CN117671430A - 模型训练方法、图像处理方法、装置及设备 - Google Patents
模型训练方法、图像处理方法、装置及设备 Download PDFInfo
- Publication number
- CN117671430A CN117671430A CN202311774168.3A CN202311774168A CN117671430A CN 117671430 A CN117671430 A CN 117671430A CN 202311774168 A CN202311774168 A CN 202311774168A CN 117671430 A CN117671430 A CN 117671430A
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- sample image
- feature
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003672 processing method Methods 0.000 title claims description 15
- 238000012545 processing Methods 0.000 claims abstract description 80
- 238000000605 extraction Methods 0.000 claims abstract description 39
- 238000013145 classification model Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 13
- 238000001514 detection method Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本公开提供了一种模型训练方法、图像处理方法、装置及设备,涉及人工智能技术领域,尤其涉及图像处理、深度学习领域。实现方案为:获取样本数据集;获取图像处理模型;以及针对样本数据集中的每个样本图像,执行下述训练操作:将该样本图像输入图像处理模型,以获得多个特征提取层中的至少一个第一特征提取层所提取到的至少一个特征图;针对至少一个特征图中的每个特征图,获取该特征图的特征增强图;基于至少一个特征图对应的至少一个特征增强图,利用输出层获取该样本图像对应的预测标签;以及基于预测标签和该样本图像的标签,调整图像处理模型的至少一个参数。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及图像处理、深度学习领域,具体涉及一种模型训练方法、图像处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件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、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
深度神经网络在训练过程中,因为对抗样本的攻击导致预测或识别效果不佳,对抗样本是给训练样本加上人类无法察觉的对抗扰动生成的异常训练样本。如何有效检测出对抗样本对于人工智能模型的应用具有重要意义。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种模型训练方法、图像处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种模型训练方法,包括:获取样本数据集,其中,样本数据集包括至少一个第一样本图像和至少一个对抗样本图像,其中,每个第一样本图像包括第一标签,每个对抗样本图像包括第二标签;获取图像处理模型,其中,图像处理模型基于多个第二样本图像以及每个第二样本图像各自的样本标签训练获得,图像处理模型包括多个特征提取层和输出层;以及针对样本数据集中的每个样本图像,执行下述训练操作:将该样本图像输入图像处理模型,以获得多个特征提取层中的至少一个第一特征提取层所提取到的至少一个特征图,其中,至少一个特征图中的每个特征图包括多个通道;针对至少一个特征图中的每个特征图,获取该特征图的特征增强图,特征增强图中的每个像素点的像素值基于该像素点处的该特征图在通道方向上的特征向量的模长确定;基于至少一个特征图对应的至少一个特征增强图,利用输出层获取该样本图像对应的预测标签;以及基于预测标签和该样本图像的标签,调整图像处理模型的至少一个参数。
根据本公开的另一方面,提供了一种图像处理方法,包括:将待处理图像输入图像处理模型,其中,图像处理模型利用上述模型训练方法训练获得;以及获取图像处理模型输出的图像处理结果。
根据本公开的另一方面,提供了一种模型训练装置,包括:第一获取单元,被配置为获取样本数据集,其中,样本数据集包括至少一个第一样本图像和至少一个对抗样本图像,其中,每个第一样本图像包括第一标签,每个对抗样本图像包括第二标签;第二获取单元,被配置为获取图像处理模型,其中,图像处理模型基于多个第二样本图像以及每个第二样本图像各自的样本标签训练获得,图像处理模型包括多个特征提取层和输出层;以及第一执行单元,被配置为针对样本数据集中的每个样本图像,执行下述训练操作:第一获取子单元,被配置为将该样本图像输入图像处理模型,以获得多个特征提取层中的至少一个第一特征提取层所提取到的至少一个特征图,其中,至少一个特征图中的每个特征图包括多个通道;第二获取子单元,被配置为针对至少一个特征图中的每个特征图,获取该特征图的特征增强图,特征增强图中的每个像素点的像素值基于该像素点处的该特征图在通道方向上的特征向量的模长确定;第三获取子单元,被配置为基于至少一个特征图对应的至少一个特征增强图,利用输出层获取该样本图像对应的预测标签;以及调整子单元,被配置为基于预测标签和该样本图像的标签,调整图像处理模型的至少一个参数。
根据本公开的另一方面,提供了一种图像处理装置,包括:输入单元,被配置为将待处理图像输入图像处理模型,其中,图像处理模型利用上述模型训练方法训练获得;以及输出单元,被配置为获取图像处理模型输出的图像处理结果。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与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至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够上述模型训练方法或图像处理方法。
根据本公开的另一方面,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,其中,计算机指令用于使计算机执行上述模型训练方法或图像处理方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时实现上述模型训练方法或图像处理方法。
根据本公开的一个或多个实施例,能够通过在对样本图像进行特征提取后,对至少一个特征图中每个特征图,通过计算特征图通道方向上的特征模长,以对特征图进行特征增强,从而能够利用对抗样本图像的特征模长通常大于干净样本的特性,基于增强特征图进行对抗样本检测,提升模型的对抗样本检测能力。
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
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性***的示意图;
图2示出了根据本公开的实施例的模型训练方法的流程图;
图3示出了根据本公开的实施例的获取对抗样本图像的流程图;
图4示出了根据本公开的实施例的模型训练方法的流程图;
图5示出了根据本公开的实施例的获取特征增强图的流程图;
图6示出了根据本公开的实施例的图像处理方法的流程图;
图7示出了根据本公开的实施例的模型训练装置的结构框图;
图8示出了根据本公开的实施例的图像处理装置的结构框图;
图9示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性***100的示意图。参考图1,该***100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行上述模型训练方法或图像处理方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供其他服务或软件应用,这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的***配置是可能的,其可以与***100不同。因此,图1是用于实施本文所描述的各种方法的***的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来获取样本图像以及生成对抗样本。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏***、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作***,例如MICROSOFT Windows、APPLE iOS、类UNIX操作***、Linux或类Linux操作***(例如GOOGLE Chrome OS);或包括各种移动操作***,例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏***可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作***的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作***以及任何商业上可用的服务器操作***的一个或多个操作***。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式***的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
***100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件***支持的常规存储库。
图1的***100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
根据一些实施例,如图2所示,提供了一种模型训练方法,包括:步骤S201、获取样本数据集,其中,样本数据集包括至少一个第一样本图像和至少一个对抗样本图像,其中,每个第一样本图像包括第一标签,每个对抗样本图像包括第二标签;步骤S202、获取图像处理模型,其中,图像处理模型基于多个第二样本图像以及每个第二样本图像各自的样本标签训练获得,图像处理模型包括多个特征提取层和输出层;以及步骤S203、针对样本数据集中的每个样本图像,执行下述训练操作:步骤S2031、将该样本图像输入图像处理模型,以获得多个特征提取层中的至少一个第一特征提取层所提取到的至少一个特征图,其中,至少一个特征图中的每个特征图包括多个通道;步骤S2032、针对至少一个特征图中的每个特征图,获取该特征图的特征增强图,特征增强图中的每个像素点的像素值基于该像素点处的该特征图在通道方向上的特征向量的模长确定;步骤S2033、基于至少一个特征图对应的至少一个特征增强图,利用输出层获取该样本图像对应的预测标签;以及步骤S2034、基于预测标签和该样本图像的标签,调整图像处理模型的至少一个参数。
由此,通过在对样本图像进行特征提取后,对至少一个特征图中每个特征图,通过计算特征图通道方向上的特征模长,以对特征图进行特征增强,从而能够利用对抗样本图像的特征模长通常大于干净样本的特性,基于增强特征图进行对抗样本检测,提升模型的对抗样本检测能力。
在一些实施例中,上述图像处理模型例如可以为图像分类模型、目标检测模型等,在此不做限制。以下将以图像分类模型为例进行方法详述。
在一些实施例中,图像分类模型可以基于ResNet深度残差网络训练获得,例如ResNet34深度残差。可理解的,相关技术人员也可以根据实际需要自行选择所应用的网络结构,在此不做限制。
在一些实施例中,第一样本图像可以为预先准备的真实样本图像。例如,第一样本图像可以应用CIFAR-10数据集,该数据集是一个常用的计算机视觉数据集,通常用于图像分类任务。
在一些实施例中,对抗样本图像可以是预先准备的添加了扰动或噪声的样本图像。在一些实施例中,对抗样本图像可以基于生成对抗网络(GAN)生成。
在一些实施例中,对抗样本图像也可以是通过在真实样本图像(例如上述第一样本图像)的基础上添加扰动或噪声而生成的。
在一些实施例中,如图3所示,对抗样本图像的获取可以包括:步骤S301、针对至少一个第一样本图像中的每个第一样本图像,执行至少一次第一操作,以获得该第一样本图像的一个或多个对抗样本图像,第一操作包括:步骤S3011、在该第一样本图像中确定贴图区域;步骤S3012、将贴图区域中的图像替换为第一贴图,以获得该第一样本图像对应的中间图像;步骤S3013、针对中间图像,重复执行如下操作:将中间图像输入到图像分类模型中,以获得图像分类模型输出的第二预测标签,其中,图像分类模型基于多个第三样本图像以及每个第三样本图像各自的分类标签训练获得,基于第二预测标签和该第一样本图像对应的第一标签,计算第一损失,以及基于第一损失,调整中间图像中的至少一个像素值,以更新中间图像,直至第一损失满足预设条件,以将更新后的中间图像作为该第一样本图像的对抗样本图像并将该对抗样本图像的标签设置为第二标签;以及步骤S302、基于至少一个第一样本图像中每个第一样本图像对应的一个或多个对抗样本图像,获取至少一个对抗样本图像。
由此,通过优化贴图的方式生成对抗样本,能够使模型更加关注局部细节,提高检测准确率,同时也能提升对抗样本生成的效率。
在一些实施例中,在该第一样本图像中确定贴图区域可以包括确定该贴图区域的位置和尺寸。
在一些实施例中,第一贴图的获取可以是根据上述贴图区域的大小,随机初始化像素值所获得的贴图,也可以是按照上述贴图区域的大小从其他图像中裁剪获得的贴图。
在获取第一贴图后,可以将贴图中的每个像素值替换到第一样本图像中的贴图区域中的相应为止,从而获得初始对抗样本(也即中间图像)。随后,即可基于一个预先训练的图像分类模型对该中间图像进行优化,以获取优化后的图像作为对抗样本图像。上述优化可以包括:将该中间图像输入到上述图像分类模型中,获取预测得到的分类结果,并基于其分类结果以及其标签计算第一损失,并通过扩大第一损失的方式,调整中间图像中的至少一个像素。
在一些实施例中,上述第一损失例如可以为交叉熵损失、均方误差损失等,在此不做限制。
在一些实施例中,上述图像分类模型可以与上述图像处理模型相同,也可以是基于其他样本数据集训练的另一个图像分类模型,在此不做限制。
在一些实施例中,在优化过程中,可以对中间图像的所有像素均进行调整,也可以仅对中间图像的贴图区域内的像素值进行调整。
在一些实施例中,预设条件例如可以设置为第一损失大于某一预设阈值。
在一些实施例中,对于优化得到的图像,可以将其标签设置为第二标签,并将其作为对抗样本图像。
在一些实施例中,如图4所示,上述模型训练方法还可以包括:步骤S401、对至少一个第一样本图像中的每个第一样本图像和至少一个对抗样本图像中的每个对抗样本图像分别进行噪声叠加,以获得至少一个第一样本图像对应的至少一个第一噪声样本图像以及至少一个对抗样本图像对应的至少一个对抗噪声样本图像,每个第一噪声样本图像的标签为第一标签,每个对抗噪声样本图像的标签为第二标签;步骤S402、将至少一个第一噪声样本图像和至少一个对抗噪声样本图像添加到样本数据集中,以更新样本数据集;以及步骤S403、基于更新后的样本数据集,执行上述训练操作。
在一些实施例中,可以随机生成噪声图像,叠加在上述第一样本图像上以及对抗样本图像上,从而得到第一噪声样本图像和对抗噪声样本图像,并将其添加到样本数据集中,并应用上述存在噪声和不存在噪声的正常样本和对抗样本一并对模型进行训练,由此,能够在提升模型检测对抗样本的能力的同时,进一步提升模型的鲁棒性和泛化性。
在一些实施例中,对于图像分类任务,上述第一样本图像和对抗样本图像的标签可以指示图像的类别。对于目标检测任务,上述第一样本图像和对抗样本图像的标签也可以用于指示检测目标的位置和类别。
在一些实施例中,可以应用上述第一样本图像和对抗样本图像(以及添加噪声后的上述样本对象)对图像处理模型进行训练。每个样本图像在输入到图像处理模型后,图像处理模型中的每个特征提取层会基于输入的样本图像或上一层输出的特征图进行特征提取,从而输出每个特征提取层提取到的特征图。其中,每个特征图都包含多个通道,并且不同特征图的通道数可以是相同的,也可以是不同的,不同特征图的通道数例如可以分别为128、256、512等。
在一些实施例中,可以对多个特征提取层中的一个或多个特征图进行特征增强。具体地,对于一个待增强的特征图,每个像素点在不同通道上均具有一个像素值,则该像素点处,在通道方向上及形成了一个特征向量。特征增强图中的每个像素点的像素值,可以为其对应的特征图的该像素点处的上述特征向量的模长。
由于对抗样本图像的上述特征模长(尤其是贴图部分的特征模长)通常大于正常样本的特征模长,因此通过上述特征增强,能够增大对抗样本和正常样本之间特征图的差异,进而提升模型的对抗样本检测能力。
在一些实施例中,如图5所示,针对至少一个特征图中的每个特征图,获取该特征图的特征增强图可以包括:针对至少一个特征图中的每个特征图,执行如下操作:步骤S501、针对该特征图中的每个像素点,计算该像素点处的该特征图在通道方向上的特征向量的模长;步骤S502、基于特征图中的每个像素点对应的模长,确定平均模长;以及步骤S503、针对该特征图中的每个像素点,将该像素点的像素值确定为该像素点的模长和平均模长中的最大值,以获得该特征图的增强特征图。
由此,通过进一步将各个像素点的特征模长和图像平均特征模长进行对比,并将特征模长小于平均模长的像素点的像素值用平均模长进行替换,从而能够进一步强化对抗样本图像特征图中特征模长通常大于干净样本的特性,进一步提升模型的对抗样本检测能力。
在一些实施例中,可以进一步应用特征图的平均模长,强化上述区别。
在一些实施例中,对于第n层的特征图f(n),其特征增强图g可以基于下述公式计算得到:
其中,表示当前第n层的特征图在像素点(i,j)处沿着通道方向的特征模长,/>代表当前第n层的特征图的平均特征模长,h(n)、w(n)表示该特征图的大小。
由此,考虑到对抗样本图像(尤其是贴图部分)的特征模长是大于正常样本的,通过比较特征图的平均特征模长和各个像素点的特征模长,选择最大值作为最终的特征图中特征值大小,从而能够进一步增强对抗样本的特征图中的像素值大小,以进一步强化对抗样本和正常样本之间的特征图差异性,从而进一步提升模型的对抗样本检测能力。
在一些实施例中,上述至少一个第一特征图可以选择多个特征提取层输出的多个特征图中的任意一个或多个。
在一些实施例中,上述至少一个第一特征提取层为多个特征提取层中最靠近输出层的至少一个特征提取层。
由于深层特征通常具备更高维、更丰富的特征信息,因此,通过针对深层特征进行上述特征增强操作,并获取增强特征,能够进一步提升模型的对抗样本检测能力。
在一些实施例中,基于上述至少一个特征增强图,利用输出层获取该样本图像对应的预测标签可以包括:直接将上述特征增强图输入到输出层中,以获得输出层输出的预测标签。
随后,即可基于预测标签和样本图像本身的标签进行损失计算,并进行模型参数的调整。其中,上述损失例如可以为交叉熵损失、均方误差损失等,在此不做限制。
在一些实施例中,至少一个特征图的数量和至少一个特征增强图的数量均为多个,基于至少一个特征图对应的至少一个特征增强图,利用输出层获取该样本图像对应的预测标签可以包括:提取至少一个特征增强图的度量特征;以及将局部内在维数特征输入输出层,以获取预测标签。
在获取到多个特征增强图的情况下,可以进一步对上述特征增强图进行局部内在维数(Local Intrinsic Dimensionality,LID)特征。由此,能够进一步基于局部内在维数特征进行预测,有效提升模型的对抗样本检测能力的同时,通过在特征增强后进行LID特征提取,增强了LID度量的有效性。
根据一些实施例,如图6所示,还提供了一种图像处理方法,包括:步骤S601、将待处理图像输入图像处理模型,其中,图像处理模型利用上述模型训练方法训练获得;以及步骤S602、获取图像处理模型输出的图像处理结果。
通过上述模型训练方法获取到的图像处理模型,对于对抗样本具有更精准的检测能力和更强的防御能力,在应用该模型进行图像处理(例如图像分类或目标检测)时,能够获得更准确的结果。
在一些实施例中,如图7所示,提供了一种模型训练装置700,包括:第一获取单元710,被配置为获取样本数据集,其中,样本数据集包括至少一个第一样本图像和至少一个对抗样本图像,其中,每个第一样本图像包括第一标签,每个对抗样本图像包括第二标签;第二获取单元720,被配置为获取图像处理模型,其中,图像处理模型基于多个第二样本图像以及每个第二样本图像各自的样本标签训练获得,图像处理模型包括多个特征提取层和输出层;以及第一执行单元730,被配置为针对样本数据集中的每个样本图像,执行下述训练操作:第一获取子单元731,被配置为将该样本图像输入图像处理模型,以获得多个特征提取层中的至少一个第一特征提取层所提取到的至少一个特征图,其中,至少一个特征图中的每个特征图包括多个通道;第二获取子单元732,被配置为针对至少一个特征图中的每个特征图,获取该特征图的特征增强图,特征增强图中的每个像素点的像素值基于该像素点处的该特征图在通道方向上的特征向量的模长确定;第三获取子单元733,被配置为基于至少一个特征图对应的至少一个特征增强图,利用输出层获取该样本图像对应的预测标签;以及调整子单元734,被配置为基于预测标签和该样本图像的标签,调整图像处理模型的至少一个参数。
在一些实施例中,第二获取子单元可以被进一步配置为:针对至少一个特征图中的每个特征图,执行如下操作:针对该特征图中的每个像素点,计算该像素点处的该特征图在通道方向上的特征向量的模长;基于特征图中的每个像素点对应的模长,确定平均模长;以及针对该特征图中的每个像素点,将该像素点的像素值确定为该像素点的模长和平均模长中的最大值,以获得该特征图的特征增强图。
在一些实施例中,至少一个特征图的数量和至少一个特征增强图的数量均为多个,第三获取子单元可以被进一步配置为:提取至少一个特征增强图的局部内在维数特征;以及将局部内在维数特征输入输出层,以获取预测标签。
在一些实施例中,至少一个第一特征提取层可以为多个特征提取层中最靠近输出层的至少一个特征提取层。
在一些实施例中,第一获取单元包括:第四获取子单元,被配置为针对至少一个第一样本图像中的每个第一样本图像,执行至少一次第一操作,以获得该第一样本图像的一个或多个对抗样本图像,第一操作包括:在该第一样本图像中确定贴图区域;将贴图区域中的图像替换为第一贴图,以获得该第一样本图像对应的中间图像;针对中间图像,重复执行如下操作:将中间图像输入到图像分类模型中,以获得图像分类模型输出的第二预测标签,其中,图像分类模型基于多个第三样本图像以及每个第三样本图像各自的分类标签训练获得,基于第二预测标签和该第一样本图像对应的第一标签,计算第一损失,以及基于第一损失,调整中间图像中的至少一个像素值,以更新中间图像,直至第一损失满足预设条件,以将更新后的中间图像作为该第一样本图像的对抗样本图像并将该对抗样本图像的标签设置为第二标签;以及第五获取子单元,被配置为基于至少一个第一样本图像中每个第一样本图像对应的一个或多个对抗样本图像,获取至少一个对抗样本图像。
在一些实施例中,上述模型训练方法还可以包括:第三获取单元,被配置为对至少一个第一样本图像中的每个第一样本图像和至少一个对抗样本图像中的每个对抗样本图像分别进行噪声叠加,以获得至少一个第一样本图像对应的至少一个第一噪声样本图像以及至少一个对抗样本图像对应的至少一个对抗噪声样本图像,每个第一噪声样本图像的标签为第一标签,每个对抗噪声样本图像的标签为第二标签;更新单元,被配置为将至少一个第一噪声样本图像和至少一个对抗噪声样本图像添加到样本数据集中,以更新样本数据集;以及第二执行单元,被配置为基于更新后的样本数据集,执行训练操作。
在一些实施例中,如图8所示,还提供了一种图像处理装置800,包括:输入单元810,被配置为将待处理图像输入图像处理模型,其中,图像处理模型利用上述模型训练方法训练获得;以及输出单元820,被配置为获取图像处理模型输出的图像处理结果。
根据本公开的实施例,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。
参考图9,现将描述可以作为本公开的服务器或客户端的电子设备900的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,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9所示,电子设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储电子设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905,包括:输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向电子设备900输入信息的任何类型的设备,输入单元906可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元907可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元908可以包括但不限于磁盘、光盘。通信单元909允许电子设备900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,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元901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901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901执行上文所描述的各个方法和处理,例如上述模型训练方法或图像处理方法。例如,在一些实施例中,上述模型训练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908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上述模型训练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901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述模型训练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)、复杂可编程逻辑设备(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、也可以顺序地或以不同的次序执行,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。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、***和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (17)
1.一种模型训练方法,包括:
获取样本数据集,其中,所述样本数据集包括至少一个第一样本图像和至少一个对抗样本图像,其中,每个第一样本图像包括第一标签,每个对抗样本图像包括第二标签;
获取图像处理模型,其中,所述图像处理模型基于多个第二样本图像以及每个第二样本图像各自的样本标签训练获得,所述图像处理模型包括多个特征提取层和输出层;以及
针对所述样本数据集中的每个样本图像,执行下述训练操作:
将该样本图像输入所述图像处理模型,以获得所述多个特征提取层中的至少一个第一特征提取层所提取到的至少一个特征图,其中,所述至少一个特征图中的每个特征图包括多个通道;
针对所述至少一个特征图中的每个特征图,获取该特征图的特征增强图,所述特征增强图中的每个像素点的像素值基于该像素点处的该特征图在通道方向上的特征向量的模长确定;
基于所述至少一个特征图对应的至少一个特征增强图,利用所述输出层获取该样本图像对应的预测标签;以及
基于所述预测标签和该样本图像的标签,调整所述图像处理模型的至少一个参数。
2.根据权利要求1所述的方法,其中,所述针对所述至少一个特征图中的每个特征图,获取该特征图的特征增强图包括:
针对所述至少一个特征图中的每个特征图,执行如下操作:
针对该特征图中的每个像素点,计算该像素点处的该特征图在通道方向上的特征向量的模长;
基于所述特征图中的每个像素点对应的模长,确定平均模长;以及
针对该特征图中的每个像素点,将该像素点的像素值确定为该像素点的模长和所述平均模长中的最大值,以获得该特征图的增强特征图。
3.根据权利要求1或2所述的方法,其中,所述至少一个特征图的数量和所述至少一个特征增强图的数量均为多个,所述基于所述至少一个特征图对应的至少一个特征增强图,利用所述输出层获取该样本图像对应的预测标签包括:
提取所述至少一个特征增强图的局部内在维数特征;以及
将所述局部内在维数特征输入所述输出层,以获取所述预测标签。
4.根据权利要求1-3中任一项所述的方法,其中,所述至少一个第一特征提取层为所述多个特征提取层中最靠近输出层的至少一个特征提取层。
5.根据权利要求1-4中任一项所述的方法,其中,所述至少一个对抗样本图像的获取包括:
针对所述至少一个第一样本图像中的每个第一样本图像,执行至少一次第一操作,以获得该第一样本图像的一个或多个对抗样本图像,所述第一操作包括:
在该第一样本图像中确定贴图区域;
将所述贴图区域中的图像替换为第一贴图,以获得该第一样本图像对应的中间图像;
针对所述中间图像,重复执行如下操作:
将所述中间图像输入到图像分类模型中,以获得所述图像分类模型输出的第二预测标签,其中,所述图像分类模型基于多个第三样本图像以及每个第三样本图像各自的分类标签训练获得,
基于所述第二预测标签和该第一样本图像对应的第一标签,计算第一损失,以及
基于所述第一损失,调整所述中间图像中的至少一个像素值,以更新所述中间图像,
直至所述第一损失满足预设条件,以将更新后的中间图像作为该第一样本图像的对抗样本图像并将该对抗样本图像的标签设置为第二标签;以及
基于所述至少一个第一样本图像中每个第一样本图像对应的一个或多个对抗样本图像,获取所述至少一个对抗样本图像。
6.根据权利要求1-5中任一项所述的方法,还包括:
对所述至少一个第一样本图像中的每个第一样本图像和所述至少一个对抗样本图像中的每个对抗样本图像分别进行噪声叠加,以获得所述至少一个第一样本图像对应的至少一个第一噪声样本图像以及所述至少一个对抗样本图像对应的至少一个对抗噪声样本图像,每个第一噪声样本图像的标签为所述第一标签,每个对抗噪声样本图像的标签为所述第二标签;
将所述至少一个第一噪声样本图像和所述至少一个对抗噪声样本图像添加到所述样本数据集中,以更新所述样本数据集;以及
基于更新后的样本数据集,执行所述训练操作。
7.一种图像处理方法,包括:
将待处理图像输入图像处理模型,其中,所述图像处理模型利用根据权利要求1-6中任一项所述的方法训练获得;以及
获取所述图像处理模型输出的图像处理结果。
8.一种模型训练装置,包括:
第一获取单元,被配置为获取样本数据集,其中,所述样本数据集包括至少一个第一样本图像和至少一个对抗样本图像,其中,每个第一样本图像包括第一标签,每个对抗样本图像包括第二标签;
第二获取单元,被配置为获取图像处理模型,其中,所述图像处理模型基于多个第二样本图像以及每个第二样本图像各自的样本标签训练获得,所述图像处理模型包括多个特征提取层和输出层;以及
第一执行单元,被配置为针对所述样本数据集中的每个样本图像,执行下述训练操作:
第一获取子单元,被配置为将该样本图像输入所述图像处理模型,以获得所述多个特征提取层中的至少一个第一特征提取层所提取到的至少一个特征图,其中,所述至少一个特征图中的每个特征图包括多个通道;
第二获取子单元,被配置为针对所述至少一个特征图中的每个特征图,获取该特征图的特征增强图,所述特征增强图中的每个像素点的像素值基于该像素点处的该特征图在通道方向上的特征向量的模长确定;
第三获取子单元,被配置为基于所述至少一个特征图对应的至少一个特征增强图,利用所述输出层获取该样本图像对应的预测标签;以及
调整子单元,被配置为基于所述预测标签和该样本图像的标签,调整所述图像处理模型的至少一个参数。
9.根据权利要求8所述的装置,其中,所述第二获取子单元被进一步配置为:
针对所述至少一个特征图中的每个特征图,执行如下操作:
针对该特征图中的每个像素点,计算该像素点处的该特征图在通道方向上的特征向量的模长;
基于所述特征图中的每个像素点对应的模长,确定平均模长;以及
针对该特征图中的每个像素点,将该像素点的像素值确定为该像素点的模长和所述平均模长中的最大值,以获得该特征图的特征增强图。
10.根据权利要求8或9所述的装置,其中,所述至少一个特征图的数量和所述至少一个特征增强图的数量均为多个,所述第三获取子单元被进一步配置为:
提取所述至少一个特征增强图的局部内在维数特征;以及
将所述局部内在维数特征输入所述输出层,以获取所述预测标签。
11.根据权利要求8-10中任一项所述的装置,其中,所述至少一个第一特征提取层为所述多个特征提取层中最靠近输出层的至少一个特征提取层。
12.根据权利要求8-11中任一项所述的装置,其中,所述第一获取单元包括:
第四获取子单元,被配置为针对所述至少一个第一样本图像中的每个第一样本图像,执行至少一次第一操作,以获得该第一样本图像的一个或多个对抗样本图像,所述第一操作包括:
在该第一样本图像中确定贴图区域;
将所述贴图区域中的图像替换为第一贴图,以获得该第一样本图像对应的中间图像;
针对所述中间图像,重复执行如下操作:
将所述中间图像输入到图像分类模型中,以获得所述图像分类模型输出的第二预测标签,其中,所述图像分类模型基于多个第三样本图像以及每个第三样本图像各自的分类标签训练获得,
基于所述第二预测标签和该第一样本图像对应的第一标签,计算第一损失,以及
基于所述第一损失,调整所述中间图像中的至少一个像素值,以更新所述中间图像,
直至所述第一损失满足预设条件,以将更新后的中间图像作为该第一样本图像的对抗样本图像并将该对抗样本图像的标签设置为第二标签;以及
第五获取子单元,被配置为基于所述至少一个第一样本图像中每个第一样本图像对应的一个或多个对抗样本图像,获取所述至少一个对抗样本图像。
13.根据权利要求8-12中任一项所述的装置,还包括:
第三获取单元,被配置为对所述至少一个第一样本图像中的每个第一样本图像和所述至少一个对抗样本图像中的每个对抗样本图像分别进行噪声叠加,以获得所述至少一个第一样本图像对应的至少一个第一噪声样本图像以及所述至少一个对抗样本图像对应的至少一个对抗噪声样本图像,每个第一噪声样本图像的标签为所述第一标签,每个对抗噪声样本图像的标签为所述第二标签;
更新单元,被配置为将所述至少一个第一噪声样本图像和所述至少一个对抗噪声样本图像添加到所述样本数据集中,以更新所述样本数据集;以及
第二执行单元,被配置为基于更新后的样本数据集,执行所述训练操作。
14.一种图像处理装置,包括:
输入单元,被配置为将待处理图像输入图像处理模型,其中,所述图像处理模型利用根据权利要求1-6中任一项所述的方法训练获得;以及
输出单元,被配置为获取所述图像处理模型输出的图像处理结果。
15.一种电子设备,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1-7中任一项所述的方法。
16.一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1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311774168.3A CN117671430A (zh) | 2023-12-21 | 2023-12-21 | 模型训练方法、图像处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311774168.3A CN117671430A (zh) | 2023-12-21 | 2023-12-21 | 模型训练方法、图像处理方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117671430A true CN117671430A (zh) | 2024-03-08 |
Family
ID=90080807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311774168.3A Pending CN117671430A (zh) | 2023-12-21 | 2023-12-21 | 模型训练方法、图像处理方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117671430A (zh) |
-
2023
- 2023-12-21 CN CN202311774168.3A patent/CN117671430A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112857268B (zh) | 对象面积测量方法、装置、电子设备和存储介质 | |
CN113642740B (zh) | 模型训练方法及装置、电子设备和介质 | |
CN114004985B (zh) | 人物交互检测方法、神经网络及其训练方法、设备和介质 | |
CN114445667A (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN115511779B (zh) | 图像检测方法、装置、电子设备和存储介质 | |
US20230047628A1 (en) | Human-object interaction detection | |
CN113642635B (zh) | 模型训练方法及装置、电子设备和介质 | |
CN115600646B (zh) | 语言模型的训练方法、装置、介质及设备 | |
CN116205819B (zh) | 字符图像生成方法、深度学习模型的训练方法和装置 | |
CN116450944A (zh) | 基于推荐模型的资源推荐方法、装置、电子设备和介质 | |
CN115601555A (zh) | 图像处理方法及装置、设备和介质 | |
CN115578501A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN112579587B (zh) | 数据清洗方法及装置、设备和存储介质 | |
CN114842476A (zh) | 水印检测方法及装置、模型训练方法及装置 | |
CN114429678A (zh) | 模型训练方法及装置、电子设备和介质 | |
CN114494797A (zh) | 用于训练图像检测模型的方法和装置 | |
CN117671430A (zh) | 模型训练方法、图像处理方法、装置及设备 | |
CN116070711B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN115512131B (zh) | 图像检测方法和图像检测模型的训练方法 | |
CN114821233B (zh) | 目标检测模型的训练方法及装置、设备和介质 | |
CN114140851B (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN114117046B (zh) | 数据处理方法、装置、电子设备及介质 | |
CN115578451B (zh) | 图像处理方法、图像处理模型的训练方法和装置 | |
CN114842474B (zh) | 文字识别方法、装置、电子设备和介质 | |
CN115170536B (zh) | 图像检测方法、模型的训练方法和装置 |
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 |