以使得每次迭代时使用的总损失函数都与该次迭代使用的样本图像匹配，从而使得图像处理模型在不同的样本图像中都得到充分的训练。
12、结合第一方面，在一些实施例中，电子设备基于第三损失函数、第二图像和第三图像调整图像处理模型的参数之后，该方法还包括：电子设备将第七图像输入到图像处理模型，第七图像为用于训练图像处理模型的图像；电子设备基于第三损失函数、第八图像和第九图像调整图像处理模型的参数再次调整图像处理模型的参数，第八图像为图像处理模型对第七图像处理后得到的图像，第九图像为第七图像的目标图像。
13、其中，第七图像是样本图像中的样本图像，第八图像为图像处理模型对第七图像处理后得到的图像，其也可以称为是预测结果，第九图像也可以称为第七图像的实际结果。第三损失函数为电子设备基于第一损失值、第二损失值确定的。
14、本文档来自技高网...
【技术保护点】
1.一种模型训练方法，所述方法应用于电子设备，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，所述第一区域像素点的数量与所述第二区域像素点的数量的比值大于第一比值。
3.根据权利要求1或2所述的方法，其特征在于，所述第一区域中每个像素点的像素值与其周围一个或多个像素点的像素值的差值小于等于第二阈值；所述第二区域中每个像素点的像素值与其周围一个或多个像素点的像素值的差值大于所述第二阈值。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述电子设备基于所述第三损失函数、所述第二图像和所述第三图像调整所述图像处理模型的参数之后，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述第三区域中每个像素点的像素值与其周围一个或多个像素点的像素值的差值小于等于所述第二阈值；所述第四区域中每个像素点的像素值与其周围一个或多个像素点的像素值的差值大于所述第二阈值。
6.根据权利要求1-3任一项所述的方法，其特征在于，所述电子设备基于所述第三损失函数、所述第二图像和所述第三图像调整所述图像处理模型的参数之后
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述第一权值或所述第二权值为1。
8.根据权利要求1-7中任一项所述的方法，其特征在于，所述第一损失函数为平均绝对误差函数，所述第二损失函数为均方误差函数。
9.根据权利要求1-8中任一项所述的方法，其特征在于，所述图像处理模型用于图像去噪。
10.一种电子设备，其特征在于，所述电子设备包括：存储器以及耦合于所述存储器的处理器；所述存储器存储有计算机程序，所述处理器执行所述计算机程序时使得所述电子设备实现如权利要求1至9中任一项所述的方法。
11.一种计算机可读存储介质，存储有计算机指令，其特征在于，当所述计算机指令在电子设备上运行时，使得所述电子设备执行如权利要求1至9中任一项所述的方法。
...【技术特征摘要】
1.一种模型训练方法，所述方法应用于电子设备，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，所述第一区域像素点的数量与所述第二区域像素点的数量的比值大于第一比值。
3.根据权利要求1或2所述的方法，其特征在于，所述第一区域中每个像素点的像素值与其周围一个或多个像素点的像素值的差值小于等于第二阈值；所述第二区域中每个像素点的像素值与其周围一个或多个像素点的像素值的差值大于所述第二阈值。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述电子设备基于所述第三损失函数、所述第二图像和所述第三图像调整所述图像处理模型的参数之后，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述第三区域中每个像素点的像素值与其周围一个或多个像素点的像素值的差值小于等于所述第二阈值；所述第四区域中每个像素点的像素值与其周围一个或多个像素点的像素值的差值大于所述第二阈值。
6.根据权利...
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。