CN111626353A - 一种图像处理方法及终端、存储介质 - Google Patents

一种图像处理方法及终端、存储介质 Download PDF

Info

Publication number
CN111626353A
CN111626353A CN202010457562.4A CN202010457562A CN111626353A CN 111626353 A CN111626353 A CN 111626353A CN 202010457562 A CN202010457562 A CN 202010457562A CN 111626353 A CN111626353 A CN 111626353A
Authority
CN
China
Prior art keywords
parameter
classification model
image
image classification
label
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010457562.4A
Other languages
English (en)
Inventor
张弓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Oppo Chongqing Intelligent Technology Co Ltd
Original Assignee
Oppo Chongqing Intelligent Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Oppo Chongqing Intelligent Technology Co Ltd filed Critical Oppo Chongqing Intelligent Technology Co Ltd
Priority to CN202010457562.4A priority Critical patent/CN111626353A/zh
Publication of CN111626353A publication Critical patent/CN111626353A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种图像处理方法及终端、存储介质，包括将待分类图像输入图像分类模型中，得到待分类图像对应的类别标签参数；确定类别标签参数和平均特征参数之间的相似参数，平均特征参数为利用图像分类模型从多个样本图像中确定的特征参数，多个样本图像为与待分类图像类别相同的图像；在相似参数满足预设相似参数范围的情况下，输出类别标签参数对应的标签信息，以利用标签信息对待分类图像的进行场景识别。

Description

一种图像处理方法及终端、存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像处理方法及终端、存储介质。
背景技术
随着科学技术的不断发展，图像分类技术在字符识别、人脸识别、物体识别、行人检测、图像检索等方面都有广泛的应用。
在现有技术中，当终端接收到待分类图像时，终端就将该待分类图像输入至图像分类模型中，图像分类模型就计算该待分类图像的类别标签参数，根据该类别标签参数确定出待分类图像的标签信息，并输出该标签信息，如此，当图像分类模型确定出的类别标签参数的准确性较低时，则终端输出的类别标签参数对应的标签信息的准确性较低。
发明内容
为解决上述技术问题，本发明实施例期望提供一种图像处理方法及终端、存储介质，能够提高终端输出的待分类图像对应的标签信息时的准确性。
本发明的技术方案是这样实现的：
本申请实施例提供一种图像处理方法，所述方法包括：
将待分类图像输入图像分类模型中，得到所述待分类图像对应的类别标签参数；
确定所述类别标签参数和平均特征参数之间的相似参数，所述平均特征参数为利用所述图像分类模型从多个样本图像中确定的特征参数，所述多个样本图像为与所述待分类图像类别相同的图像；
在所述相似参数满足预设相似参数范围的情况下，输出所述类别标签参数对应的标签信息，以利用所述标签信息对所述待分类图像进行场景识别。
在上述方案中，所述将待分类图像输入图像分类模型中，得到所述待分类图像对应的类别标签参数之前，所述方法还包括：
将所述多个样本图像输入原始图像分类模型的第一传输层，得到所述多个样本图像对应的多个第一参数信息，一个样本图像对应一个第一参数信息；
将所述多个第一参数信息输入所述原始图像分类模型的第一卷积层，并基于所述第一卷积层的权重得到多个第一参数信息对应的多个样本标签参数，一个第一参数信息对应一个样本标签参数，所述第一卷积层为在所述第一传输层之后执行的下一传输层；
根据所述多个样本标签参数和所述多个样本图像对应的标准样本标签参数，确定所述原始图像分类模型的损失值；
利用所述损失值对所述原始图像分类模型进行训练，得到所述图像分类模型。
在上述方案中，所述利用所述损失值对所述原始图像分类模型进行训练，得到所述图像分类模型，包括：
在所述损失值不满足所述预设参数范围的情况下，迭代调整所述原始图像分类模型中的第一卷积层的权重，得到迭代图像分类模型；
利用所述多个第一参数信息对所述迭代图像分类模型进行训练，直至得到所述图像分类模型；
在所述损失值满足预设参数范围的情况下，将所述原始图像分类模型作为所述图像分类模型。
在上述方案中，所述利用所述损失值对所述原始图像分类模型进行训练，得到所述图像分类模型之后，所述方法还包括：
将所述多个第一参数信息输入所述图像分类模型的第一卷积层，并基于调整后的第一卷积层的权重得到多个第一样本标签参数；
确定所述多个第一样本标签参数的平均值；
将所述平均值作为所述平均特征参数。
在上述方案中，所述将待分类图像输入图像分类模型中，得到所述待分类图像对应的类别标签参数，包括：
将待分类图像输入图像分类模型中，得到所述待分类图像的图像特征参数；
利用所述图像分类模型对所述图像特征参数进行归一化处理，得到所述类别标签参数。
在上述方案中，所述确定所述类别标签参数和平均特征参数之间的相似参数，包括：
确定所述图像特征参数对应的第一特征向量和所述平均特征参数对应的第二特征向量；
确定所述第一特征向量的二范式和所述第二特征向量的二范式；
根据所述第一特征向量、所述第二特征向量、所述第一特征向量的二范式和所述第二特征向量的二范式，确定所述相似参数。
本申请实施例提供了一种终端，所述终端包括：
输入单元，用于将待分类图像输入图像分类模型中，得到所述待分类图像对应的类别标签参数；
确定单元，用于确定所述类别标签参数和平均特征参数之间的相似参数，所述平均特征参数为利用所述图像分类模型从多个样本图像中确定的特征参数，所述多个样本图像为与所述待分类图像类别相同的图像；
输出单元，用于在所述相似参数满足预设相似参数范围的情况下，输出所述类别标签参数对应的标签信息，以利用所述标签信息对所述待分类图像进行场景识别。
在上述方案中，所述终端还包括训练单元；
所述输入单元，用于将所述多个样本图像输入原始图像分类模型的第一传输层，得到所述多个样本图像对应的多个第一参数信息，一个样本图像对应一个第一参数信息；将所述多个第一参数信息输入所述原始图像分类模型的第一卷积层，并基于所述第一卷积层的权重得到多个第一参数信息对应的多个样本标签参数，一个第一参数信息对应一个样本标签参数，所述第一卷积层为在所述第一传输层之后执行的下一传输层；
所述确定单元，用于根据所述多个样本标签参数和所述多个样本图像对应的标准样本标签参数，确定所述原始图像分类模型的损失值；
所述训练单元，用于利用所述损失值对所述原始图像分类模型进行训练，得到所述图像分类模型。
本申请实施例又提供了一种终端，所述终端包括：
存储器、处理器和通信总线，所述存储器通过所述通信总线与所述处理器进行通信，所述存储器存储所述处理器可执行的图像分类程序，当所述图像分类程序被执行时，通过所述处理器执行上述所述的图像处理方法。
本申请实施例提供了一种存储介质，其上存储有计算机程序，应用于终端，其特征在于，该计算机程序被处理器执行时实现上述所述的图像处理方法。
本发明实施例提供了一种图像处理方法及终端、存储介质，图像处理方法包括：将待分类图像输入图像分类模型中，得到待分类图像对应的类别标签参数；确定类别标签参数和平均特征参数之间的相似参数，平均特征参数为利用图像分类模型从多个样本图像中确定的特征参数，多个样本图像为与待分类图像类别相同的图像；在相似参数满足预设相似参数范围的情况下，输出类别标签参数对应的标签信息，以利用标签信息对待分类图像的进行场景识别。采用上述方法实现方案，终端通在利用图像分类模型得到待分类图像的类别标签参数时，终端可先确定该类别标签参数与平均特征参数之间的相似度，当该相似度满足预设参数范围的情况下，终端才会输出该类别标签参数对应的标签信息，而不是终端在根据图像分类模型得到待分类图像的类别标签参数时，就直接输出根据该类别标签参数对应的标签信息，提高了终端输出的待分类图像对应的分类标签的准确性。
附图说明
图1为本申请实施例提供的一种示例性的深度残差网络的网络结构示意图；
图2为本申请实施例提供的一种示例性的CNN图像分类模型的训练阶段与推断阶段结构示意图；
图3为本申请实施例提供的一种示例性的图像分类模型的模型训练部分的流程图；
图4为本申请实施例提供的一种示例性的CNN图像分类模型的推断阶段结构示意图；
图5为本申请实施例提供的一种图像处理方法流程图；
图6为本申请实施例提供的一种示例性的图像分类模型的推断阶段的结构示意图一；
图7为本申请实施例提供的一种示例性的图像分类模型的推断阶段和训练阶段的结构示意图；
图8为本申请实施例提供的一种示例性的终端训练原始图像分类模型的流程图；
图9为本申请实施例提供的一种示例性的图像处理方法流程图；
图10为本申请实施例提供的一种示例性的终端训练原始图像分类模型的流程图；
图11为本申请实施例提供的一种终端的组成结构示意图一；
图12为本申请实施例提供的一种终端的组成结构示意图二。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
图像分类，是根据图像在图像信息中所反映的特征，把不同类别的图像区分开来的图像处理方法，传统图像分类可以划分为基于纹理、形状、空间关系等方法。近年来，深度学习是计算机视觉热门方向，图像分类是计算机视觉中基础的任务，基于卷积神经网络(Convolutional Neural Networks，CNN)的图像分类技术更是被应用到实际场景中。深度学习对于图像分类方法是使用一个由卷积神经网络的模型进行端到端的输出，即输入是一张图片，输出为该图片的标签，省去传统算法特征提取等的复杂部分的计算。
CNN的图像分类模型通常包括：卷积层(Convolution)、池化层(Pooling)、BN层(Batch Normalization)、激活层(Relu)、Softmax层、损失层(Loss)。
经典的深度残差网络的网络结构如图1所示：
深度残差网络的网络结构输入杆、阶段1、阶段2、阶段3和阶段4和输出这6部分，其中，输入杆的输入部分为横轴有224个点、纵轴有224个点且通道数为3的数据信息，输入杆部分具体包括卷积层和池化层，输入杆的输出为横轴有56个点、纵轴有56个点且通道数为64的数据信息；阶段1、阶段2、阶段3和阶段4中各层之间的排列方式相同，不同的是不同的阶段中处理的待处理图像对于应的数据形式不同，其中阶段1、阶段2、阶段3和阶段4中都包括卷积层、归一化层、激活层。
CNN的图像分类模型可以分为训练阶段与推断阶段：
一、训练阶段，待分类图像经过图像分类模型得到该待分类图像的类别标签参数对应的标签信息，这个过程称为正向传播，根据GT与标签信息得到当前图像分类模型的损失；使用计算出的损失通过梯度下降算法从标签信息开始往前计算图像分类模型中各层的损失并更新各层的权重，这个过程称为反向传播。如图2所示，当将待分类图像输入至图像分类模型时，该待分类图片经过图像分类模型中的卷积层、归一化层、激活层、池化层…第一卷积层和分类网络层就直接得到了该待分类图片对应的标签信息，即图像分类模型的向前传播过程。图像分类模型的损失层根据该类别信息和GT就可以计算得到图像分类模型的损失，利用该损失通过梯度下降算法从分类网络层开始往前计算图像分类模型中各层的损失，并更新各层的权重，即图像分类模型反向传播过程，从而得到训练后的图像分类模型。
具体的，如图3所示，通过使用数据集的图片(多个样本图像)不断进行前向、反向传播训练可以得到训练后的图像分类模型，目前的图像分类模型训练流程如下：
1、服务器确定选择原始图像分类模型。
2、服务器确定多个样本图像。
3、服务器将多个样本图像输入至原始图像分类模型中，确定该原始图像分类模型是否收敛。
4、当服务器确定出原始图像分类模型不收敛时，服务器利用多个样本图像确定原始图像分类模型的损失。
5、服务器利用原始图像分类模型的损失，更新原始图像分类模型中每一层的权重，得到更新图像分类模型。
6、当服务器确定出更新图像分类模型收敛时，服务器将更新图像分类模型作为图像分类模型。
7、当服务器确定出原始图像分类模型收敛时，服务器就将该原始图像分类模型作为图像分类模型。
二、推断阶段，推断阶段是输入一张待分类图片经过图像分类模型得到该待分类图片对应的标签信息，即一次正向传播，如图4所示。当将待分类图像输入至图像分类模型时，该图片经过图像分类模型中的卷积层、归一化层、激活层、池化层…第一卷积层和分类网络层就直接得到了该待分类图片对应的标签信息，即分类网络模型向前传播过程。
对于手机中的图像分类模型而言，往往比预期要碰到的问题更多。目前对于CNN图像分类模型的训练，都是在服务器端完成，因为CNN图像分类模型的训练需要更高的硬件参数配置，在手机上的硬件参数配置较低，利用手机对图像分类模型进行训练时的难度比较大。目前主流的手机通常只优化图像分类模型推断过程，并没有优化图像分类模型的训练过程；当用户需要增加一些新的图像数据或者类别图像时，手机会通过网络传输的方式将新的图像数据或者类别图像上传至服务器，服务器使用新新的图像数据或者类别图像对图像分类模型进行训练，然后将训练完成的图像分类模型回传至终端。这种图像分类模型的训练方式比较低效而且对用户使用并不友好。
手机应用场景的特点是开放性，因此，当使用分类模型的场景识别时，用户可能会使用图像分类模型识别一些训练集以外的场景，这对于场景识别分类网络的鲁棒性与泛化能力要求很高。目前常用的方法是在出现误识别与漏识别的情况下，加入对对应的图片，从而对图像分类模型进行优化。可以知道的是，如此方法是低效以及滞后严重，往往要等到用户反馈才进行修正，最后可能导致用户对此功能使用频率很低。
对于现有技术中存在的问题，具体可通过实施例一和实施例二中的方法进行解决。
实施例一
本申请实施例提供了一种设备连接方法，图5为本申请实施例提供的一种设备连接方法流程图一，如图5所示，设备连接方法可以包括：
S101、将待分类图像输入图像分类模型中，得到待分类图像对应的类别标签参数。
本申请实施例提供的一种图像处理方法适用于终端利用图像分类模型对待分类图像进行场景识别的场景下。
在本申请实施例中，待分类图像可以为终端接收到的需要确定类别标签的图像，具体的，待分类图像可以为人脸图像、风景图像、动物图像、植物图像、手势图像等等，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，类别标签参数为描述待分类图像特征的标签参数，具体的，该类别标签参数可以为待处理图像的像素值参数，也可以为待处理图像的轮廓特征参数，还可以为待处理图像的纹理特征参数等，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，终端将待分类图像输入图像分类模型中，得到待分类图像对应的类别标签参数之前，终端会将多个样本图像输入原始图像分类模型的第一传输层，得到多个样本图像对应的多个第一参数信息；当终端得到多个样本图像对应的多个第一参数信息之后，终端就将多个第一参数信息输入原始图像分类模型的第一卷积层，并基于第一卷积层的权重得到多个第一参数信息对应的多个样本标签参数；当终端得到多个第一参数信息对应的多个样本标签参数之后，终端就根据多个样本标签参数和多个样本图像对应的标准样本标签参数，确定原始图像分类模型的损失值；当终端确定出原始图像分类模型的损失值之后，终端就利用损失值对原始图像分类模型进行训练，得到图像分类模型。
需要说明的是，一个样本图像对应一个第一参数信息，一个第一参数信息对应一个样本标签参数。
需要说明的是，第一卷积层为在第一传输层之后执行的下一传输层。
在本申请实施例中，第一传输层可以包括卷积层、归一化层、激活层池化层等等，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
需要说明的是，卷积层可以为向量卷积运算层；激活层可以为线性整流函数(Rectified Linear Unit，relu)激活层，激活层也可以为双曲函数(Hyperbolicfunction，Tanh)激活层，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，多个样本图像为与该待处理图像类别相同的图像。
在本申请实施例中，终端根据多个样本标签参数和多个样本图像对应的标准样本标签参数，确定原始图像分类模型的损失值的过程，可以为终端获取多个样本标签参数与多个样本图像对应的标准样本标签参数之间的多个差值，终端将该多个差值的平均值作为原始图像分类模型的损失值；终端也可以获取多个样本标签参数与多个样本图像对应的标准样本标签参数之间的多个商，并将该多个商的平均值作为原始图像分类模型的损失值；终端还可以获取多个样本标签参数对应的参数向量与多个样本图像对应的标准样本标签参数对应的参数向量之间的多个余弦值，并将该多个余弦值的平均值作为原始图像分类模型的损失值，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，终端利用损失值对原始图像分类模型进行训练，得到图像分类模型的过程，包括：终端在确定出损失值不满足预设参数范围的情况下，终端就迭代调整原始图像分类模型中的第一卷积层的权重，得到迭代图像分类模型；终端在得到迭代图像分类模型之后，终端就利用多个第一参数信息对迭代图像分类模型进行训练，直至得到图像分类模型；终端在确定出损失值满足预设参数范围的情况下，终端就将原始图像分类模型作为图像分类模型。
需要说明的是，第一卷积层为原始图像分类模型中的最后一层的卷积层。
在本申请实施例中，终端还可以迭代调整原始图像分类模型中的第一卷积层的权重，得到迭代图像分类模型，以利用多个第一参数信息对迭代图像分类模型进行训练，直至得到图像分类模型的过程中，统计原始图像分类模型进行训练的次数信息，当该次数信息达到预设次数阈值时，则终端停止对该原始图像分类模型进行训练，从而得到图像分类模型。
在本申请实施例中，终端利用多个样本图像对原始图像分类模型进行训练的过程中，终端可以统计原始图像分类模型进行训练的次数信息，当该次数信息达到预设次数阈值时，则终端停止对该原始图像分类模型进行训练，从而得到图像分类模型；终端也可以确定迭代图像分类模型对应的迭代损失值，终端在确定出该迭代损失值满足预设参数范围的情况下，终端就将该迭代图像分类模型作为图像分类模型，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
可以理解的是，由于终端在对原始图像分类模型进行训练时，只调整原始图像分类模型中的第一卷积层的权重，并不改变图像分类模型中的其他卷积层的权重，减少了对原始图像分类模型进行训练时的计算量，使得终端就可以直接利用多个样本图像对原始图像分类模型进行训练，不需要终端将该多个样本图像传输至服务器中，利用服务器对原始图像分类模型进行训练，不需要终端再向服务器发送多个样本图像了，减少了网络传输的数据量，减少了网络资源的利用，降低了服务器的维护成本。
在本申请实施例中，终端利用损失值对原始图像分类模型进行训练，得到图像分类模型之后，包括：终端将多个第一参数信息输入图像分类模型的第一卷积层，并基于调整后的第一卷积层的权重得到多个第一样本标签参数；当终端得到多个第一样本标签参数之后，终端就确定多个第一样本标签参数的平均值；当终端确定出多个第一样本标签参数的平均值之后，终端就将该平均值作为平均特征参数。
需要说明的是，一个第一样本标签参数对应一个样本图像。
在本申请实施例中，终端可以根据多个第一样本标签参数的平均值，得到平均特征参数，终端还可以根据多个第一样本标签参数对应的权重，得到平均特征参数，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，终端可以将多个第一样本标签参数的平均值，作为平均特征参数；终端也可以先对多个第一样本标签参数进行归一化处理，然后将归一化处理之后的多个第一样本标签参数的平均值，作为平均特征参数，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，终端对多个第一样本标签参数进行归一化处理的方式，可以为终端对多个第一样本标签参数中的每一个参数值除以预设调整值；也可以为终端对多个第一样本标签参数中的每一个参数值乘以预设调整值；还可以为终端对多个第一样本标签参数中的每一个参数值加上预设调整值；也可以为终端对多个第一样本标签参数中的每一个参数值减去预设调整值，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
需要说明的是，预设调整值可以为终端中配置的调整值，也可以为终端接收到指令中携带的参数值，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，终端将待分类图像输入图像分类模型中，得到待分类图像对应的类别标签参数的过程，具体包括：终端将待分类图像输入图像分类模型中，得到待分类图像的图像特征参数；终端得到待分类图像的图像特征参数之后，终端就利用图像分类模型对图像特征参数进行归一化处理，得到类别标签参数。
在本申请实施例中，当终端将待分类图像输入至图像分类模型时，图像分类模型的第一传输层就确定出了该待分类图像对应的待分类图像特征参数，图像分类模型中的第一卷积层对该待分类图像特征参数进行处理之后，终端就得到了该待分类图像的图像特征参数。
在本申请实施例中，图像分类模型还包括分类网络层，终端利用图像分类模型对图像特征参数进行归一化处理，得到类别标签参数的方式，可以为终端利用分类网络层对图像特征参数中的每一个参数值除以预设调整值；也可以为终端利用分类网络层对该图像特征参数中的每一个参数值乘以预设调整值；还可以为终端利用分类网络层对该图像特征参数中的每一个参数值加上预设调整值；也可以为终端利用分类网络层对该图像特征参数中的每一个参数值减去预设调整值，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
S102、确定类别标签参数和平均特征参数之间的相似参数，平均特征参数为利用图像分类模型从多个样本图像中确定的特征参数，多个样本图像为与待分类图像类别相同的图像。
在本申请实施例中，当终端利用图像分类模型得到待分类图像对应的类别标签参数之后，终端就可以确定类别标签参数和平均特征参数之间的相似参数了。
在本申请实施例中，终端确定类别标签参数和平均特征参数之间的相似参数的过程，可以为终端确定图像特征参数对应的第一特征向量和平均特征参数对应的第二特征向量；当终端确定出图像特征参数对应的第一特征向量和平均特征参数对应的第二特征向量之后，终端就确定第一特征向量的二范式和第二特征向量的二范式；当终端确定出第一特征向量的二范式和第二特征向量的二范式之后，终端就可以根据第一特征向量、第二特征向量、第一特征向量的二范式和第二特征向量的二范式，确定相似参数了。
在本申请实施例中，图像特征参数中包括多个图像特征参数值，终端可以将该多个图像特征参数值转化成向量的形式，从而得到第一特征向量。
在本申请实施例中，平均特征参数中包括多个平均特征参数值，终端可以将该多个平均特征参数值转化成向量的形式，从而得到第二特征向量。
在本申请实施例中，第一特征向量和第二特征向量均可以为一维向量，也可以为多维向量，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，终端可以分别获取第一特征向量与第二特征向量之间的第一乘积，以及第一特征向量的二范式和第二特征向量的二范式之间的第二乘积，然后将该第一乘积与第二乘积之间的商，作为相似参数。
示例性的，第一特征向量可以为Fcur，第二特征向量可以为Favg，第一特征向量的二范式可以为||Fcur||，第二特征向量的二范式可以为||Favg||，相似参数可以为cos<Fcur,Favg>，则终端可以通过公式(1)确定出相似参数，即，终端分别确定第一特征向量可以为Fcur和第二特征向量可以为Favg之间的第一乘积，以及第一特征向量的二范式可以为||Fcur||和第二特征向量的二范式可以为||Favg||之间的第二乘积，终端根据第一乘积与第二乘积之间的商，就可以得到相似参数。
Figure BDA0002509834440000131
S103、在相似参数满足预设相似参数范围的情况下，输出类别标签参数对应的标签信息，以利用标签信息对待分类图像的进行场景识别。
在本申请实施例中，当终端确定出类别标签参数和平均特征参数之间的相似参数之后，终端就对该相似参数进行判断，终端在确定出该相似参数满足预设相似参数范围的情况下，终端就输出类别标签参数对应的标签信息。
需要说明的是，预设相似性参数范围可以为终端中配置的相似性参数范围，也可以为终端接收到指令中携带的相似性参数范围，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
示例性的，预设相似参数范围可以为0.8-1，当终端确定出来的图像特征参数和平均特征参数之间的相似参数为0.9时，则相似参数满足预设相似参数范围，当终端确定出来的图像特征参数和平均特征参数之间的相似参数为0.6时，则相似参数不满足预设相似参数范围。
在本申请实施例中，相似参数满足预设相似参数范围的过程，可以为相似参数大于预设相似参数范围，也可以为相似参数大于等于预设相似参数范围，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
示例性的，在图6中，当终端接收到多个样本图像时，终端就将该多个样本图像输入至原始图像分类模型中，对原始图像分类模型进行训练，得到图像分类模型。具体的，终端将该多个样本图像输入至原始图像分类模型时，该多个样本图像经过原始图像分类模型的第一传输层时，就可以得到多个样本图像的多个第一参数信息，该多个第一参数信息经过原始图像分类模型的第一卷积层后，就得到了多个样本图像的多个样本图像特征参数，该多个样本图像特征参数经过分类网络层后，终端就可以得到该多个样本图像的多个样本标签参数，终端利用原始图像分类模型中的损失层对多个样本标签参数和多个样本图像对应的标准样本标签参数(GT)进行计算，得到原始图像分类模型的损失值，此为原始图像分类模型的正向传播过程。终端得到原始图像分类模型的损失值之后，终端就确定该损失值是否满足预设参数范围，在终端确定出损失值不满足预设参数范围的情况下，终端就调整原始图像分类模型中的第一卷积层的权重，得到迭代图像分类模型，此为原始图像分类模型的反向传播过程。终端迭代调整原始图像分类模型中的第一卷积层的权重，得到迭代图像分类模型，以利用多个第一参数信息对迭代图像分类模型进行训练，直至得到图像分类模型。
需要说明的是，第一传输层包括卷积层、归一化层、激活层、池化层…，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
需要说明的是，第一卷积层之后的传输层为分类网络层，第一卷积层之间为第一传输层。
示例性的，当终端利用多个样本图像对原始图像分类模型进行训练，得到图像分类模型后，终端就可以利用该图像分类模型确定平均特征参数了。具体的，如图7所示：终端可以将多个样本图像输入至该图像分类模型中，进过该图像分类模型的卷积层、归一化层、激活层、池化层…和第一卷积层之后，终端就得到了多个样本图像特征参数，终端通过计算该多个样本图像特征参数的平均值，终端就得到了该多个样本图像的平均特征参数。
在本申请实施例中，终端还可以根据在迭代损失值满足预设参数范围情况下，对迭代损失值对应的多个样本图像特征参数求平均值，来得到平均特征参数，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
示例性的，当终端接收到待分类图像时，终端就利用图8所示的图像分类流程对待分类图像进行分类。具体的，终端将该待分类图像输入至图像分类模型中，当待分类图像经过图像分类模型的卷积层、归一化层、激活层、池化层…第一卷积层时，图像分类模型就可以得到待分类图像的图像特征参数，当终端将图像特征参数输入图像分类模型的分类网络层时，终端就得到了待分类图像的类别标签参数，终端通过计算图像特征参数和平均特征参数的余弦值，在终端确定出余弦值满足预设相似参数范围时，终端就输出该类别标签参数对应的标签信息。
示例性的，图9为终端接收到待分类图像时对该待分类图像进行分类时的流程图：
11、终端接收待分类图像。
12、终端确定待分类图像对应的类别标签参数。
13、终端确定类别标签参数息与平均特征参数之间的相似参数。
在本申请实施例中，终端确定出待分类图像对应的类别标签参数之后，终端就根据该类别标签参数获取待分类图像对应的平均特征参数，根据类别标签参数和平均特征参数之间的相似参数来确定相似参数。
14、终端判断相似参数是否满足预设相似参数范围。
15、在终端确定出相似参数满足预设相似参数范围的情况下，终端输出类别标签信息。
在本申请实施例中，当终端确定出相似参数满足预设相似参数范围时，终端就输出待分类图像的类别标签信息。
16、在终端确定出相似参数不满足预设相似参数范围的情况下，终端输出提示信息。
在本申请实施例中，当终端确定出相似参数不满足预设相似参数范围时，终端就输出提示信息。
需要说明的是，提示信息可以为无法确定待分类图像对应的类别标签信息的信息。
示例性的，图10为终端确定训练原始图像分类模型时的方法流程图：
21、终端接收多个样本图像。
22、终端将多个样本图像输入至原始图像分类模型的第一传输层，得到多个样本图像对应的多个第一参数信息。
23、终端将多个第一参数信息输入原始图像分类模型的第一卷积层，并基于第一卷积层的权重得到多个第一参数信息对应的多个样本标签参数。
24、终端根据多个样本标签参数和多个样本图像对应的标准样本标签参数，确定原始图像分类模型的损失值。
25、终端判断损失值是否满足预设参数范围。
26、在终端确定出损失值不满足预设参数范围的情况下，迭代调整原始图像分类模型中的第一卷积层的权重，得到迭代图像分类模型，以利用多个第一参数信息对迭代图像分类模型进行训练，直至得到图像分类模型。
27、在终端确定出损失值满足预设参数范围的情况下，终端将原始图像分类模型作为图像分类模型。
可以理解的是，终端通在利用图像分类模型得到待分类图像的类别标签参数时，终端可先确定该类别标签参数与平均特征参数之间的相似度，当该相似度满足预设参数范围的情况下，终端才会输出该类别标签参数对应的标签信息，而不是终端在根据图像分类模型得到待分类图像的类别标签参数时，就直接输出根据该类别标签参数对应的标签信息，提高了终端输出的待分类图像对应的分类标签的准确性。
实施例二
基于实施例一同一发明构思，本申请实施例提供了一种终端1，对应于一种图像处理方法；图11为本申请实施例提供的一种终端的组成结构示意图一，该终端1可以包括：
输入单元11，用于将待分类图像输入图像分类模型中，得到所述待分类图像对应的类别标签参数；
确定单元12，用于确定所述类别标签参数和平均特征参数之间的相似参数，所述平均特征参数为利用所述图像分类模型从多个样本图像中确定的特征参数，所述多个样本图像为与所述待分类图像类别相同的图像；
输出单元13，用于在所述相似参数满足预设相似参数范围的情况下，输出所述类别标签参数对应的标签信息，以利用所述标签信息对所述待分类图像进行场景识别。
在本申请的一些实施例中，所述终端还包括训练单元；
所述输入单元11，用于将所述多个样本图像输入原始图像分类模型的第一传输层，得到所述多个样本图像对应的多个第一参数信息，一个样本图像对应一个第一参数信息；将所述多个第一参数信息输入所述原始图像分类模型的第一卷积层，并基于所述第一卷积层的权重得到多个第一参数信息对应的多个样本标签参数，一个第一参数信息对应一个样本标签参数，所述第一卷积层为在所述第一传输层之后执行的下一传输层；
所述确定单元12，用于根据所述多个样本标签参数和所述多个样本图像对应的标准样本标签参数，确定所述原始图像分类模型的损失值；
所述训练单元，用于利用所述损失值对所述原始图像分类模型进行训练，得到所述图像分类模型。
在本申请的一些实施例中，所述终端还包括调整单元；
所述调整单元，用于在所述损失值不满足所述预设参数范围的情况下，迭代调整所述原始图像分类模型中的第一卷积层的权重，得到迭代图像分类模型；
所述训练单元，用于利用所述多个第一参数信息对所述迭代图像分类模型进行训练，直至得到所述图像分类模型；
所述确定单元12，用于在所述损失值满足预设参数范围的情况下，将所述原始图像分类模型作为所述图像分类模型。
在本申请的一些实施例中，所述确定单元12，用于将所述多个第一参数信息输入所述图像分类模型的第一卷积层，并基于调整后的第一卷积层的权重得到多个第一样本标签参数；确定所述多个第一样本标签参数的平均值；将所述平均值作为所述平均特征参数。
在本申请的一些实施例中，所述终端还包括处理单元；
所述输入单元11，用于将待分类图像输入图像分类模型中，得到所述待分类图像的图像特征参数；
所述处理单元，用于利用所述图像分类模型对所述图像特征参数进行归一化处理，得到所述类别标签参数。
在本申请的一些实施例中，所述确定单元12，用于确定所述图像特征参数对应的第一特征向量和所述平均特征参数对应的第二特征向量；确定所述第一特征向量的二范式和所述第二特征向量的二范式；根据所述第一特征向量、所述第二特征向量、所述第一特征向量的二范式和所述第二特征向量的二范式，确定所述相似参数。
需要说明的是，在实际应用中，上述输入单元11、确定单元12和输出单元13可由终端1上的处理器14实现，具体为CPU(Central Processing Unit，中央处理器)、MPU(Microprocessor Unit，微处理器)、DSP(Digital Signal Processing，数字信号处理器)或现场可编程门阵列(FPGA，Field Programmable Gate Array)等实现；上述数据存储可由终端1上的存储器15实现。
本发明实施例还提供了一种终端1，如图12所示，所述终端1包括：处理器14、存储器15和通信总线16，所述存储器15通过所述通信总线16与所述处理器14进行通信，所述存储器15存储所述处理器14可执行的程序，当所述程序被执行时，通过所述处理器14执行如上述所述的图像处理方法。
在实际应用中，上述存储器15可以是易失性存储器(volatile memory)，例如随机存取存储器(Random-Access Memory，RAM)；或者非易失性存储器(non-volatile memory)，例如只读存储器(Read-Only Memory，ROM)，快闪存储器(flash memory)，硬盘(Hard DiskDrive，HDD)或固态硬盘(Solid-State Drive，SSD)；或者上述种类的存储器的组合，并向处理器14提供指令和数据。
本发明实施例提供了一种计算机可读存储介质，其上有计算机程序，所述程序被处理器14执行时实现如上述所述的图像处理方法。
可以理解的是，终端通在利用图像分类模型得到待分类图像的类别标签参数时，终端可先确定该类别标签参数与平均特征参数之间的相似度，当该相似度满足预设参数范围的情况下，终端才会输出该类别标签参数对应的标签信息，而不是终端在根据图像分类模型得到待分类图像的类别标签参数时，就直接输出根据该类别标签参数对应的标签信息，提高了终端输出的待分类图像对应的分类标签的准确性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (10)

1.一种图像处理方法，其特征在于，所述方法包括：
将待分类图像输入图像分类模型中，得到所述待分类图像对应的类别标签参数；
确定所述类别标签参数和平均特征参数之间的相似参数，所述平均特征参数为利用所述图像分类模型从多个样本图像中确定的特征参数，所述多个样本图像为与所述待分类图像类别相同的图像；
在所述相似参数满足预设相似参数范围的情况下，输出所述类别标签参数对应的标签信息，以利用所述标签信息对所述待分类图像进行场景识别。
2.根据权利要求1所述的方法，其特征在于，所述将待分类图像输入图像分类模型中，得到所述待分类图像对应的类别标签参数之前，所述方法还包括：
将所述多个样本图像输入原始图像分类模型的第一传输层，得到所述多个样本图像对应的多个第一参数信息，一个样本图像对应一个第一参数信息；
将所述多个第一参数信息输入所述原始图像分类模型的第一卷积层，并基于所述第一卷积层的权重得到多个第一参数信息对应的多个样本标签参数，一个第一参数信息对应一个样本标签参数，所述第一卷积层为在所述第一传输层之后执行的下一传输层；
根据所述多个样本标签参数和所述多个样本图像对应的标准样本标签参数，确定所述原始图像分类模型的损失值；
利用所述损失值对所述原始图像分类模型进行训练，得到所述图像分类模型。
3.根据权利要求2所述的方法，其特征在于，所述利用所述损失值对所述原始图像分类模型进行训练，得到所述图像分类模型，包括：
在所述损失值不满足所述预设参数范围的情况下，迭代调整所述原始图像分类模型中的第一卷积层的权重，得到迭代图像分类模型；
利用所述多个第一参数信息对所述迭代图像分类模型进行训练，直至得到所述图像分类模型；
在所述损失值满足预设参数范围的情况下，将所述原始图像分类模型作为所述图像分类模型。
4.根据权利要求2所述的方法，其特征在于，所述利用所述损失值对所述原始图像分类模型进行训练，得到所述图像分类模型之后，所述方法还包括：
将所述多个第一参数信息输入所述图像分类模型的第一卷积层，并基于调整后的第一卷积层的权重得到多个第一样本标签参数；
确定所述多个第一样本标签参数的平均值；
将所述平均值作为所述平均特征参数。
5.根据权利要求1所述的方法，其特征在于，所述将待分类图像输入图像分类模型中，得到所述待分类图像对应的类别标签参数，包括：
将待分类图像输入图像分类模型中，得到所述待分类图像的图像特征参数；
利用所述图像分类模型对所述图像特征参数进行归一化处理，得到所述类别标签参数。
6.根据权利要求5所述的方法，其特征在于，所述确定所述类别标签参数和平均特征参数之间的相似参数，包括：
确定所述图像特征参数对应的第一特征向量和所述平均特征参数对应的第二特征向量；
确定所述第一特征向量的二范式和所述第二特征向量的二范式；
根据所述第一特征向量、所述第二特征向量、所述第一特征向量的二范式和所述第二特征向量的二范式，确定所述相似参数。
7.一种终端，其特征在于，所述终端包括：
输入单元，用于将待分类图像输入图像分类模型中，得到所述待分类图像对应的类别标签参数；
确定单元，用于确定所述类别标签参数和平均特征参数之间的相似参数，所述平均特征参数为利用所述图像分类模型从多个样本图像中确定的特征参数，所述多个样本图像为与所述待分类图像类别相同的图像；
输出单元，用于在所述相似参数满足预设相似参数范围的情况下，输出所述类别标签参数对应的标签信息，以利用所述标签信息对所述待分类图像进行场景识别。
8.根据权利要求7所述的终端，其特征在于，所述终端还包括训练单元；
所述输入单元，用于将所述多个样本图像输入原始图像分类模型的第一传输层，得到所述多个样本图像对应的多个第一参数信息，一个样本图像对应一个第一参数信息；将所述多个第一参数信息输入所述原始图像分类模型的第一卷积层，并基于所述第一卷积层的权重得到多个第一参数信息对应的多个样本标签参数，一个第一参数信息对应一个样本标签参数，所述第一卷积层为在所述第一传输层之后执行的下一传输层；
所述确定单元，用于根据所述多个样本标签参数和所述多个样本图像对应的标准样本标签参数，确定所述原始图像分类模型的损失值；
所述训练单元，用于利用所述损失值对所述原始图像分类模型进行训练，得到所述图像分类模型。
9.一种终端，其特征在于，所述终端包括：
存储器、处理器和通信总线，所述存储器通过所述通信总线与所述处理器进行通信，所述存储器存储所述处理器可执行的图像处理程序，当所述图像处理程序被执行时，通过所述处理器执行如权利要求1至6任一项所述的方法。
10.一种存储介质，其上存储有计算机程序，应用于终端，其特征在于，该计算机程序被处理器执行时实现权利要求1至6任一项所述的方法。
CN202010457562.4A 2020-05-26 2020-05-26 一种图像处理方法及终端、存储介质 Pending CN111626353A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010457562.4A CN111626353A (zh) 2020-05-26 2020-05-26 一种图像处理方法及终端、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010457562.4A CN111626353A (zh) 2020-05-26 2020-05-26 一种图像处理方法及终端、存储介质

Publications (1)

Publication Number Publication Date
CN111626353A true CN111626353A (zh) 2020-09-04

Family

ID=72260023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010457562.4A Pending CN111626353A (zh) 2020-05-26 2020-05-26 一种图像处理方法及终端、存储介质

Country Status (1)

Country Link
CN (1) CN111626353A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764208A (zh) * 2018-06-08 2018-11-06 Oppo广东移动通信有限公司 图像处理方法和装置、存储介质、电子设备
CN108875779A (zh) * 2018-05-07 2018-11-23 深圳市恒扬数据股份有限公司 神经网络的训练方法、装置及终端设备
CN108921040A (zh) * 2018-06-08 2018-11-30 Oppo广东移动通信有限公司 图像处理方法和装置、存储介质、电子设备
US20190108411A1 (en) * 2017-10-11 2019-04-11 Alibaba Group Holding Limited Image processing method and processing device
CN110135505A (zh) * 2019-05-20 2019-08-16 北京达佳互联信息技术有限公司 图像分类方法、装置、计算机设备及计算机可读存储介质
CN110414432A (zh) * 2019-07-29 2019-11-05 腾讯科技（深圳）有限公司 对象识别模型的训练方法、对象识别方法及相应的装置
CN110472675A (zh) * 2019-07-31 2019-11-19 Oppo广东移动通信有限公司 图像分类方法、图像分类装置、存储介质与电子设备
CN110659646A (zh) * 2019-08-21 2020-01-07 北京三快在线科技有限公司 一种多任务证件图像自动处理方法、装置、设备及可读存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190108411A1 (en) * 2017-10-11 2019-04-11 Alibaba Group Holding Limited Image processing method and processing device
CN108875779A (zh) * 2018-05-07 2018-11-23 深圳市恒扬数据股份有限公司 神经网络的训练方法、装置及终端设备
CN108764208A (zh) * 2018-06-08 2018-11-06 Oppo广东移动通信有限公司 图像处理方法和装置、存储介质、电子设备
CN108921040A (zh) * 2018-06-08 2018-11-30 Oppo广东移动通信有限公司 图像处理方法和装置、存储介质、电子设备
CN110135505A (zh) * 2019-05-20 2019-08-16 北京达佳互联信息技术有限公司 图像分类方法、装置、计算机设备及计算机可读存储介质
CN110414432A (zh) * 2019-07-29 2019-11-05 腾讯科技（深圳）有限公司 对象识别模型的训练方法、对象识别方法及相应的装置
CN110472675A (zh) * 2019-07-31 2019-11-19 Oppo广东移动通信有限公司 图像分类方法、图像分类装置、存储介质与电子设备
CN110659646A (zh) * 2019-08-21 2020-01-07 北京三快在线科技有限公司 一种多任务证件图像自动处理方法、装置、设备及可读存储介质

Similar Documents

Publication Publication Date Title
JP6806412B2 (ja) パターン認識に適用可能なモデルを最適化するための方法および装置ならびに端末デバイス
KR102068576B1 (ko) 합성곱 신경망 기반 이미지 처리 시스템 및 방법
EP4156017A1 (en) Action recognition method and apparatus, and device and storage medium
CN113326930B (zh) 数据处理方法、神经网络的训练方法及相关装置、设备
TW202141358A (zh) 圖像修復方法及裝置、存儲介質、終端
CN113095512A (zh) 联邦学习建模优化方法、设备、介质及计算机程序产品
CN111988614B (zh) 哈希编码优化方法、设备及可读存储介质
CN107423306B (zh) 一种图像检索方法及装置
US20200349447A1 (en) Optimizing Unsupervised Generative Adversarial Networks via Latent Space Regularizations
US20240135643A1 (en) Information processing method, computer device, and storage medium
WO2023103864A1 (zh) 抵抗联邦学习中歧视传播的节点模型的更新方法
Yan et al. Improved target detection algorithm based on YOLO
CN114783022B (zh) 一种信息处理方法、装置、计算机设备及存储介质
CN114972850A (zh) 多分支网络的分发推理方法、装置、电子设备及存储介质
CN114821404A (zh) 一种信息处理方法、装置、计算机设备及存储介质
CN113536939B (zh) 一种基于3d卷积神经网络的视频去重方法
WO2024060839A9 (zh) 对象操作方法、装置、计算机设备以及计算机存储介质
WO2021057926A1 (zh) 一种神经网络模型训练方法及装置
EP4345771A1 (en) Information processing method and apparatus, and computer device and storage medium
CN111931698A (zh) 基于小型训练集的图像深度学习网络构建方法及装置
CN111626353A (zh) 一种图像处理方法及终端、存储介质
CN115909441A (zh) 人脸识别模型建立方法、人脸识别方法和电子设备
TWI732467B (zh) 訓練稀疏連接神經網路的方法
CN116644783A (zh) 模型训练方法、对象处理方法及装置、电子设备、介质
CN112633517A (zh) 一种机器学习模型的训练方法、计算机设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200904