CN113361719A - 基于图像处理模型的增量学习方法和图像处理方法 - Google Patents
基于图像处理模型的增量学习方法和图像处理方法 Download PDFInfo
- Publication number
- CN113361719A CN113361719A CN202110625027.XA CN202110625027A CN113361719A CN 113361719 A CN113361719 A CN 113361719A CN 202110625027 A CN202110625027 A CN 202110625027A CN 113361719 A CN113361719 A CN 113361719A
- Authority
- CN
- China
- Prior art keywords
- image
- image processing
- feature
- preset
- processing model
- 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
Links
- 238000012545 processing Methods 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 34
- 238000002372 labelling Methods 0.000 claims abstract description 8
- 230000000875 corresponding effect Effects 0.000 claims description 83
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了基于图像处理模型的增量学习方法和图像处理方法,涉及人工智能技术领域,具体为计算机视觉和深度学习技术领域,可应用于智慧城市场景下。具体实现方案为:获取待迭代的图像处理模型和与该待迭代的图像处理模型对应的初始增量网络;将预先获取的目标样本数据中的样本图像分别输入至该待迭代的图像处理模型和该初始增量网络,得到与该待迭代的图像处理模型和该初始增量网络分别对应的第一图像特征和第二图像特征,其中,该目标样本数据包括样本图像和对应的标注信息;基于该第一图像特征和第二图像特征,生成融合特征;基于该融合特征与该样本图像对应的标注信息的差异,调整该初始增量网络的网络参数。从而提供一种新的增量学习方式。
Description
技术领域
本公开涉及人工智能技术领域,具体为计算机视觉和深度学习技术领域,可应用于智慧城市场景下,尤其涉及基于图像处理模型的增量学习方法和图像处理方法。
背景技术
随着人工智能技术的飞速发展,深度学习技术也取得了越来越多的应用。然而现有技术中,诸如神经网络等深度学习模型在学习新任务或适应新环境时会出现忘记或丧失了以前习得的一些能力的现象,即“灾难性遗忘(catastrophic forgetting)”。
发明内容
提供了一种基于图像处理模型的增量学习方法和图像处理方法、装置、电子设备以及存储介质。
根据第一方面,提供了一种基于图像处理模型的增量学习方法,该方法包括:获取待迭代的图像处理模型和与待迭代的图像处理模型对应的初始增量网络;将预先获取的目标样本数据中的样本图像分别输入至待迭代的图像处理模型和初始增量网络,得到与待迭代的图像处理模型和初始增量网络分别对应的第一图像特征和第二图像特征,其中,目标样本数据包括样本图像和对应的标注信息;基于第一图像特征和第二图像特征,生成融合特征;基于融合特征与样本图像对应的标注信息的差异,调整初始增量网络的网络参数。
根据第二方面,提供了一种图像处理方法,该方法包括:获取待处理图像;将待处理图像输入至预先训练的图像处理模型,生成图像处理结果,其中,图像处理模型根据第一方面中任一实现方式所描述的方法训练得到。
根据第三方面,提供了一种基于图像处理模型的增量学习装置,该装置包括:第一获取单元,被配置成获取待迭代的图像处理模型和与待迭代的图像处理模型对应的初始增量网络;第一生成单元,被配置成将预先获取的目标样本数据中的样本图像分别输入至待迭代的图像处理模型和初始增量网络,得到与待迭代的图像处理模型和初始增量网络分别对应的第一图像特征和第二图像特征,其中,目标样本数据包括样本图像和对应的标注信息;融合单元,被配置成基于第一图像特征和第二图像特征,生成融合特征;调整单元,被配置成基于融合特征与样本图像对应的标注信息的差异,调整初始增量网络的网络参数。
根据第四方面,提供了一种图像处理装置,该装置包括:第二获取单元,被配置成获取待处理图像;第二生成单元,被配置成将待处理图像输入至预先训练的图像处理模型,生成图像处理结果,其中,图像处理模型根据第一方面中任一实现方式所描述的基于图像处理模型的增量学习方法训练得到。
根据第五方面,提供了一种电子设备,该电子设备包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,存储器存储有可被上述至少一个处理器执行的指令,上述指令被至少一个处理器执行,以使上述至少一个处理器能够执行如第一方面或第二方面中任一实现方式所描述的方法。
根据第六方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机能够执行如第一方面或第二方面中任一实现方式所描述的方法。
根据本公开的技术通过将待迭代的图像处理模型划分为用于参数保持的原始模型部分和用于参数调整的增量网络,利用训练样本分别得到两者对应的图像特征,将所得到的图像特征进行融合,根据融合后的特征与标注信息确定损失值用以调整增量网络的参数,从而提供了一种新的增量学习方式,并且可以使得图像处理模型在训练过程中既可以克服遗忘,又可以持续学习,进而提升图像处理模型的性能。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是可以实现本公开实施例的基于图像处理模型的增量学习方法的一个应用场景的示意图;
图4是根据本公开实施例的图像处理方法的一个流程示意图;
图5是根据本公开实施例的基于图像处理模型的增量学习装置的示意图;
图6是根据本公开实施例的图像处理装置的示意图;
图7是用来实现本公开实施例的基于图像处理模型的增量学习方法或图像处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是示出了根据本公开第一实施例的示意图100。该基于图像处理模型的增量学习方法包括以下步骤:
S101,获取待迭代的图像处理模型和与待迭代的图像处理模型对应的初始增量网络。
在本实施例中,基于图像处理模型的增量学习方法的执行主体可以通过各种方式获取包括待迭代的图像处理模型和与待迭代的图像处理模型对应的初始增量网络。作为示例,上述待迭代的图像处理模型可以包括各种用于图像处理的神经网络模型,例如用于人脸识别的卷积网络。上述与待迭代的图像处理模型对应的初始增量网络可以包括与上述待迭代的图像处理模型结构类似的分支网络,其网络参数的参数值可以根据新的训练样本而更新。上述待迭代的图像处理模型可以作为记忆存储单元,其网络参数的参数值通常不再跟随新的训练样本而调整。
S102,将预先获取的目标样本数据中的样本图像分别输入至待迭代的图像处理模型和初始增量网络,得到与待迭代的图像处理模型和初始增量网络分别对应的第一图像特征和第二图像特征。
在本实施例中,上述执行主体可以首先通过有线连接或无线连接的方法从本地或通信连接的电子设备获取目标样本数据。其中,上述目标样本数据可以包括用于训练上述待迭代的图像处理模型和初始增量网络,从而得到与待迭代的图像处理模型和初始增量网络分别对应的第一图像特征和第二图像特征。其中,上述第一图像特征可以为上述待迭代的图像处理模型针对上述目标样本数据中的样本图像所提取的特征,通常可以起到“记忆”作用;上述第二图像特征可以为上述待迭代的图像处理模型中初始增量网络针对上述目标样本数据中的样本图像所提取的特征,通常可以起到“持续学习”的作用。
S103,基于第一图像特征和第二图像特征,生成融合特征。
在本实施例中,基于步骤S102所得到的第一图像特征和第二图像特征,上述执行主体可以通过各种方式将上述第一图像特征和第二图像特征进行融合,从而生成融合特征。作为示例,上述执行主体可以将上述第一图像特征和第二图像特征进行加权求和,从而生成融合特征。
S104,基于融合特征与样本图像对应的标注信息的差异,调整初始增量网络的网络参数。
在本实施例中,基于步骤S103所生成的融合特征与输入的样本图像对应的标注信息的差异,上述执行主体可以通过各种方式调整初始增量网络的网络参数。作为示例,上述执行主体可以利用预设的损失函数确定上述步骤S103所生成的融合特征与输入的样本图像对应的标注信息的差异。而后,根据所确定的损失值,上述执行主体可以利用反向传播(Back Propagation)法对上述初始增量网络的网络参数进行更新。
本公开的上述实施例提供的方法,通过将待迭代的图像处理模型划分为用于参数保持的原始模型部分和用于参数调整的增量网络,利用训练样本分别得到两者对应的图像特征,将所得到的图像特征进行融合,根据融合后的特征与标注信息确定损失值用以调整增量网络的参数,从而提供了一种新的增量学习方式,并且可以使得图像处理模型在训练过程中既可以克服遗忘,又可以持续学习,进而提升图像处理模型的性能。
在本实施例的一些可选的实现方式中,基于第一图像特征和第二图像特征,上述执行主体可以按照如下步骤生成融合特征,包括:
第一步,将第一图像特征和第二图像特征作为预设门控单元的输入,得到预设门控单元对应的输出。
在这些实现方式中,上述执行主体可以将步骤S102所得到的第一图像特征和第二图像特征作为预设门控单元的输入,得到预设门控单元对应的输出。其中,上述预设门控单元的运算逻辑可以预先设定,从而可以根据应用场景的需要而生成不同的输出。
第二步,基于预设门控单元对应的输出,生成融合特征。
在这些实现方式中,基于上述第一步所得到的预设门控单元对应的输出,上述执行主体可以通过各种方式生成融合特征。作为示例,上述执行主体可以直接将上述预设门控单元对应的输出确定为上述融合特征。作为又一示例,上述执行主体将上述预设门控单元对应的输出按照对应的映射规则进行映射,将映射后的结果确定为上述融合特征。
基于上述可选的实现方式,本方案可以利用预设的门控单元对待迭代的图像处理模型和初始增量网络输出的第一图像特征和第二图像特征进行融合,可以更好地发挥记忆功能,从而进一步缓解图像处理模型训练过程中的遗忘问题。
在本实施例的一些可选的实现方式中,上述执行主体还可以将调整后的初始增量网络与待迭代的图像处理模型所组成的整体确定为新的待迭代的图像处理模型。
在这些实现方式中,上述执行主体可以将通过上述步骤S104进行网络参数调整后的初始增量网络与步骤S101所获取的待迭代的图像处理模型作为整体确定为新的待迭代的图像处理模型。从而,可以利用所确定的新的待迭代的图像处理模型继续执行如前述的步骤S101-S104,以进行下一次迭代。
基于上述可选的实现方式,本方案可以通过将调整后的增量网络与待迭代的图像处理模型进行组合作为新的待迭代的图像处理模型,从而实现利用增量数据持续学习。
继续参见图2,图2是根据本公开第二实施例的示意图200。该基于图像处理模型的增量学习方法包括以下步骤:
S201,获取待迭代的图像处理模型和与待迭代的图像处理模型对应的初始增量网络。
S202,将预先获取的目标样本数据中的样本图像分别输入至待迭代的图像处理模型和初始增量网络,得到与待迭代的图像处理模型和初始增量网络分别对应的第一图像特征和第二图像特征。
S203,对预设门控单元对应的上一步迭代输出与第一图像特征执行预设第一运算,生成第一特征。
在本实施例中,上述执行主体可以对预设门控单元对应的上一步迭代输出与第一图像特征执行预设第一运算,生成第一特征。其中,上述预设门控单元可以包括预设门控循环单元。上述第一特征通常与上述预设门控单元的上一步迭代输出与上述第一图像特征之间的差异负相关。
作为示例,上述预设门控单元对应的上一步迭代输出可以用fm-1来表示。上述第一图像特征可以用fo来表示。上述第一特征可以用f1来表示。例如,上述预设第一运算可以是f1=-|fm-1-fo|。再例如,上述预设第一运算还可以包括将上述预设门控单元的上一步迭代输出与上述第一图像特征之差的绝对值输入至预设的激活函数,例如f1=1-sigmoid(|fm-1-fo|)。
S204,对第一特征与第二图像特征执行预设第二运算,生成第二特征。
在本实施例中,上述执行主体可以对上述步骤S203所生成的第一特征与上述步骤S202所得到的第二图像特征执行预设第二运算,从而生成第二特征。作为示例,上述第二图像特征可以用fs来表示。上述预设第二运算可以包括非线性运算。
在本实施例的一些可选的实现方式中,上述预设第二运算可以包括相乘。作为示例,上述第二特征可以用f2来表示。上述预设第二运算可以是f2=f1·fs。
S205,对第一图像特征与第二特征执行预设第三运算,生成预设门控单元对应的当前步输出。
在本实施例中,上述执行主体可以对上述步骤S202所得到的第一图像特征与上述步骤S204所生成的第二特征执行预设第三运算,从而生成预设门控单元对应的当前步输出。其中,上述预设门控单元对应的当前步输出通常与第一图像特征与第二特征正相关。作为示例,上述预设门控单元对应的当前步输出可以用fm来表示。
在本实施例的一些可选的实现方式中,上述预设第三运算可以包括相加。作为示例,上述预设第三运算可以是fm=fo+f2。
S206,基于预设门控单元对应的当前步输出,生成预设门控单元对应的输出。
在本实施例中,基于预设门控单元对应的当前步输出,上述执行主体可以通过各种方式生成预设门控单元对应的输出。作为示例,上述执行主体可以直接将上述步骤S205所生成的预设门控单元对应的输出确定为上述预设门控单元对应的输出。作为又一示例,上述执行主体可以确定当前步数是否达到预设循环步数,响应于确定未达到,将上述预设门控单元对应的当前步输出作为下一轮步数迭代的上一步迭代输出,以及继续执行上述步骤S203-S205;响应于确定达到,将该迭代步数对应的输出确定为上述预设门控单元对应的输出。
S207,基于预设门控单元对应的输出,生成融合特征。
S208,基于融合特征与样本图像对应的标注信息的差异,调整初始增量网络的网络参数。
上述S201、S202、S207和S208可以分别与前述实施例中的S101、S102、S103的可选的实现方式和S104一致,上文针对S101、S102、S103的可选的实现方式和S104的描述也适用于S201、S202、S207和S208,此处不再赘述。
从图2中可以看出,本实施例中的基于图像处理模型的增量学习方法的流程200体现了利用预设门控循环单元对第一图像特征和第二图像特征进行处理,以生成融合特征的步骤。由此,本实施例描述的方案可以提供另一种基于增量学习的图像处理模型的训练方式,并且进一步缓解模型训练过程中的遗忘问题以及提升增量学习性能。
继续参见图3,图3是根据本公开的实施例的基于图像处理模型的增量学习方法的应用场景的一个示意图。在图3的应用场景中,后台服务器可以首先获取待迭代的人脸识别模型301和与上述待迭代的人脸识别模型301对应的初始增量网络302。接下来,后台服务器将预先获取的目标样本数据中的样本人脸图像303分别输入至上述待迭代的人脸识别模型301和上述初始增量网络302,得到与上述待迭代的人脸识别模型301和上述初始增量网络302分别对应的第一图像特征304和第二图像特征305。之后,基于上述第一图像特征304和第二图像特征305的融合,后台服务器可以生成融合特征306。而后,基于上述融合特征306与上述样本人脸图像303对应的标注信息(例如“张三”)的差异307,后台服务器可以调整上述初始增量网络302的网络参数。可选地,后台服务器还可以将上述调整后的初始增量网络302与上述待迭代的人脸识别模型301所组成的整体确定为新的待迭代的人脸识别模型,以进行持续学习。
目前,现有技术之一通常是采用基于正则化的增量学习方法或基于回放的增量学习方法,但前者通过引入额外损失的方式来修正梯度,由于模型容量的有限性导致难以在旧任务和新任务的性能表现上作出权衡;而后者由于需要额外的计算资源和存储空间用于回忆旧知识,因而当任务种类不断增多时会导致训练成本会变高。而本公开的上述实施例提供的方法,通过将待迭代的图像处理模型划分为用于参数保持的原始模型部分和用于参数调整的增量网络,利用训练样本分别得到两者对应的图像特征,将所得到的图像特征进行融合,根据融合后的特征与标注信息确定损失值用以调整增量网络的参数,从而提供了一种新的增量学习方式,并且可以使得图像处理模型在训练过程中既可以克服遗忘,又可以持续学习,进而提升图像处理模型的性能。
继续参见图4,图4是根据本公开实施例的图像处理方法的一个流程示意图400。该图像处理方法包括以下步骤:
S401,获取待处理图像。
在本实施例中,图像处理方法的执行主体可以通过各种方式获取待处理图像。其中,上述待处理图像可以包括各种可以供神经网络模型处理的图像,在此不作限定。
在本实施例中,作为示例,上述待处理图像可以是包含人脸的图像。上述执行主体可以从本地或通信连接的电子设备获取上述待处理图像。
S402,将待处理图像输入至预先训练的图像处理模型,生成图像处理结果。
在本实施例中,上述执行主体可以将上述步骤S201所获取的待处理图像输入至预先训练的图像处理模型,生成与待处理图像对应的对象检测结果。其中,上述图像处理模型可以通过如前述实施例中任一实现方式所描述的基于图像处理模型的增量学习方法训练得到。上述图像处理结果可以与上述图像处理模型相对应。作为示例,当上述图像处理模型为人脸识别模型时,上述图像处理结果可以用于表征人脸图像中显示的人的信息。作为又一示例,当上述图像处理模型为车道检测模型时,上述图像处理结果可以用于指示车道线显示在图像中的位置。
从图4中可以看出,本实施例中的图像处理方法的流程400体现了利用基于图像处理模型的增量学习方法训练的图像处理模型对图像进行处理的步骤。由此,本实施例描述的方案由于使用了改善遗忘的图像处理模型,从而可以通过提升图像处理的效果。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了基于图像处理模型的增量学习装置的一个实施例,该装置实施例与图1或图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例提供的基于图像处理模型的增量学习装置500包括第一获取单元501、第一生成单元502、融合单元503和调整单元504。其中,第一获取单元501,被配置成获取待迭代的图像处理模型和与待迭代的图像处理模型对应的初始增量网络;第一生成单元502,被配置成将预先获取的目标样本数据中的样本图像分别输入至待迭代的图像处理模型和初始增量网络,得到与待迭代的图像处理模型和初始增量网络分别对应的第一图像特征和第二图像特征,其中,目标样本数据包括样本图像和对应的标注信息;融合单元503,被配置成基于第一图像特征和第二图像特征,生成融合特征;调整单元504,被配置成基于融合特征与样本图像对应的标注信息的差异,调整初始增量网络的网络参数。
在本实施例中,基于图像处理模型的增量学习装置500中:第一获取单元501、第一生成单元502、融合单元503和调整单元504的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤S101、S102、S103和S104的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述融合单元503可以包括:输出子单元(图中未示出),被配置成将第一图像特征和第二图像特征作为预设门控单元的输入,得到预设门控单元对应的输出;融合子单元(图中未示出),被配置成基于预设门控单元对应的输出,生成融合特征。
在本实施例的一些可选的实现方式中,上述预设门控单元可以包括预设门控循环单元。上述输出子单元可以包括:第一生成模块(图中未示出),被配置成对预设门控单元对应的上一步迭代输出与第一图像特征执行预设第一运算,生成第一特征,其中,第一特征与预设门控单元对应的上一步迭代输出与第一图像特征之间的差异负相关;第二生成模块(图中未示出),被配置成对第一特征与第二图像特征执行预设第二运算,生成第二特征;第三生成模块(图中未示出),被配置成对第一图像特征与第二特征执行预设第三运算,生成预设门控单元对应的当前步输出;第四生成模块(图中未示出),被配置成基于预设门控单元对应的当前步输出,生成预设门控单元对应的输出。
在本实施例的一些可选的实现方式中,上述第一生成模块可以被进一步配置成:确定门控单元的上一步迭代输出与第一记忆图像特征的差异值;利用预设的激活函数,生成差异值对应的输出值;基于输出值的相反数,生成第一特征。
在本实施例的一些可选的实现方式中,上述预设第二运算可以包括相乘。
在本实施例的一些可选的实现方式中,上述预设第三运算可以包括相加。
在本实施例的一些可选的实现方式中,上述基于图像处理模型的增量学习装置还可以包括:确定单元(图中未示出),被配置成将调整后的初始增量网络与待迭代的图像处理模型所组成的整体确定为新的待迭代的图像处理模型。
本公开的上述实施例提供的装置,通过第一获取单元501获取用于组成待迭代的图像处理模型的用于参数保持的原始模型部分和用于参数调整的增量网络,第一生成单元502利用训练样本分别得到两者对应的图像特征,融合单元503将上述所得到的图像特征进行融合,调整单元504根据融合后的特征与标注信息确定损失值用以调整增量网络的参数,从而提供了一种新的增量学习方式,并且可以使得图像处理模型在训练过程中既可以克服遗忘,又可以持续学习,进而提升图像处理模型的性能。
图6,作为对上述各图所示方法的实现,本公开提供了图像处理装置的一个实施例,该装置实施例与图4所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例提供的图像处理装置600包括第二获取单元601、第二生成单元602。其中,第二获取单元601,被配置成获取待处理图像;第二生成单元602,被配置成将待处理图像输入至预先训练的图像处理模型,生成图像处理结果,其中,图像处理模型根据前述实施例中任一实现方式所描述的基于图像处理模型的增量学习方法训练得到。
在本实施例中,图像处理装置600中:第二获取单元601、第二生成单元602的具体处理及其所带来的技术效果可分别参考图4对应实施例中的步骤S401、S402的相关说明,在此不再赘述。
本公开的上述实施例提供的装置,通过第二生成单元602利用基于图像处理模型的增量学习方法训练的图像处理模型对第二获取单元601所获取的待处理图像进行处理的步骤。由此,本实施例描述的方案由于使用了改善遗忘的图像处理模型,从而可以通过提升图像处理的效果。
本公开的技术方案中,所涉及的用户个人信息的获取、存储和应用等,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如基于图像处理模型的增量学习方法或图像处理方法。例如,在一些实施例中,基于图像处理模型的增量学习方法或图像处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元707。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的基于图像处理模型的增量学习方法或图像处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于图像处理模型的增量学习方法或图像处理方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种基于图像处理模型的增量学习方法,包括:
获取待迭代的图像处理模型和与所述待迭代的图像处理模型对应的初始增量网络;
将预先获取的目标样本数据中的样本图像分别输入至所述待迭代的图像处理模型和所述初始增量网络,得到与所述待迭代的图像处理模型和所述初始增量网络分别对应的第一图像特征和第二图像特征,其中,所述目标样本数据包括样本图像和对应的标注信息;
基于所述第一图像特征和第二图像特征,生成融合特征;
基于所述融合特征与所述样本图像对应的标注信息的差异,调整所述初始增量网络的网络参数。
2.根据权利要求1所述的方法,其中,所述基于所述第一图像特征和第二图像特征,生成融合特征,包括:
将所述第一图像特征和第二图像特征作为预设门控单元的输入,得到所述预设门控单元对应的输出;
基于所述预设门控单元对应的输出,生成所述融合特征。
3.根据权利要求2所述的方法,其中,所述预设门控单元包括预设门控循环单元;以及
将所述第一图像特征和第二图像特征作为预设门控单元的输入,得到所述预设门控单元对应的输出,包括:
对所述预设门控单元对应的上一步迭代输出与所述第一图像特征执行预设第一运算,生成第一特征,其中,所述第一特征与所述预设门控单元对应的上一步迭代输出与所述第一图像特征之间的差异负相关;
对所述第一特征与所述第二图像特征执行预设第二运算,生成第二特征;
对所述第一图像特征与所述第二特征执行预设第三运算,生成所述预设门控单元对应的当前步输出;
基于所述预设门控单元对应的当前步输出,生成所述预设门控单元对应的输出。
4.根据权利要求3所述的方法,其中,所述对所述门控单元的上一步迭代输出与所述第一图像特征执行预设第一运算,生成第一特征,包括:
确定所述门控单元的上一步迭代输出与第一记忆图像特征的差异值;
利用预设的激活函数,生成所述差异值对应的输出值;
基于所述输出值的相反数,生成所述第一特征。
5.根据权利要求3所述的方法,其中,所述预设第二运算包括相乘。
6.根据权利要求3所述的方法,其中,所述预设第三运算包括相加。
7.根据权利要求1-6之一所述的方法,其中,所述方法还包括:
将所述调整后的初始增量网络与所述待迭代的图像处理模型所组成的整体确定为新的待迭代的图像处理模型。
8.一种图像处理方法,包括:
获取待处理图像;
将所述待处理图像输入至预先训练的图像处理模型,生成图像处理结果,其中,所述图像处理模型根据权利要求1-7之一所述的基于图像处理模型的增量学习方法训练得到。
9.一种基于图像处理模型的增量学习装置,包括:
第一获取单元,被配置成获取待迭代的图像处理模型和与所述待迭代的图像处理模型对应的初始增量网络;
第一生成单元,被配置成将预先获取的目标样本数据中的样本图像分别输入至所述待迭代的图像处理模型和所述初始增量网络,得到与所述待迭代的图像处理模型和所述初始增量网络分别对应的第一图像特征和第二图像特征,其中,所述目标样本数据包括样本图像和对应的标注信息;
融合单元,被配置成基于所述第一图像特征和第二图像特征,生成融合特征;
调整单元,被配置成基于所述融合特征与所述样本图像对应的标注信息的差异,调整所述初始增量网络的网络参数。
10.根据权利要求9所述的装置,其中,所述融合单元包括:
输出子单元,被配置成将所述第一图像特征和第二图像特征作为预设门控单元的输入,得到所述预设门控单元对应的输出;
融合子单元,被配置成基于所述预设门控单元对应的输出,生成所述融合特征。
11.根据权利要求10所述的装置,其中,所述预设门控单元包括预设门控循环单元;所述输出子单元包括:
第一生成模块,被配置成对所述预设门控单元对应的上一步迭代输出与所述第一图像特征执行预设第一运算,生成第一特征,其中,所述第一特征与所述预设门控单元对应的上一步迭代输出与所述第一图像特征之间的差异负相关;
第二生成模块,被配置成对所述第一特征与所述第二图像特征执行预设第二运算,生成第二特征;
第三生成模块,被配置成对所述第一图像特征与所述第二特征执行预设第三运算,生成所述预设门控单元对应的当前步输出;
第四生成模块,被配置成基于所述预设门控单元对应的当前步输出,生成所述预设门控单元对应的输出。
12.根据权利要求11所述的装置,其中,所述第一生成模块被进一步配置成:
确定所述门控单元的上一步迭代输出与第一记忆图像特征的差异值;
利用预设的激活函数,生成所述差异值对应的输出值;
基于所述输出值的相反数,生成所述第一特征。
13.根据权利要求11所述的装置,其中,所述预设第二运算包括相乘。
14.根据权利要求11所述的装置,其中,所述预设第三运算包括相加。
15.根据权利要求9-14之一所述的装置,其中,所述装置还包括:
确定单元,被配置成将所述调整后的初始增量网络与所述待迭代的图像处理模型所组成的整体确定为新的待迭代的图像处理模型。
16.一种图像处理装置,包括:
第二获取单元,被配置成获取待处理图像;
第二生成单元,被配置成将所述待处理图像输入至预先训练的图像处理模型,生成图像处理结果,其中,所述图像处理模型根据权利要求1-7之一所述的基于图像处理模型的增量学习方法训练得到。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110625027.XA CN113361719A (zh) | 2021-06-04 | 2021-06-04 | 基于图像处理模型的增量学习方法和图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110625027.XA CN113361719A (zh) | 2021-06-04 | 2021-06-04 | 基于图像处理模型的增量学习方法和图像处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113361719A true CN113361719A (zh) | 2021-09-07 |
Family
ID=77532281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110625027.XA Pending CN113361719A (zh) | 2021-06-04 | 2021-06-04 | 基于图像处理模型的增量学习方法和图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361719A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114119363A (zh) * | 2021-10-15 | 2022-03-01 | 北京百度网讯科技有限公司 | 数据增广方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200175384A1 (en) * | 2018-11-30 | 2020-06-04 | Samsung Electronics Co., Ltd. | System and method for incremental learning |
CN111368874A (zh) * | 2020-01-23 | 2020-07-03 | 天津大学 | 一种基于单分类技术的图像类别增量学习方法 |
WO2020232905A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质 |
CN112560874A (zh) * | 2020-12-25 | 2021-03-26 | 北京百度网讯科技有限公司 | 图像识别模型的训练方法、装置、设备和介质 |
WO2021098796A1 (zh) * | 2019-11-20 | 2021-05-27 | Oppo广东移动通信有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
-
2021
- 2021-06-04 CN CN202110625027.XA patent/CN113361719A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200175384A1 (en) * | 2018-11-30 | 2020-06-04 | Samsung Electronics Co., Ltd. | System and method for incremental learning |
WO2020232905A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质 |
WO2021098796A1 (zh) * | 2019-11-20 | 2021-05-27 | Oppo广东移动通信有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
CN111368874A (zh) * | 2020-01-23 | 2020-07-03 | 天津大学 | 一种基于单分类技术的图像类别增量学习方法 |
CN112560874A (zh) * | 2020-12-25 | 2021-03-26 | 北京百度网讯科技有限公司 | 图像识别模型的训练方法、装置、设备和介质 |
Non-Patent Citations (1)
Title |
---|
赵璐;何子况;朱秋煜;: "基于CNN和BIRCH聚类算法的类别增量学习", 电子测量技术, no. 11 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114119363A (zh) * | 2021-10-15 | 2022-03-01 | 北京百度网讯科技有限公司 | 数据增广方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108205699B (zh) | 生成用于神经网络输出层的输出 | |
CN113963110B (zh) | 纹理图生成方法、装置、电子设备及存储介质 | |
CN113538235B (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
CN112528995B (zh) | 用于训练目标检测模型的方法、目标检测方法及装置 | |
CN110633717A (zh) | 一种目标检测模型的训练方法和装置 | |
CN113378855A (zh) | 用于处理多任务的方法、相关装置及计算机程序产品 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN112785493A (zh) | 模型的训练方法、风格迁移方法、装置、设备及存储介质 | |
CN113627536A (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN115456167A (zh) | 轻量级模型训练方法、图像处理方法、装置及电子设备 | |
CN113965313B (zh) | 基于同态加密的模型训练方法、装置、设备以及存储介质 | |
CN115170815A (zh) | 视觉任务处理及模型训练的方法、装置、介质 | |
CN114549728A (zh) | 图像处理模型的训练方法、图像处理方法、装置及介质 | |
CN114186681A (zh) | 用于生成模型簇的方法、装置及计算机程序产品 | |
CN113361719A (zh) | 基于图像处理模型的增量学习方法和图像处理方法 | |
CN116524165B (zh) | 三维表情模型的迁移方法、装置、设备和存储介质 | |
CN116205819B (zh) | 字符图像生成方法、深度学习模型的训练方法和装置 | |
CN114926322B (zh) | 图像生成方法、装置、电子设备和存储介质 | |
CN113361575B (zh) | 模型训练方法、装置和电子设备 | |
CN113344200B (zh) | 用于训练可分离卷积网络的方法、路侧设备及云控平台 | |
CN115641481A (zh) | 用于训练图像处理模型和图像处理的方法、装置 | |
CN114463361A (zh) | 网络模型训练方法、装置、设备、介质及程序产品 | |
CN113313049A (zh) | 超参数的确定方法、装置、设备、存储介质以及计算机程序产品 | |
CN113947146A (zh) | 样本数据生成方法、模型训练方法、图像检测方法及装置 | |
CN113239899B (zh) | 用于处理图像和生成卷积核的方法、路侧设备和云控平台 |
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 |