CN116777814A - 图像处理方法、装置、计算机设备、存储介质及程序产品 - Google Patents
图像处理方法、装置、计算机设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN116777814A CN116777814A CN202210217587.6A CN202210217587A CN116777814A CN 116777814 A CN116777814 A CN 116777814A CN 202210217587 A CN202210217587 A CN 202210217587A CN 116777814 A CN116777814 A CN 116777814A
- Authority
- CN
- China
- Prior art keywords
- image
- model
- sample
- recognition
- image recognition
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 20
- 238000005516 engineering process Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 230000004927 fusion Effects 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 10
- 239000013598 vector Substances 0.000 description 8
- 238000013145 classification model Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种图像处理方法、装置、计算机设备、存储介质及程序产品,涉及图像处理领域。图像处理方法包括:获取待识别图像,基于权重预测模型确定至少两个图像识别模型分别针对待识别图像的权重系数;其中,每一图像识别模型的权重系数与图像识别模型针对待识别图像的识别准确度成正比;基于至少两个图像识别模型分别识别待识别图像,得到每一图像识别模型的预测标签;基于至少两个图像识别模型分别针对待识别图像的权重系数以及每一图像识别模型的预测标签,确定待识别图像的识别结果。本发明实施例可应用于地图领域,可以强调识别准确度较高的图像识别模型的预测标签,忽略识别准确度较低的图像识别模型的预测标签,从而提高最终识别结果的准确率。
Description
技术领域
本申请涉及图像处理技术领域,本申请涉及一种图像处理方法、装置、计算机设备、存储介质及程序产品。
背景技术
随着信息技术的迅速发展,针对数据样本,例如图像通常存在多种工具,如多种不同的模型对这些图像进行处理,由于提取的特征不同,不同模型在不同的数据上表现能力存在差异。基于特定的融合策略,选择表现最好的模型,可以得到一个整体表现较好的图像处理结果。
目前针对图像处理模型的融合,可以先设置正负样本,根据正负样本的特征向量的夹角计算置信度从而设置两个图像处理模型的权重,针对不同的待处理图像,融合后的两个图像处理模型的精确度可能不稳定。
发明内容
本申请提供了一种图像处理方法、装置、计算机设备、存储介质及程序产品,可以解决相关技术中针对不同的待处理图像无法确保融合后的模型精确度的问题。所述技术方案如下:
一方面,提供了一种图像处理方法,方法包括:
获取待识别图像,基于权重预测模型确定至少两个图像识别模型分别针对待识别图像的权重系数;其中,每一图像识别模型的权重系数与图像识别模型针对待识别图像的识别准确度成正比;
基于至少两个图像识别模型分别识别待识别图像,得到每一图像识别模型的预测标签;
基于至少两个图像识别模型分别针对待识别图像的权重系数以及每一图像识别模型的预测标签,确定待识别图像的识别结果。
在一个可能实现方式中,权重预测模型基于如下方式训练得到:
获取多个样本图像;每一样本图像设置有对应的样本标准标注;
针对每一样本图像,将样本图像分别输入到至少两个图像识别模型中,得到每一图像识别模型的样本预测标注;
基于样本标准标注和每一图像识别模型的样本预测标注,确定每一图像识别模型针对样本图像的识别准确度;
基于每一图像识别模型针对样本图像的识别准确度获取权重预测模型。
在一个可能实现方式中,基于样本标准标注和每一图像识别模型的样本预测标注,确定每一图像识别模型针对样本图像的识别准确度,包括:
将每一图像识别模型的样本预测标注与样本标准标注进行匹配,得到每一样本预测标注的匹配度;
将每一样本预测标注的匹配度设为对应的图像识别模型的识别准确度。
在一个可能实现方式中,基于每一图像识别模型针对样本图像的识别准确度获取权重预测模型,包括:
基于每一图像识别模型的识别准确度确定针对样本图像识别准确度最高的图像识别模型;
基于每一样本图像、针对每一样本图像识别准确度最高的图像识别模型获取权重预测模型。
在一个可能实现方式中,基于每一样本图像、针对每一样本图像识别准确度最高的图像识别模型获取权重预测模型,包括:
针对每一样本图像,将样本图像的识别准确度最高的图像识别模型的模型类别设为样本分类标签;
基于每一样本图像、每一样本图像对应的样本分类标签对初始权重预测模型进行训练,得到权重预测模型。
在一个可能实现方式中,基于权重预测模型确定至少两个图像识别模型分别针对待识别图像的权重系数,包括:
将待识别图像输入权重预测模型中,得到待识别图像分别属于至少两个图像识别模型的分类标签的概率;
基于待识别图像分别属于至少两个图像识别模型的分类标签的概率确定每一图像识别模型的权重系数。
在一个可能实现方式中,针对每一图像识别模型,待识别图像属于图像识别模型的分类标签的概率与图像识别模型的权重系数成正比。
在一个可能实现方式中,基于至少两个图像识别模型分别针对待识别图像的权重系数以及每一图像识别模型的预测标签,确定待识别图像的识别结果,包括:
基于至少两个图像识别模型分别针对待识别图像的权重系数,确定每一图像识别模型的预测标签的加权和,得到识别结果。
在一个可能实现方式中,基于至少两个图像识别模型分别针对待识别图像的权重系数以及每一图像识别模型的预测标签,确定待识别图像的识别结果,包括:
从至少两个图像识别模型中确定出权重系数大于预设系数的图像识别模型;
将权重系数大于预设系数的图像识别模型的预测标签进行融合,得到识别结果。
在一个可能实现方式中,基于至少两个图像识别模型分别针对待识别图像的权重系数以及每一图像识别模型的预测标签,确定待识别图像的识别结果,包括:
从至少两个图像识别模型中确定出权重系数最高的预设个数的图像识别模型;
将权重系数最高的预设个数的图像识别模型的预测标签进行融合,得到识别结果。
另一方面,提供了一种图像处理装置,装置包括:
第一确定模块,用于获取待识别图像,基于权重预测模型确定至少两个图像识别模型分别针对待识别图像的权重系数;其中,每一图像识别模型的权重系数与图像识别模型针对待识别图像的识别准确度成正比;
识别模块,用于基于至少两个图像识别模型分别识别待识别图像,得到每一图像识别模型的预测标签;
第二确定模块,用于基于至少两个图像识别模型分别针对待识别图像的权重系数以及每一图像识别模型的预测标签,确定待识别图像的识别结果。
在一个可能实现方式中,还包括训练模块,用于:
获取多个样本图像;每一样本图像设置有对应的样本标准标注;
针对每一样本图像,将样本图像分别输入到至少两个图像识别模型中,得到每一图像识别模型的样本预测标注;
基于样本标准标注和每一图像识别模型的样本预测标注,确定每一图像识别模型针对样本图像的识别准确度;
基于每一图像识别模型针对样本图像的识别准确度获取权重预测模型。
在一个可能实现方式中,训练模块在基于样本标准标注和每一图像识别模型的样本预测标注,确定每一图像识别模型针对样本图像的识别准确度时,具体用于:
将每一图像识别模型的样本预测标注与样本标准标注进行匹配,得到每一样本预测标注的匹配度;
将每一样本预测标注的匹配度设为对应的图像识别模型的识别准确度。
在一个可能实现方式中,训练模块在基于每一图像识别模型针对样本图像的识别准确度获取权重预测模型时,具体用于:
基于每一图像识别模型的识别准确度确定针对样本图像识别准确度最高的图像识别模型;
基于每一样本图像、针对每一样本图像识别准确度最高的图像识别模型获取权重预测模型。
在一个可能实现方式中,训练模块在基于每一样本图像、针对每一样本图像识别准确度最高的图像识别模型获取权重预测模型时,具体用于:
针对每一样本图像,将样本图像的识别准确度最高的图像识别模型的模型类别设为样本分类标签;
基于每一样本图像、每一样本图像对应的样本分类标签对初始权重预测模型进行训练,得到权重预测模型。
在一个可能实现方式中,第一确定模块在基于权重预测模型确定至少两个图像识别模型分别针对待识别图像的权重系数时,具体用于:
将待识别图像输入权重预测模型中,得到待识别图像分别属于至少两个图像识别模型的分类标签的概率;
基于待识别图像分别属于至少两个图像识别模型的分类标签的概率确定每一图像识别模型的权重系数。
在一个可能实现方式中,针对每一图像识别模型,待识别图像属于图像识别模型的分类标签的概率与图像识别模型的权重系数成正比。
在一个可能实现方式中,第二确定模块在基于至少两个图像识别模型分别针对待识别图像的权重系数以及每一图像识别模型的预测标签,确定待识别图像的识别结果时,具体用于:
基于至少两个图像识别模型分别针对待识别图像的权重系数,确定每一图像识别模型的预测标签的加权和,得到识别结果。
在一个可能实现方式中,第二确定模块在基于至少两个图像识别模型分别针对待识别图像的权重系数以及每一图像识别模型的预测标签,确定待识别图像的识别结果时,具体用于:
从至少两个图像识别模型中确定出权重系数大于预设系数的图像识别模型;
将权重系数大于预设系数的图像识别模型的预测标签进行融合,得到识别结果。
在一个可能实现方式中,第二确定模块在基于至少两个图像识别模型分别针对待识别图像的权重系数以及每一图像识别模型的预测标签,确定待识别图像的识别结果时,具体用于:
从至少两个图像识别模型中确定出权重系数最高的预设个数的图像识别模型;
将权重系数最高的预设个数的图像识别模型的预测标签进行融合,得到识别结果。
在一个可能实现方式中,第二确定模块在基于至少两个图像识别模型分别针对待识别图像的权重系数以及每一图像识别模型的预测标签,确定待识别图像的识别结果时,具体用于:
从至少两个图像识别模型中确定出权重系数大于预设系数的目标识别模型;
基于所确定的目标识别模型的权重系数将目标识别模型的预测标签进行融合,得到识别结果。
另一方面,提供了一种计算机设备,包括存储器、处理器及存储在存储器上的计算机程序,处理器执行计算机程序以实现上述的图像处理方法。
另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述的图像处理方法。
另一方面,提供了一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现上述的图像处理方法。
本申请提供的技术方案带来的有益效果是:
通过权重预测模型来预测针对至少两个图像识别模型分别针对所述待识别图像的权重系数,每一所述图像识别模型的权重系数与所述图像识别模型针对所述待识别图像的识别准确度成正比,再基于不同图像识别模型的权重系数以及每一图像识别模型的预测标签来确定最终的识别结果,可以强调识别准确度较高的图像识别模型的预测标签,忽略识别准确度较低的图像识别模型的预测标签,从而提高最终识别结果的准确率。
进一步的,通过每一样本图像、针对每一样本图像识别准确度最高的图像识别模型对初始权重预测模型进行训练,使得权重预测模型可以输出与所述图像识别模型针对所述待识别图像的识别准确度成正比的权重系数,从而提高最终识别结果的准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种图像处理方法的实施环境示意图;
图2为本申请实施例提供的一种图像处理方法的流程示意图;
图3为本申请实施例提供的权重预测模型的获取方案的示意图;
图4为本申请示例提供的识别结果的获取的方案的示意图;
图5为本申请示例提供的识别结果的获取的方案的示意图;
图6为本申请示例提供的表情处理方案的示意图;
图7为本申请实施例提供的一种图像处理装置的结构示意图;
图8为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面结合本申请中的附图描述本申请的实施例。应理解,下面结合附图所阐述的实施方式,是用于解释本申请实施例的技术方案的示例性描述,对本申请实施例的技术方案不构成限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请实施例所使用的术语“包括”以及“包含”是指相应特征可以实现为所呈现的特征、信息、数据、步骤、操作、元件和/或组件,但不排除实现为本技术领域所支持其他特征、信息、数据、步骤、操作、元件、组件和/或它们的组合等。应该理解,当我们称一个元件被“连接”或“耦接”到另一元件时,该一个元件可以直接连接或耦接到另一元件,也可以指该一个元件和另一元件通过中间元件建立连接关系。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的术语“和/或”指示该术语所限定的项目中的至少一个,例如“A和/或B”指示实现为“A”,或者实现为“A”,或者实现为“A和B”。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
随着信息技术的迅速发展,存在大量数据样本,通常存在多种工具(如模型)对这些数据进行处理,由于提取的特征不同,不同模型在不同的数据上表现能力存在差异。考虑到这一点,基于特定的融合策略,在局部空间上动态选择表现最好的模型,可以得到一个整体表现较好的融合模型。通常而言,随着集成中个体模型数目的增大,集成的错误率将指数级下降,但不同模型表现差距过大时,模型融合的结果反而比单个模型的精度更低。
相关技术通过分类阈值确定多个分类模型中的每个的用于对多个训练样本进行分类的分类阈值;针对多个分类模型中的每个空间,将该分类模型关于多个训练样本的输出得分根据各个输出得分的概率密度划分成多个子空间,从而确定多个子空间内的各个单元的置信度,该置信度表示各个单元的输出得分的置信水平,再基于多个分类模型中的每个的预定权重和各个分类模型的分类阈值,对多个分类模型的分类阈值进行融合。
这种方式只是简单的根据正负样本指标计算分类阈值,该阈值与最终模型预测的结果没有直接联系,只是通过最终结果间接改进模型融合策略。
还有一些相关技术中求取所述正样本和所述负样本中每个人脸图像的特征向量;根据所述特征向量,分别求取所述两个人脸识别模型对所述正样本和负样本中的人脸图像的特征向量的夹角,得到对应人脸识别模型的置信度;将所述两个人脸识别模型的置信度的结果进行比较,根据比较结果得到两个人脸识别模型的权重值的组合;根据所述权重值的组合,对所述两个人脸识别模型的权重计算,确定所述人脸识别融合模型,以确保利用所述两个人脸识别模型所生成的人脸识别融合模型的人脸识别精确度比单个人脸识别模型的精确度要高。
这种方式依据特征向量的夹角计算置信度,从而间接设置权重,且模型数量有所限制,针对不同的待识别图像并不能确保识别结果的准确度。
本申请通过权重预测模型强调表现较好的模型,忽略表现较差的模型,即便不同模型表现差距较大,也可以取得较好的融合效果,得到的识别结果准确率较高。
本申请实施例可应用于各种场景,包括但不限于人工智能等。示例性的,本申请提供的图像处理方法,可以应用于水体识别,通过已有数据集训练得到多个图像语义分割模型,每个模型在不同地区的表现效果不同,通过基于权重预测的图像识别模型融合策略,可以扬长避短,充分发挥多个图像识别模型的优势,得到精准的识别结果。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
图1是本发明实施例提供的一种图像处理方法的实施环境的示意图,参见图1,具体的,根据至少两个图像识别模型分别识别样本图像,得到样本预测标注,从而确定每一图像识别模型针对样本图像的识别准确度,再利用每一图像识别模型的识别准确度和样本图像对初始权重预测模型进行训练,得到权重预测模型,利用权重预测模型确定至少两个图像识别模型分别针对所述待识别图像的权重系数,再根据每一图像识别模型针对待识别图像的预测标签和权重系数确定最终的识别结果。
可以理解的是,图1表示的是一个示例中的应用场景,并不对本申请的图像处理方法的应用场景进行限定。
图2为本申请实施例提供的一种图像处理方法的流程示意图。该方法的执行主体可以为计算机设备。如图2所示,该方法可以包括以下步骤:
步骤201,获取待识别图像,基于权重预测模型确定至少两个图像识别模型分别针对待识别图像的权重系数。
其中,每一图像识别模型的权重系数与图像识别模型针对待识别图像的识别准确度成正比。
其中,图像识别模型可以是语义分割网络,例如,全卷积网络(Fully ConvolutionNetwork,FCN)、UNet网络、UNet++网络、HRNet网络(高分辨率网络);其中,UNet网络和UNet++网络均为全卷机神经网络,是像素级分类,输出的则是每个像素点的类别。
具体的,图像识别模型对图像进行识别的过程可以是语义分割网络对图像逐像素点进行预测的过程。
以Unet++为例,Unet++引入了一个内置的深度可变的UNet集合,可为不同大小的对象提供改进的分割性能,并重新设计了UNet++中的跳接,从而在解码器中实现了灵活的特征融合,通过设计了一种方案来剪枝经过训练的UNet++,在保持其性能的同时加快其推理速度,同时训练嵌入在UNet++体系结构中的多深度UNet可以激发组成UNet之间的协作学习,与单独训练具有相同体系结构的隔离UNet相比,可以带来更好的性能。
以HRNet为例,HRnet将高低分辨率之间的链接由串联改为并联,在整个网络结构中都保持了高分辨率的表征,并在高低分辨率中引入了交互来提高模型性能。
其中,权重预测模型可以是卷积神经网络,权重预测模型的输入为图像,输出图像分别适合被至少两个图像识别模型进行识别的概率,即输出为不同图像识别模型的概率。
以权重预测模型为BagNet为例,其中,BagNet为一种图像分类的卷积神经网络,BagNet不考虑空间排序,而是根据图像的小型局部特征对图像进行分类,其对局部特征的约束可以直接分析图像的每个部分是如何影响分类,这种方式使其更注重于图像的整体信息,能够较好地学习到有用的空间信息,摒除噪声数据的影响。其简要流程如下:
1)将输入的图像截取为一定大小像素的图像块;
2)在截取图像块之后,在每一个图像块上使用1×1卷积的深度网络进而获得类别向量;
3)依照空间对所有输出的类别向量进行求和处理;
4)通过类别向量最大的元素计数预测分类类别,输出每个类别的预测概率。得到每个类别的概率,即为图像分别适合被至少两个图像识别模型进行识别的概率。
具体的,可以分别基于至少两个图像识别模型对样本图像进行识别,确定每一图像识别模型针对样本图像的识别准确度,从而判断针对不同图像识别模型适用于什么样的样本图像,再基于不同图像识别模型的识别准确度和样本图像训练得到权重预测模型,具体针对权重预测模型的获取过程将在下文进行进一步详细阐述。
步骤202,基于至少两个图像识别模型分别识别待识别图像,得到每一图像识别模型的预测标签。
其中,图像识别模型是基于训练样本和训练样本对应的训练标签所训练得到的。
具体的,将待识别图像分别输入到不同的图像识别模型中,得到不同的图像识别模型针对待识别图像的预测标签。
步骤203,基于至少两个图像识别模型分别针对待识别图像的权重系数以及每一图像识别模型的预测标签,确定待识别图像的识别结果。
在一些实施方式中,可以基于权重系数,选择权重系数最大的图像识别模型的预测标签,确定识别结果。
在另一些实施方式中,可以基于不同图像识别模型的权重系数,从多个图像识别模型中,选取权重系数大于预设阈值的图像识别模型,基于所选取的图像识别模型的预测标签来确定识别结果。
在还有一些实施方式中,还可以基于不同图像识别模型的权重系数,将不同图像识别模型的预测标签进行融合,得到识别结果,具体针对识别结果的获取过程,将在下文进行进一步详细阐述。
上述实施例中,通过权重预测模型来预测针对至少两个图像识别模型分别针对待识别图像的权重系数,每一图像识别模型的权重系数与图像识别模型针对待识别图像的识别准确度成正比,再基于不同图像识别模型的权重系数以及每一图像识别模型的预测标签来确定最终的识别结果,可以强调识别准确度较高的图像识别模型的预测标签,忽略识别准确度较低的图像识别模型的预测标签,从而提高最终识别结果的准确率。
以下将结合实施例进一步阐述获取权重预测模型的过程。
在一个可能实现方式中,如图3所示,权重预测模型可以基于如下方式训练得到:
步骤S301,获取多个样本图像。
其中,每一样本图像设置有对应的样本标准标注,样本标准标注可以接近或理想情况下等同于样本的真实标注。
步骤S302,针对每一样本图像,将样本图像分别输入到至少两个图像识别模型中,得到每一图像识别模型的样本预测标注。
其中,图像识别模型为已经经过训练的模型。
可以理解的是,这里的样本图像输入到图像识别模型,目的并不是为了对图像识别模型进行训练,而是判断已经经过训练的图像识别模型针对样本图像的识别准确度。
步骤S303,基于样本标准标注和每一图像识别模型的样本预测标注,确定每一图像识别模型针对样本图像的识别准确度。
具体的,步骤S303基于样本标准标注和每一图像识别模型的样本预测标注,确定每一图像识别模型针对样本图像的识别准确度,可以包括:
(1)将每一图像识别模型的样本预测标注与样本标准标注进行匹配,得到每一样本预测标注的匹配度;
(2)将每一样本预测标注的匹配度设为对应的图像识别模型的识别准确度。
具体的,可以通过计算相似度的方式来计算样本预测标注与样本标准标注之间的匹配度,还可以通过例如计算交并比的方式来计算样本预测标注与样本标准标注之间的重合度,即匹配度,具体确定匹配度的方式在此不作限定。
步骤S304,基于每一图像识别模型针对样本图像的识别准确度获取权重预测模型。
具体的,步骤S304基于每一图像识别模型针对样本图像的识别准确度获取权重预测模型,可以包括:
(1)基于每一图像识别模型的识别准确度确定针对样本图像识别准确度最高的图像识别模型;
(2)基于每一样本图像、针对每一样本图像识别准确度最高的图像识别模型获取权重预测模型。
在具体实施过程中,基于每一样本图像、针对每一样本图像识别准确度最高的图像识别模型获取权重预测模型,可以包括:
a、针对每一样本图像,将样本图像的识别准确度最高的图像识别模型的模型类别设为样本分类标签;
b、基于每一样本图像、每一样本图像对应的样本分类标签对初始权重预测模型进行训练,得到权重预测模型。
在具体实施过程中,通过每一样本图像、每一样本图像对应的样本分类标签对初始权重预测模型进行训练,使得初始权重预测模型输出的最高概率的样本分类标签尽可能为识别准确度最高的图像识别模型。
具体的,样本图像输入到权重预测模型,会得到不同图像识别模型的候选分类标签的概率,进一步输出概率最高的图像识别模型的样本分类标签。
上述实施例中,通过每一样本图像、针对每一样本图像识别准确度最高的图像识别模型对初始权重预测模型进行训练,使得权重预测模型可以输出与图像识别模型针对待识别图像的识别准确度成正比的权重系数,从而提高最终识别结果的准确率。
上述实施例阐述了获取权重预测模型的过程的具体获取过程,以下将结合附图和实施例进一步阐述权重系数的过程。
在一个可能实现方式中,步骤S201基于权重预测模型确定至少两个图像识别模型分别针对待识别图像的权重系数,可以包括:
(1)将待识别图像输入权重预测模型中,得到待识别图像分别属于至少两个图像识别模型的分类标签的概率;
(2)基于待识别图像分别属于至少两个图像识别模型的分类标签的概率确定每一图像识别模型的权重系数。
具体的,针对每一图像识别模型,分类标签的概率越高,该分类标签对应的图像识别模型越有可能针对待识别图像取得更好的识别效果,即待识别图像属于图像识别模型的分类标签的概率与图像识别模型的权重系数成正比。
在具体实施过程中,可以直接将待识别图像属于图像识别模型的分类标签的概率设为图像识别模型的权重系数。
上述实施例阐述了权重系数的确定过程,以下将结合附图和实施例进一步阐述图像的识别结果的具体获取过程。
在一些可能的实施方式中,可以将所有图像识别模型的预测标签进行融合,得到识别结果。
具体的,步骤S203基于至少两个图像识别模型分别针对待识别图像的权重系数以及每一图像识别模型的预测标签,确定待识别图像的识别结果,可以包括:
基于至少两个图像识别模型分别针对待识别图像的权重系数,确定每一图像识别模型的预测标签的加权和,得到识别结果。
具体的,如图4所示,将所有图像识别模型的预测标签基于各自的权重系数计算加权和,得到识别结果。
在一些可能的实施方式中,可以基于权重系数最高的预设个数的图像识别模型确定识别结果。
具体的,步骤S203基于至少两个图像识别模型分别针对待识别图像的权重系数以及每一图像识别模型的预测标签,确定待识别图像的识别结果,可以包括:
基于至少两个图像识别模型分别针对待识别图像的权重系数,确定权重系数最高的预设个数的图像识别模型;
将权重系数最高的预设个数的图像识别模型的预测标签进行融合,得到识别结果。
具体的,确定出权重系数最高的预设个数的图像识别模型后,可以对这些图像识别模型的权重系数按比例进行处理。
如图5所示,权重系数最高的两个图像识别模型的权重系数分别为0.5和0.3,则可以对这些权重系数按比例调整为0.625和0.375。
在又一些可能的实施方式中,可以将权重系数较大的图像识别模型的预测标签进行融合,得到识别结果。
具体的,步骤S203基于至少两个图像识别模型分别针对待识别图像的权重系数以及每一图像识别模型的预测标签,确定待识别图像的识别结果,可以包括:
从至少两个图像识别模型中确定出权重系数大于预设系数的图像识别模型;
将权重系数大于预设系数的图像识别模型的预测标签进行融合,得到识别结果。
具体的,可以先根据权重系数对图像识别模型进行筛选,判断权重系数是否大于预设系数,确定出权重系数大于预设系数的图像识别模型后,可以对这些图像识别模型的权重系数按比例进行处理,具体过程可以参见上文的处理方式,在此不再进行赘述。
为了更清楚的阐述本申请的图像处理方法,以下将结合示例对本申请的图像处理方法进行进一步说明。
如图6所示,在一个示例中,本申请的图像处理方法,可以包括如下步骤:
1)获取多个样本图像,即图中所示的源数据测试集图像;每一样本图像设置有对应的样本标准标注,即图中所示的源数据测试集标注;
2)针对每一样本图像,将样本图像分别输入到至少两个图像识别模型中,得到每一图像识别模型的样本预测标注;其中,图像识别模型是基于初始样本和初始标注训练得到的,即图中所示的源数据训练集图像和源数据训练集标注训练得到的;
3)将样本标准标注和每一图像识别模型的样本预测标注进行匹配,即图中所示的评测指标计算;
4)确定每一图像识别模型针对样本图像的识别准确度,用图中每一图像识别模型对应的模型分数表示;
5)选取模型分数最高的图像识别模型,将该图像识别模型的模型类别设为样本分类标签,即图中所示的标注类别;
6)根据基于每一样本图像、每一样本图像对应的样本分类标签对初始权重预测模型进行训练,得到权重预测模型,即得到图中所示的神经网络;
7)将待识别图像输入权重预测模型中,得到待识别图像分别属于至少两个图像识别模型的分类标签的概率,即图中所示的类别1概率、类别2概率……类别n概率;
8)基于待识别图像分别属于至少两个图像识别模型的分类标签的概率确定每一图像识别模型的权重系数;
9)基于至少两个图像识别模型分别识别待识别图像,得到每一图像识别模型的预测标签;基于至少两个图像识别模型分别针对待识别图像的权重系数以及每一图像识别模型的预测标签,确定待识别图像的识别结果。
上述图像处理方法,通过权重预测模型来预测针对至少两个图像识别模型分别针对待识别图像的权重系数,每一图像识别模型的权重系数与图像识别模型针对待识别图像的识别准确度成正比,再基于不同图像识别模型的权重系数以及每一图像识别模型的预测标签来确定最终的识别结果,可以强调识别准确度较高的图像识别模型的预测标签,忽略识别准确度较低的图像识别模型的预测标签,从而提高最终识别结果的准确率。
进一步的,通过每一样本图像、针对每一样本图像识别准确度最高的图像识别模型对初始权重预测模型进行训练,使得权重预测模型可以输出与图像识别模型针对待识别图像的识别准确度成正比的权重系数,从而提高最终识别结果的准确率。
图7为本申请实施例提供的一种图像处理装置的结构示意图。如图7所示,该装置包括:
第一确定模块701,用于获取待识别图像,基于权重预测模型确定至少两个图像识别模型分别针对待识别图像的权重系数;其中,每一图像识别模型的权重系数与图像识别模型针对待识别图像的识别准确度成正比;
识别模块702,用于基于至少两个图像识别模型分别识别待识别图像,得到每一图像识别模型的预测标签;
第二确定模块703,用于基于至少两个图像识别模型分别针对待识别图像的权重系数以及每一图像识别模型的预测标签,确定待识别图像的识别结果。
在一个可能实现方式中,还包括训练模块,用于:
获取多个样本图像;每一样本图像设置有对应的样本标准标注;
针对每一样本图像,将样本图像分别输入到至少两个图像识别模型中,得到每一图像识别模型的样本预测标注;
基于样本标准标注和每一图像识别模型的样本预测标注,确定每一图像识别模型针对样本图像的识别准确度;
基于每一图像识别模型针对样本图像的识别准确度获取权重预测模型。
在一个可能实现方式中,训练模块在基于样本标准标注和每一图像识别模型的样本预测标注,确定每一图像识别模型针对样本图像的识别准确度时,具体用于:
将每一图像识别模型的样本预测标注与样本标准标注进行匹配,得到每一样本预测标注的匹配度;
将每一样本预测标注的匹配度设为对应的图像识别模型的识别准确度。
在一个可能实现方式中,训练模块在基于每一图像识别模型针对样本图像的识别准确度获取权重预测模型时,具体用于:
基于每一图像识别模型的识别准确度确定针对样本图像识别准确度最高的图像识别模型;
基于每一样本图像、针对每一样本图像识别准确度最高的图像识别模型获取权重预测模型。
在一个可能实现方式中,训练模块在基于每一样本图像、针对每一样本图像识别准确度最高的图像识别模型获取权重预测模型时,具体用于:
针对每一样本图像,将样本图像的识别准确度最高的图像识别模型的模型类别设为样本分类标签;
基于每一样本图像、每一样本图像对应的样本分类标签对初始权重预测模型进行训练,得到权重预测模型。
在一个可能实现方式中,第一确定模块701在基于权重预测模型确定至少两个图像识别模型分别针对待识别图像的权重系数时,具体用于:
将待识别图像输入权重预测模型中,得到待识别图像分别属于至少两个图像识别模型的分类标签的概率;
基于待识别图像分别属于至少两个图像识别模型的分类标签的概率确定每一图像识别模型的权重系数。
在一个可能实现方式中,针对每一图像识别模型,待识别图像属于图像识别模型的分类标签的概率与图像识别模型的权重系数成正比。
在一个可能实现方式中,第二确定模块703在基于至少两个图像识别模型分别针对待识别图像的权重系数以及每一图像识别模型的预测标签,确定待识别图像的识别结果时,具体用于:
基于至少两个图像识别模型分别针对待识别图像的权重系数,确定每一图像识别模型的预测标签的加权和,得到识别结果。
在一个可能实现方式中,第二确定模块703在基于至少两个图像识别模型分别针对待识别图像的权重系数以及每一图像识别模型的预测标签,确定待识别图像的识别结果时,具体用于:
从至少两个图像识别模型中确定出权重系数大于预设系数的图像识别模型;
将权重系数大于预设系数的图像识别模型的预测标签进行融合,得到识别结果。
在一个可能实现方式中,第二确定模块703在基于至少两个图像识别模型分别针对待识别图像的权重系数以及每一图像识别模型的预测标签,确定待识别图像的识别结果时,具体用于:
从至少两个图像识别模型中确定出权重系数最高的预设个数的图像识别模型;
将权重系数最高的预设个数的图像识别模型的预测标签进行融合,得到识别结果。
上述的图像处理装置,通过权重预测模型来预测针对至少两个图像识别模型分别针对待识别图像的权重系数,每一图像识别模型的权重系数与图像识别模型针对待识别图像的识别准确度成正比,再基于不同图像识别模型的权重系数以及每一图像识别模型的预测标签来确定最终的识别结果,可以强调识别准确度较高的图像识别模型的预测标签,忽略识别准确度较低的图像识别模型的预测标签,从而提高最终识别结果的准确率。
进一步的,通过每一样本图像、针对每一样本图像识别准确度最高的图像识别模型对初始权重预测模型进行训练,使得权重预测模型可以输出与图像识别模型针对待识别图像的识别准确度成正比的权重系数,从而提高最终识别结果的准确率。
另一方面,提供了一种计算机设备,包括存储器、处理器及存储在存储器上的计算机程序,处理器执行计算机程序以实现上述的图像处理方法。
图8是本申请实施例中提供了一种计算机设备的结构示意图。如图8所示,该计算机设备包括:存储器和处理器;至少一个程序,存储于存储器中,用于被处理器执行时,与现有技术相比可实现:
通过权重预测模型来预测针对至少两个图像识别模型分别针对所述待识别图像的权重系数,每一所述图像识别模型的权重系数与所述图像识别模型针对所述待识别图像的识别准确度成正比,再基于不同图像识别模型的权重系数以及每一图像识别模型的预测标签来确定最终的识别结果,可以强调识别准确度较高的图像识别模型的预测标签,忽略识别准确度较低的图像识别模型的预测标签,从而提高最终识别结果的准确率。
在一个可选实施例中提供了一种计算机设备,如图8所示,图8所示的计算机设备800包括:处理器801和存储器803。其中,处理器801和存储器803相连,如通过总线802相连。可选地,计算机设备800还可以包括收发器804,收发器804可以用于该计算机设备与其他计算机设备之间的数据交互,如数据的发送和/或数据的接收等。需要说明的是,实际应用中收发器804不限于一个,该计算机设备800的结构并不构成对本申请实施例的限定。
处理器801可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器801也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线802可包括一通路,在上述组件之间传送信息。总线802可以是PCI(Peripheral Component Interconnect,外设部件互连标注)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标注结构)总线等。总线802可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器803可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器803用于存储执行本申请方案的应用程序代码(计算机程序),并由处理器801来控制执行。处理器801用于执行存储器803中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,计算机设备包括但不限于:虚拟化的计算机设备、虚拟机、服务器、服务集群、用户的终端等。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中图像处理方法的相应内容。
本申请实施例提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述的图像处理方法。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
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。
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,使得该电子设备执行上述实施例所示的方法。
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,第一确定模块还可以被描述为“用于确定权重系数的模块”。
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。
Claims (14)
1.一种图像处理方法,其特征在于,所述方法包括:
获取待识别图像,基于权重预测模型确定至少两个图像识别模型分别针对所述待识别图像的权重系数;
其中,每一所述图像识别模型的权重系数与所述图像识别模型针对所述待识别图像的识别准确度成正比;
基于所述至少两个图像识别模型分别识别所述待识别图像,得到每一图像识别模型的预测标签;
基于所述至少两个图像识别模型分别针对所述待识别图像的权重系数以及每一图像识别模型的预测标签,确定所述待识别图像的识别结果。
2.根据权利要求1所述的图像处理方法,其特征在于,所述权重预测模型基于如下方式训练得到:
获取多个样本图像;每一所述样本图像设置有对应的样本标准标注;
针对每一样本图像,将所述样本图像分别输入到所述至少两个图像识别模型中,得到每一所述图像识别模型的样本预测标注;
基于所述样本标准标注和每一所述图像识别模型的所述样本预测标注,确定每一所述图像识别模型针对所述样本图像的识别准确度;
基于每一所述图像识别模型针对所述样本图像的识别准确度获取所述权重预测模型。
3.根据权利要求2所述的图像处理方法,其特征在于,所述基于所述样本标准标注和每一所述图像识别模型的所述样本预测标注,确定每一所述图像识别模型针对所述样本图像的识别准确度,包括:
将每一所述图像识别模型的所述样本预测标注与所述样本标准标注进行匹配,得到每一所述样本预测标注的匹配度;
将每一所述样本预测标注的匹配度设为对应的图像识别模型的识别准确度。
4.根据权利要求2所述的图像处理方法,其特征在于,所述基于每一所述图像识别模型针对所述样本图像的识别准确度获取所述权重预测模型,包括:
基于每一所述图像识别模型的识别准确度确定针对所述样本图像识别准确度最高的所述图像识别模型;
基于每一样本图像、针对每一样本图像识别准确度最高的图像识别模型获取所述权重预测模型。
5.根据权利要求4所述的图像处理方法,其特征在于,所述基于每一样本图像、针对每一样本图像识别准确度最高的图像识别模型获取所述权重预测模型,包括:
针对每一样本图像,将所述样本图像的识别准确度最高的图像识别模型的模型类别设为样本分类标签;
基于每一样本图像、每一样本图像对应的样本分类标签对初始权重预测模型进行训练,得到所述权重预测模型。
6.根据权利要求5所述的图像处理方法,其特征在于,所述基于权重预测模型确定至少两个图像识别模型分别针对所述待识别图像的权重系数,包括:
将所述待识别图像输入所述权重预测模型中,得到所述待识别图像分别属于所述至少两个图像识别模型的分类标签的概率;
基于所述待识别图像分别属于所述至少两个图像识别模型的分类标签的概率确定每一所述图像识别模型的所述权重系数。
7.根据权利要求6所述的图像处理方法,其特征在于,针对每一所述图像识别模型,所述待识别图像属于图像识别模型的分类标签的概率与所述图像识别模型的所述权重系数成正比。
8.根据权利要求1所述的图像处理方法,其特征在于,所述基于所述至少两个图像识别模型分别针对所述待识别图像的权重系数以及每一图像识别模型的预测标签,确定所述待识别图像的识别结果,包括:
基于所述至少两个图像识别模型分别针对所述待识别图像的权重系数,确定每一所述图像识别模型的预测标签的加权和,得到所述识别结果。
9.根据权利要求1所述的图像处理方法,其特征在于,所述基于所述至少两个图像识别模型分别针对所述待识别图像的权重系数以及每一图像识别模型的预测标签,确定所述待识别图像的识别结果,包括:
从至少两个图像识别模型中确定出权重系数大于预设系数的图像识别模型;
将权重系数大于所述预设系数的所述图像识别模型的预测标签进行融合,得到所述识别结果。
10.根据权利要求1所述的图像处理方法,其特征在于,所述基于所述至少两个图像识别模型分别针对所述待识别图像的权重系数以及每一图像识别模型的预测标签,确定所述待识别图像的识别结果,包括:
从至少两个图像识别模型中确定出权重系数最高的预设个数的图像识别模型;
将权重系数最高的预设个数的所述图像识别模型的预测标签进行融合,得到所述识别结果。
11.一种图像处理装置,其特征在于,所述装置包括:
第一确定模块,用于获取待识别图像,基于权重预测模型确定至少两个图像识别模型分别针对所述待识别图像的权重系数;其中,每一所述图像识别模型的权重系数与所述图像识别模型针对所述待识别图像的识别准确度成正比;
识别模块,用于基于所述至少两个图像识别模型分别识别所述待识别图像,得到每一图像识别模型的预测标签;
第二确定模块,用于基于所述至少两个图像识别模型分别针对所述待识别图像的权重系数以及每一图像识别模型的预测标签,确定所述待识别图像的识别结果。
12.一种计算机设备,包括存储器、处理器及存储在存储器上的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1至10任一项所述的图像处理方法。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至10任一项所述的图像处理方法。
14.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至10任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210217587.6A CN116777814A (zh) | 2022-03-07 | 2022-03-07 | 图像处理方法、装置、计算机设备、存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210217587.6A CN116777814A (zh) | 2022-03-07 | 2022-03-07 | 图像处理方法、装置、计算机设备、存储介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116777814A true CN116777814A (zh) | 2023-09-19 |
Family
ID=88008591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210217587.6A Pending CN116777814A (zh) | 2022-03-07 | 2022-03-07 | 图像处理方法、装置、计算机设备、存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777814A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314909A (zh) * | 2023-11-29 | 2023-12-29 | 无棣源通电子科技有限公司 | 基于人工智能的电路板缺陷检测方法、装置、设备及介质 |
-
2022
- 2022-03-07 CN CN202210217587.6A patent/CN116777814A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314909A (zh) * | 2023-11-29 | 2023-12-29 | 无棣源通电子科技有限公司 | 基于人工智能的电路板缺陷检测方法、装置、设备及介质 |
CN117314909B (zh) * | 2023-11-29 | 2024-02-09 | 无棣源通电子科技有限公司 | 基于人工智能的电路板缺陷检测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111767405B (zh) | 文本分类模型的训练方法、装置、设备及存储介质 | |
CN110363220B (zh) | 行为类别检测方法、装置、电子设备和计算机可读介质 | |
CN110942072A (zh) | 基于质量评估的质量分、检测模型训练、检测方法及装置 | |
KR20190029083A (ko) | 신경망 학습 방법 및 이를 적용한 장치 | |
CN113537070B (zh) | 一种检测方法、装置、电子设备及存储介质 | |
CN111368634B (zh) | 基于神经网络的人头检测方法、***及存储介质 | |
CN111797769B (zh) | 一种小目标敏感的车辆检测*** | |
CN112712068B (zh) | 一种关键点检测方法、装置、电子设备及存储介质 | |
WO2022100607A1 (zh) | 一种神经网络结构确定方法及其装置 | |
CN112420125A (zh) | 分子属性预测方法、装置、智能设备和终端 | |
CN112149689A (zh) | 基于目标领域自监督学习的无监督领域适应方法和*** | |
CN110472673B (zh) | 参数调整方法、眼底图像处理方法、装置、介质及设备 | |
CN117217368A (zh) | 预测模型的训练方法、装置、设备、介质及程序产品 | |
CN115757692A (zh) | 一种数据处理方法及其装置 | |
CN116777814A (zh) | 图像处理方法、装置、计算机设备、存储介质及程序产品 | |
CN114385846A (zh) | 一种图像分类方法、电子设备、存储介质及程序产品 | |
CN116805387B (zh) | 基于知识蒸馏的模型训练方法、质检方法和相关设备 | |
CN116579345B (zh) | 命名实体识别模型的训练方法、命名实体识别方法及装置 | |
CN116152576A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN115131291A (zh) | 对象计数模型的训练方法、装置、设备以及存储介质 | |
CN114005017A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN111401112A (zh) | 人脸识别方法和装置 | |
CN116797859A (zh) | 图像处理方法、装置、计算机设备、存储介质及程序产品 | |
CN115238805B (zh) | 异常数据识别模型的训练方法及相关设备 | |
CN113537602B (zh) | 车辆行为预测方法、装置、设备及介质 |
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 |