【技术实现步骤摘要】
本申请涉及深度学习，尤其涉及一种模型训练方法、图像处理方法和相关装置。
技术介绍
1、深度学习(deep learning，简称dl)技术在图像处理业务中有着广泛的应用。例如，可将深度学习技术用于实现图像去噪，图像超分，图像分割，目标检测等各类任务。其通过构建深层神经网络模型(neural networks，简称nn)，能够将输入的原始图像数据转化为需要的输出数据。
2、在对深度学习的神经网络模型进行训练时，采用的训练数据往往来自公开的数据集，并且是针对特定数据集的特定预测任务进行训练的。当将训练好的模型用于实际业务场景时，由于数据分布发生变化，模型容易退化，性能达不到训练阶段所展现出来的效果。
技术实现思路
1、本申请实施例提供了一种模型训练方法、图像处理方法和相关装置，可以解决由于数据分布发生变化，模型容易退化的问题。为实现上述目的，本申请实施例提供的技术方案如下：
2、第一方面，本申请实施例提供了一种模型训练方法，用于训练深度学习模型，所述深度学习模型包括共享...
【技术保护点】
1.一种模型训练方法，其特征在于，用于训练深度学习模型，所述深度学习模型包括共享编码器、第一解码器和第二解码器，所述模型训练方法包括：
2.如权利要求1所述的模型训练方法，其特征在于，所述第一训练数据为来自公开数据集的带标注训练图像，所述第二训练数据为实际业务场景下的无标注业务图像。
3.如权利要求1所述的模型训练方法，其特征在于，当通过所述第一解码器输出所述第一输出结果时，
4.如权利要求1所述的模型训练方法，其特征在于，当通过所述第二解码器输出所述第二输出结果时，
5.如权利要求3或4所述的模型训练方法，其特征在于，...
【技术特征摘要】
1.一种模型训练方法，其特征在于，用于训练深度学习模型，所述深度学习模型包括共享编码器、第一解码器和第二解码器，所述模型训练方法包括：
2.如权利要求1所述的模型训练方法，其特征在于，所述第一训练数据为来自公开数据集的带标注训练图像，所述第二训练数据为实际业务场景下的无标注业务图像。
3.如权利要求1所述的模型训练方法，其特征在于，当通过所述第一解码器输出所述第一输出结果时，
4.如权利要求1所述的模型训练方法，其特征在于，当通过所述第二解码器输出所述第二输出结果时，
5.如权利要求3或4所述的模型训练方法，其特征在于，在根据所述当前模型损失对...
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。