CN113222983A - 图像处理方法、装置、可读介质和电子设备 - Google Patents

图像处理方法、装置、可读介质和电子设备 Download PDF

Info

Publication number
CN113222983A
CN113222983A CN202110621440.9A CN202110621440A CN113222983A CN 113222983 A CN113222983 A CN 113222983A CN 202110621440 A CN202110621440 A CN 202110621440A CN 113222983 A CN113222983 A CN 113222983A
Authority
CN
China
Prior art keywords
image
target
encoder
preset
layer
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
CN202110621440.9A
Other languages
English (en)
Inventor
佘琪
张天远
李映虹
肖梅峰
王长虎
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.)
Beijing Youzhuju Network Technology Co Ltd
Original Assignee
Beijing Youzhuju Network 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 Beijing Youzhuju Network Technology Co Ltd filed Critical Beijing Youzhuju Network Technology Co Ltd
Priority to CN202110621440.9A priority Critical patent/CN113222983A/zh
Publication of CN113222983A publication Critical patent/CN113222983A/zh
Priority to PCT/CN2022/089240 priority patent/WO2022252881A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10016Video; Image sequence
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种图像处理方法、装置、可读介质和电子设备,涉及图像处理技术领域,该方法包括:获取待处理视频中的目标图像,根据目标图像,通过预先训练的图像检测模型,确定目标图像对应的图像检测信息,其中,图像检测模型包括目标卷积层和处理层,目标卷积层用于提取目标图像的特征,处理层用于根据目标图像的特征确定图像检测信息,图像检测信息用于指示目标图像是否为异常图像,目标卷积层为第一编码器中的卷积层,第一编码器为利用无标注样本集对预设网络进行训练得到的,处理层为利用标注样本集对预设神经网络层进行训练得到的,在图像检测信息指示目标图像为异常图像的情况下,对目标图像进行异常图像处理。

Description

图像处理方法、装置、可读介质和电子设备
技术领域
本公开涉及图像处理技术领域,具体地,涉及一种图像处理方法、装置、可读介质和电子设备。
背景技术
随着互联网技术的不断发展,网络上用户上传的视觉信息也越来越多,其中存在大量的由恶意用户上传的高危视频,例如包含色情、吸毒、暴力、邪教以及各类低俗的视频。为了避免这些视频在互联网上流动带来的恶劣影响,需要对视频进行视频内容安全检测。
当前,主要是通过将视频中的图像输入到神经分类网络中,来判断该图像是否含有高危信息。然而,神经分类网络需要依赖大量的标注数据进行训练,但实际情况中由于数据的采集成本以及标注成本较高,通常很难获取到大量标注数据用以神经分类网络的训练。在标注数据较少的情况下,会降低判断图像是否含有高危信息的准确性。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供一种图像处理方法,所述方法包括:
获取待处理视频中的目标图像;
根据所述目标图像,通过预先训练的图像检测模型,确定所述目标图像对应的图像检测信息;
其中,所述图像检测模型包括目标卷积层和处理层,所述目标卷积层用于提取所述目标图像的特征,所述处理层用于根据所述目标图像的特征确定所述图像检测信息,所述图像检测信息用于指示所述目标图像是否为异常图像;所述目标卷积层为第一编码器中的卷积层,所述第一编码器为利用无标注样本集对预设网络进行训练得到的,所述处理层为利用标注样本集对预设神经网络层进行训练得到的;
在所述图像检测信息指示所述目标图像为异常图像的情况下,对所述目标图像进行异常图像处理。
第二方面,本公开提供一种图像处理装置,所述装置包括:
获取模块,用于获取待处理视频中的目标图像;
确定模块,用于根据所述目标图像,通过预先训练的图像检测模型,确定所述目标图像对应的图像检测信息;
其中,所述图像检测模型包括目标卷积层和处理层,所述目标卷积层用于提取所述目标图像的特征,所述处理层用于根据所述目标图像的特征确定所述图像检测信息,所述图像检测信息用于指示所述目标图像是否为异常图像;所述目标卷积层为第一编码器中的卷积层,所述第一编码器为利用无标注样本集对预设网络进行训练得到的,所述处理层为利用标注样本集对预设神经网络层进行训练得到的;
处理模块,用于在所述图像检测信息指示所述目标图像为异常图像的情况下,对所述目标图像进行异常图像处理。
第三方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
第四方面,本公开提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现本公开第一方面所述方法的步骤。
通过上述技术方案,本公开首先获取待处理视频中的目标图像,并根据目标图像,通过预先训练的图像检测模型,确定目标图像对应的图像检测信息,其中,图像检测模型包括目标卷积层和处理层,目标卷积层用于提取目标图像的特征,处理层用于根据目标图像的特征确定图像检测信息,图像检测信息用于指示目标图像是否为异常图像,目标卷积层为第一编码器中的卷积层,第一编码器为利用无标注样本集对预设网络进行训练得到的,处理层为利用标注样本集对预设神经网络层进行训练得到的,然后在图像检测信息指示目标图像为异常图像的情况下,对目标图像进行异常图像处理。本公开是在无标注样本集的基础上,结合标注样本集来训练得到图像检测模型,不需要依赖大量的标注数据来对图像检测模型进行训练,即便在没有大量的标注数据的情况下,也能够得到准确的图像检测模型,提高了通过图像检测模型确定的图像检测信息的准确性,从而及时地处理检测为异常图像的目标图像。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是根据一示例性实施例示出的一种图像处理方法的流程图;
图2是根据图1所示实施例示出的一种步骤102的流程图;
图3是根据一示例性实施例示出的一种训练图像检测模型的流程图;
图4是根据图3所示实施例示出的一种步骤202的流程图;
图5是根据一示例性实施例示出的另一种训练图像检测模型的流程图;
图6是根据一示例性实施例示出的一种图像处理装置的框图;
图7是根据图1所示实施例示出的一种确定模块的框图;
图8是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
在介绍本公开提供的图像处理方法、装置、可读介质和电子设备之前,首先对本公开各个实施例所涉及应用场景进行介绍。该应用场景可以是任一种需要检测图像是否为异常图像的场景,例如,该场景可以是通过检测视频中的图像是否为异常图像,来对视频进行视频内容安全检测的场景。其中,异常图像可以是包含色情、吸毒、暴力、邪教以及各类低俗等高危信息的图像,该图像可以是单独的图像(例如网络上的用户头像),也可以是视频(例如短视频平台、社交媒体中用户上传的视频)中的视频帧,本公开对此不作具体限制。
图1是根据一示例性实施例示出的一种图像处理方法的流程图。如图1所示,该方法可以包括以下步骤:
步骤101,获取待处理视频中的目标图像。
举例来说,为了避免高危视频在网络上流动带来的恶劣影响,可以采用视频内容安全检测的方式,对网络上的视频进行内容检测,以判断视频中是否存在高危信息。首先可以将需要进行内容检测的视频作为待处理视频,并从待处理视频中选取目标图像。选取目标图像的方式可以是:按照预设规则,对待处理视频进行抽帧,并将抽取到的待处理视频中的视频帧作为目标图像。其中,预设规则可以包括以下至少一种:
1)选取待处理视频中指定时刻对应的视频帧,指定时刻可以是预先设定的待处理视频中的某一时间点,也可以是将待处理视频均匀划分后的每个划分点所对应的时间点,此时相当于对待处理视频进行均匀抽帧,并将均匀抽帧得到的视频帧作为目标图像。
2)选取待处理视频中的关键帧,关键帧为待处理视频中包含信息最多的视频帧(即待处理视频中最完整的帧画面)。例如,可以选取待处理视频中的I帧(英文:Intra-coded picture,中文:帧内编码图像帧)作为关键帧。
3)选取待处理视频中的场景转换帧,场景转换帧与相邻视频帧的相似度小于或等于预设相似度阈值,相邻视频帧为待处理视频中与场景转换帧相邻,且位于场景转换帧之前的视频帧,场景转换帧用于表示视频进入了新的场景。例如,可以采用视频场景抽取算法,根据待处理视频中视频帧之间的相似度来选取场景转换帧,如果待处理视频中前一视频帧与后一视频帧的相似度小于或等于预设相似度阈值,则将后一视频帧作为场景转换帧。
步骤102,根据目标图像,通过预先训练的图像检测模型,确定目标图像对应的图像检测信息。
其中,图像检测模型包括目标卷积层和处理层,目标卷积层用于提取目标图像的特征,处理层用于根据目标图像的特征确定图像检测信息,图像检测信息用于指示目标图像是否为异常图像,目标卷积层为第一编码器中的卷积层,第一编码器为利用无标注样本集对预设网络进行训练得到的,处理层为利用标注样本集对预设神经网络层进行训练得到的。
示例地,获取到目标图像后,需要通过判断目标图像是否为异常图像,从而确定待处理视频是否为高危视频。为了降低判断目标图像是否为异常图像过程中对标注数据的依赖,可以预先采用无监督(或半监督)与监督相结合的方式来训练出一个用于检测图像是否为异常图像的模型。具体的,首先可以利用到网络上大量的无标注数据(即大量的各种类型的图像)作为无标注样本集,来对包括第一编码器的预设网络进行训练,并在对预设网络训练完成后,将第一编码器中的卷积层(可以是第一编码器中的全部或部分卷积层)作为目标卷积层。其中,第一编码器用于对无标注样本集中的图像进行特征提取,预设网络例如可以是在无标注样本集上采用对比学习(英文:Contrastive learning)的方式进行训练得到的。
然后,可以利用人工标注的标注数据作为标注样本集,并在标注样本集上对目标卷积层进行有监督的微调,以得到图像检测模型。图像检测模型可以根据输入的图像,输出该图像对应的用于指示该图像是否为异常图像的图像检测信息。例如,可以使用标注样本集对预设神经网络层进行训练,并在对预设神经网络层训练完成后,将训练好的预设神经网络层作为处理层。之后将目标卷积层与处理层进行拼接,并将拼接后得到的神经网络作为图像检测模型。其中,处理层用于根据输入的某一图像的图像特征,输出该图像对应的图像检测信息。通过采用无监督(或半监督)与监督相结合的方式来训练图像检测模型,可以高效地利用网络上大量的无标注数据,以在不提高标注成本的前提下,得到准确的图像检测模型,并提升图像检测模型的性能,进而提高了通过图像检测模型确定的图像检测信息的准确性。
进一步的,在得到图像检测模型后,可以将目标图像输入到图像检测模型中,以得到图像检测模型输出的图像检测信息。其中,图像检测信息可以是任一种能够指示目标图像为异常图像的信息。例如,图像检测信息可以是目标图像的图像类型,图像类型可以包括正常图像类型和异常图像类型,当目标图像的图像类型为异常图像类型时,图像检测信息指示目标图像为异常图像。异常图像类型可以包括色情、吸毒、暴力、邪教、昏暗以及低俗等类型,此时处理层用于执行图像类型的分类任务。再例如,图像检测信息可以是目标图像中能够反映目标图像为异常图像的异常物体图像,当图像检测信息包括异常物体图像时,图像检测信息指示目标图像为异常图像,此时处理层用于执行异常物体图像的检测任务或执行异常物体图像的分割任务。
步骤103,在图像检测信息指示目标图像为异常图像的情况下,对目标图像进行异常图像处理。
在本步骤中,在图像检测信息指示目标图像为异常图像的情况下,可以对目标图像进行异常图像处理。异常图像处理可以包括删除目标图像、对目标图像进行模糊化处理以及对目标图像进行标记中的任一种处理方式。此外,还可以将目标图像与待处理视频中的文本信息、音频信息相结合,以进一步判断目标图像是否异常图像,从而提高判断目标图像是否异常图像的准确性。
综上所述,本公开首先获取待处理视频中的目标图像,并根据目标图像,通过预先训练的图像检测模型,确定目标图像对应的图像检测信息,其中,图像检测模型包括目标卷积层和处理层,目标卷积层用于提取目标图像的特征,处理层用于根据目标图像的特征确定图像检测信息,图像检测信息用于指示目标图像是否为异常图像,目标卷积层为第一编码器中的卷积层,第一编码器为利用无标注样本集对预设网络进行训练得到的,处理层为利用标注样本集对预设神经网络层进行训练得到的,然后在图像检测信息指示目标图像为异常图像的情况下,对目标图像进行异常图像处理。本公开是在无标注样本集的基础上,结合标注样本集来训练得到图像检测模型,不需要依赖大量的标注数据来对图像检测模型进行训练,即便在没有大量的标注数据的情况下,也能够得到准确的图像检测模型,提高了通过图像检测模型确定的图像检测信息的准确性,从而及时地处理检测为异常图像的目标图像。
图2是根据图1所示实施例示出的一种步骤102的流程图。如图2所示,步骤102可以包括以下步骤:
步骤1021,对目标图像进行预处理,得到处理后的目标图像,预处理包括灰度化处理、几何变换处理和图像增强处理中的至少一种。
步骤1022,将处理后的目标图像,作为图像检测模型的输入,得到图像检测模型输出的图像检测信息。
举例来说,在获取到目标图像之后,可以先对目标图像进行预处理,得到处理后的目标图像。例如,可以依次对目标图像进行灰度化处理、几何变换处理和图像增强处理,以得到处理后的目标图像。通过预处理可以消除目标图像中的无关信息,恢复有关信息,同时增强有关信息的可检测性,并最大限度地简化数据,从而确保通过图像检测模型确定图像检测信息的准确性。然后,可以将处理后的目标图像,输入到图像检测模型中,得到图像检测模型输出的图像检测信息。
图3是根据一示例性实施例示出的一种训练图像检测模型的流程图。如图3所示,预设网络包括第一编码器和第二编码器,图像检测模型是通过以下方式训练得到的:
步骤201,获取无标注样本集和标注样本集。
其中,无标注样本集包括无标注图像样本,标注样本集包括标注图像样本以及标注图像样本对应的图像检测信息样本。
在一种场景中,首先可以获取包括无标注图像样本的无标注样本集。例如,可以从网络上(例如短视频平台上)收集大量视频,再对每个视频等间距采样5帧视频帧,并利用对每个视频采样到的5帧视频帧构建无标注样本集。进一步的,还可以将无标注样本集打包成arnold_dataset的格式,并上传到HDFS(英文:Hadoop Distributed File System,中文:分布式文件***)上,以方便在arnold集群上进行访问读取。然后,可以获取包括标注图像样本、标注图像样本对应的图像检测信息样本的标注样本集。例如,当某一标注图像样本为包括暴力信息的图像时,若处理层用于执行图像类型的分类任务,那么该标注图像样本对应的图像检测信息样本(即图像类型)则可以为暴力类型。
步骤202,根据无标注样本集对预设网络进行训练,并从训练好的预设网络包括的第一编码器的卷积层中,确定目标卷积层。
步骤203,根据标注样本集对预设神经网络层进行训练,并将训练好的预设神经网络层作为处理层。
示例地,若采用对比学习的方式对预设网络进行训练,当对第一编码器进行训练时,还需要维护一个结构与第一编码器相同的第二编码器,即预设网络包括第一编码器和第二编码器。在获取到无标注样本集之后,可以根据无标注样本集对预设网络进行训练,并在对预设网络训练完成后,将第一编码器中的卷积层作为目标卷积层。然后,可以根据标注样本集对预设神经网络层进行训练,并在对预设神经网络层训练完成后,将训练好的预设神经网络层作为处理层。其中,预设神经网络层可以是任意的decoder(中文:编码器)结构,也可以是MLP(英文:Muti-Layer Perception,中文:多层感知器),本公开对此不作具体限制。最后,可以在目标卷积层后拼接上处理层,以得到图像检测模型。
图4是根据图3所示实施例示出的一种步骤202的流程图。如图4所示,无标注图像样本为多个,步骤202可以包括以下步骤:
步骤2021,从多个无标注图像样本中选取第一数量个无标注图像样本。
步骤2022,针对第一数量个无标注图像样本中的每个无标注图像样本,将该无标注图像样本进行数据增广处理后,分别输入到第一编码器和第二编码器中,得到第一编码器输出的第一特征向量和第二编码器输出的第二特征向量。
举例来说,在对预设网络进行训练时,首先可以从无标注样本集包括的多个无标注图像样本中,选取第一数量个无标注图像样本(第一数量例如可以为256)构成一个Batch(中文:批)。之后可以依次针对第一数量个无标注图像样本中的每个无标注图像样本xi,利用随机数据增广变换,对该无标注图像样本xi进行数据增广处理,得到xi对应的正样本对
Figure BDA0003100068880000101
Figure BDA0003100068880000102
并将
Figure BDA0003100068880000103
Figure BDA0003100068880000104
分别输入到第一编码器和第二编码器中,得到第一编码器输出的第一特征向量qi和第二编码器输出的第二特征向量ki
步骤2023,根据每个无标注图像样本对应的第一特征向量和第二特征向量,对第一编码器和第二编码器进行更新。
循环执行步骤2021至步骤2023,直至循环执行的次数达到预设次数。
示例地,在获取到每个无标注图像样本对应的第一特征向量qi和第二特征向量ki后,可以将每个无标注图像样本对应的第二特征向量ki依次输入到预设队列中,并更新预设队列。其中,预设队列的元素数量为第二数量,第二数量小于或等于第一数量,预设队列可以是固定大小为65536的记忆队列(英文:Memory Bank),预设队列采用FIFO(英文:Firstin First out)的更新方式进行更新。接着可以根据每个无标注图像样本对应的第一特征向量和预设队列,对第一编码器进行更新,例如,可以使用每个无标注图像样本对应的第一特征向量qi和预设队列中的第二数量个元素计算对比损失函数(英文:contrastiveloss),并计算第一编码器的梯度,同时根据随机梯度下降法更新第一编码器。之后可以在第一编码器更新完成后,根据更新后的第一编码器,对第二编码器进行更新(即第二编码器在训练的过程中不计算梯度,但是当第一编码器每次更新后,第二编码器也会随之更新)。在对第二编码器更新完成后,相当于完成了对预设网络的一轮迭代训练,然后可以重复执行上述过程,直至对预设网络进行迭代训练的次数达到预设次数,以完成对预设网络的训练。
图5是根据一示例性实施例示出的另一种训练图像检测模型的流程图。如图5所示,预设网络包括第一编码器和第二编码器,图像检测模型是通过以下方式训练得到的:
步骤201,获取无标注样本集和标注样本集。
其中,无标注样本集包括无标注图像样本,标注样本集包括标注图像样本以及标注图像样本对应的图像检测信息样本。
步骤202,根据无标注样本集对预设网络进行训练,并从训练好的预设网络包括的第一编码器的卷积层中,确定目标卷积层。
步骤204,根据标注样本集对预设模型进行训练,预设模型包括目标卷积层和预设神经网络层,并将训练好的预设模型包括的预设神经网络层作为处理层。
在另一种场景中,首先可以获取包括无标注图像样本的无标注样本集,并获取包括标注图像样本、标注图像样本对应的图像检测信息样本的标注样本集。若采用对比学习的方式对预设网络进行训练,在获取到无标注样本集之后,可以根据无标注样本集对预设网络进行训练,并在对预设网络训练完成后,将第一编码器中的卷积层作为目标卷积层。然后,可以将目标卷积层和预设神经网络层作为一个整体的预设模型,并根据标注样本集对预设模型进行训练(即对目标卷积层和预设神经网络层构成的整个神经网络进行联合训练),并在对预设模型训练完成后,将训练好的预设模型包括的预设神经网络层作为处理层。
综上所述,本公开首先获取待处理视频中的目标图像,并根据目标图像,通过预先训练的图像检测模型,确定目标图像对应的图像检测信息,其中,图像检测模型包括目标卷积层和处理层,目标卷积层用于提取目标图像的特征,处理层用于根据目标图像的特征确定图像检测信息,图像检测信息用于指示目标图像是否为异常图像,目标卷积层为第一编码器中的卷积层,第一编码器为利用无标注样本集对预设网络进行训练得到的,处理层为利用标注样本集对预设神经网络层进行训练得到的,然后在图像检测信息指示目标图像为异常图像的情况下,对目标图像进行异常图像处理。本公开是在无标注样本集的基础上,结合标注样本集来训练得到图像检测模型,不需要依赖大量的标注数据来对图像检测模型进行训练,即便在没有大量的标注数据的情况下,也能够得到准确的图像检测模型,提高了通过图像检测模型确定的图像检测信息的准确性,从而及时地处理检测为异常图像的目标图像。
图6是根据一示例性实施例示出的一种图像处理装置的框图。如图5所示,该装置300包括:
获取模块301,用于获取待处理视频中的目标图像。
确定模块302,用于根据目标图像,通过预先训练的图像检测模型,确定目标图像对应的图像检测信息。
其中,图像检测模型包括目标卷积层和处理层,目标卷积层用于提取目标图像的特征,处理层用于根据目标图像的特征确定图像检测信息,图像检测信息用于指示目标图像是否为异常图像,目标卷积层为第一编码器中的卷积层,第一编码器为利用无标注样本集对预设网络进行训练得到的,处理层为利用标注样本集对预设神经网络层进行训练得到的。
处理模块303,用于在图像检测信息指示目标图像为异常图像的情况下,对目标图像进行异常图像处理。
可选地,获取模块301用于:
按照预设规则,对待处理视频进行抽帧,并将抽取到的待处理视频中的视频帧作为目标图像。
其中,预设规则包括以下至少一种:
选取待处理视频中指定时刻对应的视频帧。
选取待处理视频中的关键帧,关键帧为待处理视频中包含信息最多的视频帧。
选取待处理视频中的场景转换帧,场景转换帧与相邻视频帧的相似度小于或等于预设相似度阈值,相邻视频帧为待处理视频中与场景转换帧相邻,且位于场景转换帧之前的视频帧。
图7是根据图1所示实施例示出的一种确定模块的框图。如图7所示,确定模块302包括:
预处理子模块3021,用于对目标图像进行预处理,得到处理后的目标图像,预处理包括灰度化处理、几何变换处理和图像增强处理中的至少一种。
确定子模块3022,用于将处理后的目标图像,作为图像检测模型的输入,得到图像检测模型输出的图像检测信息。
可选地,预设网络包括第一编码器和第二编码器,确定模块302用于通过以下方式训练得到图像检测模型:
获取无标注样本集和标注样本集。无标注样本集包括无标注图像样本,标注样本集包括标注图像样本以及标注图像样本对应的图像检测信息样本。
根据无标注样本集对预设网络进行训练,并从训练好的预设网络包括的第一编码器的卷积层中,确定目标卷积层。
根据标注样本集对预设神经网络层进行训练,并将训练好的预设神经网络层作为处理层。
可选地,预设网络包括第一编码器和第二编码器,确定模块302用于通过以下方式训练得到图像检测模型:
获取无标注样本集和标注样本集。无标注样本集包括无标注图像样本,标注样本集包括标注图像样本以及标注图像样本对应的图像检测信息样本。
根据无标注样本集对预设网络进行训练,并从训练好的预设网络包括的第一编码器的卷积层中,确定目标卷积层。
根据标注样本集对预设模型进行训练,预设模型包括目标卷积层和预设神经网络层,并将训练好的预设模型包括的预设神经网络层作为处理层。
可选地,确定模块302用于:
从多个无标注图像样本中选取第一数量个无标注图像样本。
针对第一数量个无标注图像样本中的每个无标注图像样本,将该无标注图像样本进行数据增广处理后,分别输入到第一编码器和第二编码器中,得到第一编码器输出的第一特征向量和第二编码器输出的第二特征向量。
根据每个无标注图像样本对应的第一特征向量和第二特征向量,对第一编码器和第二编码器进行更新。
循环执行从多个无标注图像样本中选取第一数量个无标注图像样本,至根据每个无标注图像样本对应的第一特征向量和第二特征向量,对第一编码器和第二编码器进行更新的步骤,直至循环执行的次数达到预设次数。
可选地,确定模块302用于:
将每个无标注图像样本对应的第二特征向量依次输入到预设队列中,并更新预设队列,预设队列的元素数量为第二数量,第二数量小于或等于第一数量。
根据每个无标注图像样本对应的第一特征向量和预设队列,对第一编码器进行更新。
在第一编码器更新完成后,根据更新后的第一编码器,对第二编码器进行更新。
综上所述,本公开首先获取待处理视频中的目标图像,并根据目标图像,通过预先训练的图像检测模型,确定目标图像对应的图像检测信息,其中,图像检测模型包括目标卷积层和处理层,目标卷积层用于提取目标图像的特征,处理层用于根据目标图像的特征确定图像检测信息,图像检测信息用于指示目标图像是否为异常图像,目标卷积层为第一编码器中的卷积层,第一编码器为利用无标注样本集对预设网络进行训练得到的,处理层为利用标注样本集对预设神经网络层进行训练得到的,然后在图像检测信息指示目标图像为异常图像的情况下,对目标图像进行异常图像处理。本公开是在无标注样本集的基础上,结合标注样本集来训练得到图像检测模型,不需要依赖大量的标注数据来对图像检测模型进行训练,即便在没有大量的标注数据的情况下,也能够得到准确的图像检测模型,提高了通过图像检测模型确定的图像检测信息的准确性,从而及时地处理检测为异常图像的目标图像。
下面参考图8,其示出了适于用来实现本公开实施例的电子设备(例如图1中的终端设备或服务器)400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取待处理视频中的目标图像;根据所述目标图像,通过预先训练的图像检测模型,确定所述目标图像对应的图像检测信息;其中,所述图像检测模型包括目标卷积层和处理层,所述目标卷积层用于提取所述目标图像的特征,所述处理层用于根据所述目标图像的特征确定所述图像检测信息,所述图像检测信息用于指示所述目标图像是否为异常图像;所述目标卷积层为第一编码器中的卷积层,所述第一编码器为利用无标注样本集对预设网络进行训练得到的,所述处理层为利用标注样本集对预设神经网络层进行训练得到的;在所述图像检测信息指示所述目标图像为异常图像的情况下,对所述目标图像进行异常图像处理。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,获取模块还可以被描述为“获取待处理视频中的目标图像的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,示例1提供了一种图像处理方法,包括:获取待处理视频中的目标图像;根据所述目标图像,通过预先训练的图像检测模型,确定所述目标图像对应的图像检测信息;其中,所述图像检测模型包括目标卷积层和处理层,所述目标卷积层用于提取所述目标图像的特征,所述处理层用于根据所述目标图像的特征确定所述图像检测信息,所述图像检测信息用于指示所述目标图像是否为异常图像;所述目标卷积层为第一编码器中的卷积层,所述第一编码器为利用无标注样本集对预设网络进行训练得到的,所述处理层为利用标注样本集对预设神经网络层进行训练得到的;在所述图像检测信息指示所述目标图像为异常图像的情况下,对所述目标图像进行异常图像处理。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,所述获取待处理视频中的目标图像,包括:按照预设规则,对所述待处理视频进行抽帧,并将抽取到的所述待处理视频中的视频帧作为所述目标图像;其中,所述预设规则包括以下至少一种:选取所述待处理视频中指定时刻对应的视频帧;选取所述待处理视频中的关键帧,所述关键帧为所述待处理视频中包含信息最多的视频帧;选取所述待处理视频中的场景转换帧,所述场景转换帧与相邻视频帧的相似度小于或等于预设相似度阈值,所述相邻视频帧为所述待处理视频中与所述场景转换帧相邻,且位于所述场景转换帧之前的视频帧。
根据本公开的一个或多个实施例,示例3提供了示例1的方法,所述根据所述目标图像,通过预先训练的图像检测模型,确定所述目标图像对应的图像检测信息,包括:对所述目标图像进行预处理,得到处理后的所述目标图像,所述预处理包括灰度化处理、几何变换处理和图像增强处理中的至少一种;将处理后的所述目标图像,作为所述图像检测模型的输入,得到所述图像检测模型输出的所述图像检测信息。
根据本公开的一个或多个实施例,示例4提供了示例1的方法,所述预设网络包括第一编码器和第二编码器,所述图像检测模型是通过以下方式训练得到的:获取所述无标注样本集和所述标注样本集;所述无标注样本集包括无标注图像样本,所述标注样本集包括标注图像样本以及所述标注图像样本对应的图像检测信息样本;根据所述无标注样本集对所述预设网络进行训练,并从训练好的所述预设网络包括的所述第一编码器的卷积层中,确定所述目标卷积层;根据所述标注样本集对所述预设神经网络层进行训练,并将训练好的所述预设神经网络层作为所述处理层。
根据本公开的一个或多个实施例,示例5提供了示例1的方法,所述预设网络包括第一编码器和第二编码器,所述图像检测模型是通过以下方式训练得到的:获取所述无标注样本集和所述标注样本集;所述无标注样本集包括无标注图像样本,所述标注样本集包括标注图像样本以及所述标注图像样本对应的图像检测信息样本;根据所述无标注样本集对所述预设网络进行训练,并从训练好的所述预设网络包括的所述第一编码器的卷积层中,确定所述目标卷积层;根据所述标注样本集对预设模型进行训练,所述预设模型包括所述目标卷积层和所述预设神经网络层,并将训练好的所述预设模型包括的所述预设神经网络层作为所述处理层。
根据本公开的一个或多个实施例,示例6提供了示例4或5的方法,所述无标注图像样本为多个,所述根据所述无标注样本集对所述预设网络进行训练,包括:从多个所述无标注图像样本中选取第一数量个无标注图像样本;针对第一数量个所述无标注图像样本中的每个无标注图像样本,将该无标注图像样本进行数据增广处理后,分别输入到所述第一编码器和所述第二编码器中,得到所述第一编码器输出的第一特征向量和所述第二编码器输出的第二特征向量;根据每个所述无标注图像样本对应的所述第一特征向量和所述第二特征向量,对所述第一编码器和所述第二编码器进行更新;循环执行所述从多个所述无标注图像样本中选取第一数量个无标注图像样本,至所述根据每个所述无标注图像样本对应的所述第一特征向量和所述第二特征向量,对所述第一编码器和所述第二编码器进行更新的步骤,直至循环执行的次数达到预设次数。
根据本公开的一个或多个实施例,示例7提供了示例6的方法,所述根据每个所述无标注图像样本对应的所述第一特征向量和所述第二特征向量,对所述第一编码器和所述第二编码器进行更新,包括:将每个所述无标注图像样本对应的所述第二特征向量依次输入到预设队列中,并更新所述预设队列,所述预设队列的元素数量为第二数量,所述第二数量小于或等于所述第一数量;根据每个所述无标注图像样本对应的所述第一特征向量和所述预设队列,对所述第一编码器进行更新;在所述第一编码器更新完成后,根据更新后的所述第一编码器,对所述第二编码器进行更新。
根据本公开的一个或多个实施例,示例8提供了一种图像处理装置,所述装置包括:获取模块,用于获取待处理视频中的目标图像;确定模块,用于根据所述目标图像,通过预先训练的图像检测模型,确定所述目标图像对应的图像检测信息;其中,所述图像检测模型包括目标卷积层和处理层,所述目标卷积层用于提取所述目标图像的特征,所述处理层用于根据所述目标图像的特征确定所述图像检测信息,所述图像检测信息用于指示所述目标图像是否为异常图像;所述目标卷积层为第一编码器中的卷积层,所述第一编码器为利用无标注样本集对预设网络进行训练得到的,所述处理层为利用标注样本集对预设神经网络层进行训练得到的;处理模块,用于在所述图像检测信息指示所述目标图像为异常图像的情况下,对所述目标图像进行异常图像处理。
根据本公开的一个或多个实施例,示例9提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现示例1至示例7中所述方法的步骤。
根据本公开的一个或多个实施例,示例10提供了一种电子设备,包括:存储装置,其上存储有计算机程序;处理装置,用于执行所述存储装置中的所述计算机程序,以实现示例1至示例7中所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。

Claims (10)

1.一种图像处理方法,其特征在于,所述方法包括:
获取待处理视频中的目标图像;
根据所述目标图像,通过预先训练的图像检测模型,确定所述目标图像对应的图像检测信息;
其中,所述图像检测模型包括目标卷积层和处理层,所述目标卷积层用于提取所述目标图像的特征,所述处理层用于根据所述目标图像的特征确定所述图像检测信息,所述图像检测信息用于指示所述目标图像是否为异常图像;所述目标卷积层为第一编码器中的卷积层,所述第一编码器为利用无标注样本集对预设网络进行训练得到的,所述处理层为利用标注样本集对预设神经网络层进行训练得到的;
在所述图像检测信息指示所述目标图像为异常图像的情况下,对所述目标图像进行异常图像处理。
2.根据权利要求1所述的方法,其特征在于,所述获取待处理视频中的目标图像,包括:
按照预设规则,对所述待处理视频进行抽帧,并将抽取到的所述待处理视频中的视频帧作为所述目标图像;
其中,所述预设规则包括以下至少一种:
选取所述待处理视频中指定时刻对应的视频帧;
选取所述待处理视频中的关键帧,所述关键帧为所述待处理视频中包含信息最多的视频帧;
选取所述待处理视频中的场景转换帧,所述场景转换帧与相邻视频帧的相似度小于或等于预设相似度阈值,所述相邻视频帧为所述待处理视频中与所述场景转换帧相邻,且位于所述场景转换帧之前的视频帧。
3.根据权利要求1所述的方法,其特征在于,所述根据所述目标图像,通过预先训练的图像检测模型,确定所述目标图像对应的图像检测信息,包括:
对所述目标图像进行预处理,得到处理后的所述目标图像,所述预处理包括灰度化处理、几何变换处理和图像增强处理中的至少一种;
将处理后的所述目标图像,作为所述图像检测模型的输入,得到所述图像检测模型输出的所述图像检测信息。
4.根据权利要求1所述的方法,其特征在于,所述预设网络包括第一编码器和第二编码器,所述图像检测模型是通过以下方式训练得到的:
获取所述无标注样本集和所述标注样本集;所述无标注样本集包括无标注图像样本,所述标注样本集包括标注图像样本以及所述标注图像样本对应的图像检测信息样本;
根据所述无标注样本集对所述预设网络进行训练,并从训练好的所述预设网络包括的所述第一编码器的卷积层中,确定所述目标卷积层;
根据所述标注样本集对所述预设神经网络层进行训练,并将训练好的所述预设神经网络层作为所述处理层。
5.根据权利要求1所述的方法,其特征在于,所述预设网络包括第一编码器和第二编码器,所述图像检测模型是通过以下方式训练得到的:
获取所述无标注样本集和所述标注样本集;所述无标注样本集包括无标注图像样本,所述标注样本集包括标注图像样本以及所述标注图像样本对应的图像检测信息样本;
根据所述无标注样本集对所述预设网络进行训练,并从训练好的所述预设网络包括的所述第一编码器的卷积层中,确定所述目标卷积层;
根据所述标注样本集对预设模型进行训练,所述预设模型包括所述目标卷积层和所述预设神经网络层,并将训练好的所述预设模型包括的所述预设神经网络层作为所述处理层。
6.根据权利要求4或5所述的方法,其特征在于,所述无标注图像样本为多个,所述根据所述无标注样本集对所述预设网络进行训练,包括:
从多个所述无标注图像样本中选取第一数量个无标注图像样本;
针对第一数量个所述无标注图像样本中的每个无标注图像样本,将该无标注图像样本进行数据增广处理后,分别输入到所述第一编码器和所述第二编码器中,得到所述第一编码器输出的第一特征向量和所述第二编码器输出的第二特征向量;
根据每个所述无标注图像样本对应的所述第一特征向量和所述第二特征向量,对所述第一编码器和所述第二编码器进行更新;
循环执行所述从多个所述无标注图像样本中选取第一数量个无标注图像样本,至所述根据每个所述无标注图像样本对应的所述第一特征向量和所述第二特征向量,对所述第一编码器和所述第二编码器进行更新的步骤,直至循环执行的次数达到预设次数。
7.根据权利要求6所述的方法,其特征在于,所述根据每个所述无标注图像样本对应的所述第一特征向量和所述第二特征向量,对所述第一编码器和所述第二编码器进行更新,包括:
将每个所述无标注图像样本对应的所述第二特征向量依次输入到预设队列中,并更新所述预设队列,所述预设队列的元素数量为第二数量,所述第二数量小于或等于所述第一数量;
根据每个所述无标注图像样本对应的所述第一特征向量和所述预设队列,对所述第一编码器进行更新;
在所述第一编码器更新完成后,根据更新后的所述第一编码器,对所述第二编码器进行更新。
8.一种图像处理装置,其特征在于,所述装置包括:
获取模块,用于获取待处理视频中的目标图像;
确定模块,用于根据所述目标图像,通过预先训练的图像检测模型,确定所述目标图像对应的图像检测信息;
其中,所述图像检测模型包括目标卷积层和处理层,所述目标卷积层用于提取所述目标图像的特征,所述处理层用于根据所述目标图像的特征确定所述图像检测信息,所述图像检测信息用于指示所述目标图像是否为异常图像;所述目标卷积层为第一编码器中的卷积层,所述第一编码器为利用无标注样本集对预设网络进行训练得到的,所述处理层为利用标注样本集对预设神经网络层进行训练得到的;
处理模块,用于在所述图像检测信息指示所述目标图像为异常图像的情况下,对所述目标图像进行异常图像处理。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-7中任一项所述方法的步骤。
CN202110621440.9A 2021-06-03 2021-06-03 图像处理方法、装置、可读介质和电子设备 Pending CN113222983A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110621440.9A CN113222983A (zh) 2021-06-03 2021-06-03 图像处理方法、装置、可读介质和电子设备
PCT/CN2022/089240 WO2022252881A1 (zh) 2021-06-03 2022-04-26 图像处理方法、装置、可读介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110621440.9A CN113222983A (zh) 2021-06-03 2021-06-03 图像处理方法、装置、可读介质和电子设备

Publications (1)

Publication Number Publication Date
CN113222983A true CN113222983A (zh) 2021-08-06

Family

ID=77082817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110621440.9A Pending CN113222983A (zh) 2021-06-03 2021-06-03 图像处理方法、装置、可读介质和电子设备

Country Status (2)

Country Link
CN (1) CN113222983A (zh)
WO (1) WO2022252881A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723344A (zh) * 2021-09-08 2021-11-30 北京有竹居网络技术有限公司 视频的识别方法、装置、可读介质和电子设备
CN113723341A (zh) * 2021-09-08 2021-11-30 北京有竹居网络技术有限公司 视频的识别方法、装置、可读介质和电子设备
CN113849645A (zh) * 2021-09-28 2021-12-28 平安科技(深圳)有限公司 邮件分类模型训练方法、装置、设备及存储介质
CN114627102A (zh) * 2022-03-31 2022-06-14 苏州浪潮智能科技有限公司 一种图像异常检测方法、装置、***及可读存储介质
WO2022252881A1 (zh) * 2021-06-03 2022-12-08 北京有竹居网络技术有限公司 图像处理方法、装置、可读介质和电子设备

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117292211B (zh) * 2023-11-27 2024-02-27 潍坊市海洋发展研究院 水质标注图像发送方法、装置、电子设备和计算机可读介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389180A (zh) * 2018-10-30 2019-02-26 国网四川省电力公司广元供电公司 一款基于深度学习的电力设备图像识别方法及巡查机器人
CN111008643A (zh) * 2019-10-29 2020-04-14 平安科技(深圳)有限公司 基于半监督学习的图片分类方法、装置和计算机设备
CN112232384A (zh) * 2020-09-27 2021-01-15 北京迈格威科技有限公司 模型训练方法、图像特征提取方法、目标检测方法和装置
CN112580581A (zh) * 2020-12-28 2021-03-30 英特灵达信息技术(深圳)有限公司 目标检测方法、装置及电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9424494B1 (en) * 2016-01-28 2016-08-23 International Business Machines Corporation Pure convolutional neural network localization
CN108288078B (zh) * 2017-12-07 2020-09-29 腾讯科技(深圳)有限公司 一种图像中字符识别方法、装置和介质
CN109831392B (zh) * 2019-03-04 2020-10-27 中国科学技术大学 半监督网络流量分类方法
CN113222983A (zh) * 2021-06-03 2021-08-06 北京有竹居网络技术有限公司 图像处理方法、装置、可读介质和电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389180A (zh) * 2018-10-30 2019-02-26 国网四川省电力公司广元供电公司 一款基于深度学习的电力设备图像识别方法及巡查机器人
CN111008643A (zh) * 2019-10-29 2020-04-14 平安科技(深圳)有限公司 基于半监督学习的图片分类方法、装置和计算机设备
CN112232384A (zh) * 2020-09-27 2021-01-15 北京迈格威科技有限公司 模型训练方法、图像特征提取方法、目标检测方法和装置
CN112580581A (zh) * 2020-12-28 2021-03-30 英特灵达信息技术(深圳)有限公司 目标检测方法、装置及电子设备

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022252881A1 (zh) * 2021-06-03 2022-12-08 北京有竹居网络技术有限公司 图像处理方法、装置、可读介质和电子设备
CN113723344A (zh) * 2021-09-08 2021-11-30 北京有竹居网络技术有限公司 视频的识别方法、装置、可读介质和电子设备
CN113723341A (zh) * 2021-09-08 2021-11-30 北京有竹居网络技术有限公司 视频的识别方法、装置、可读介质和电子设备
CN113723341B (zh) * 2021-09-08 2023-09-01 北京有竹居网络技术有限公司 视频的识别方法、装置、可读介质和电子设备
CN113849645A (zh) * 2021-09-28 2021-12-28 平安科技(深圳)有限公司 邮件分类模型训练方法、装置、设备及存储介质
CN113849645B (zh) * 2021-09-28 2024-06-04 平安科技(深圳)有限公司 邮件分类模型训练方法、装置、设备及存储介质
CN114627102A (zh) * 2022-03-31 2022-06-14 苏州浪潮智能科技有限公司 一种图像异常检测方法、装置、***及可读存储介质
CN114627102B (zh) * 2022-03-31 2024-02-13 苏州浪潮智能科技有限公司 一种图像异常检测方法、装置、***及可读存储介质

Also Published As

Publication number Publication date
WO2022252881A1 (zh) 2022-12-08

Similar Documents

Publication Publication Date Title
CN113222983A (zh) 图像处理方法、装置、可读介质和电子设备
CN112364860B (zh) 字符识别模型的训练方法、装置和电子设备
CN113313064A (zh) 字符识别方法、装置、可读介质及电子设备
CN112883968B (zh) 图像字符识别方法、装置、介质及电子设备
CN113723341B (zh) 视频的识别方法、装置、可读介质和电子设备
CN113449070A (zh) 多模态数据检索方法、装置、介质及电子设备
CN113033580B (zh) 图像处理方法、装置、存储介质及电子设备
CN112766284B (zh) 图像识别方法和装置、存储介质和电子设备
CN115294501A (zh) 视频识别方法、视频识别模型训练方法、介质及电子设备
CN113140012B (zh) 图像处理方法、装置、介质及电子设备
CN114037990A (zh) 一种字符识别方法、装置、设备、介质及产品
CN111783632B (zh) 针对视频流的人脸检测方法、装置、电子设备及存储介质
CN113033707A (zh) 视频分类方法、装置、可读介质及电子设备
CN111311609A (zh) 一种图像分割方法、装置、电子设备及存储介质
CN110765304A (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN110852242A (zh) 基于多尺度网络的水印识别方法、装置、设备及存储介质
CN111737575B (zh) 内容分发方法、装置、可读介质及电子设备
CN113033552B (zh) 文本识别方法、装置和电子设备
CN115359400A (zh) 视频识别方法、装置、介质及电子设备
CN113033682B (zh) 视频分类方法、装置、可读介质、电子设备
CN113705386A (zh) 视频分类方法、装置、可读介质和电子设备
CN111898658B (zh) 图像分类方法、装置和电子设备
CN114495080A (zh) 字体识别方法、装置、可读介质及电子设备
CN114004229A (zh) 文本识别方法、装置、可读介质及电子设备
CN114625876A (zh) 作者特征模型的生成方法、作者信息处理方法和装置

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