一种图像信息的处理方法、装置及存储介质制造方法及图纸

本发明专利技术实施例公开了一种图像信息的处理方法、装置及存储介质，本发明专利技术实施例通过获取预设目标神经网络模型对图像处理时相应的第一矩阵信息；获取预设待学习神经网络模型对图像处理时相应的第二矩阵信息；根据第一矩阵信息对第二矩阵信息进行相应的学习处理，确定学习处理后的第二目标矩阵信息；根据第二目标矩阵信息和预设待学习神经网络模型对图像信息进行处理。以此通过让第二矩阵信息模仿学习第一矩阵信息的特点，得到具有第一矩阵信息特点的第二目标矩阵信息，并以更完善的第二目标矩阵信息和预设待学习神经网络模型对图像信息进行处理，可以得到更佳的处理效果和处理速度，提升了图像信息的处理效率。

A Processing Method, Device and Storage Medium for Image Information

【技术实现步骤摘要】
一种图像信息的处理方法、装置及存储介质
本专利技术涉及信息处理领域，具体涉及一种图像信息的处理方法、装置及存储介质。
技术介绍
近年来，随着机器学习的不断发展，终端对于图像的理解能力越来越强，可以轻松的完成将图像中的物体进行自动分割，并识别出分割后的物体相应的内容，实现实时的智能抠图应用或者无人车的场景解析应用，极大的方便了用户的生活。现有技术中，需要预先构建神经网络模型，并通过输入大量的训练图像对构建的神经网络模型进行物体识别训练，得到具备物体识别能力的神经网络模型，且神经网络模型的规模越大，相应的物体识别准确率越高。在对现有技术的研究和实践过程中，本专利技术的专利技术人发现，大型的神经网络模型虽然对物体识别准确率高，但是相应的识别时间较长，导致对图像信息的处理效率过低。
技术实现思路
本专利技术实施例提供一种图像信息的处理方法、装置及存储介质，旨在提升图像信息的处理效率。为解决上述技术问题，本专利技术实施例提供以下技术方案：一种图像信息的处理方法，包括：获取预设目标神经网络模型对图像处理时相应的第一矩阵信息；获取预设待学习神经网络模型对图像处理时相应的第二矩阵信息；根据所述第一矩阵信息对所述第二矩阵信息进行相应的学习处理，确定学习处理后的第二目标矩阵信息；根据所述第二目标矩阵信息和预设待学习神经网络模型对图像信息进行处理。一种图像信息的处理装置，包括：第一获取单元，用于获取预设目标神经网络模型对图像处理时相应的第一矩阵信息；第二获取单元，用于获取预设待学习神经网络模型对图像处理时相应的第二矩阵信息；学习单元，用于根据所述第一矩阵信息对所述第二矩阵信息进行相应的学习处理，确定学习处理后的第二目标矩阵信息；处理单元，用于根据所述第二目标矩阵信息和预设待学习神经网络模型对图像信息进行处理。在一些实施例中，所第一获取单元，具体还用于：获取预设目标神经网络模型对图像处理时相应的第一中间层特征；将所述第一中间层与第一卷积层进行线性变换，得到相应的第一卷积层特征；将所述第一中间层与第二卷积层进行线性变换，得到相应的第二卷积层特征；对所述第一卷积层特征和第二卷积层特征进行维度压缩，得到维度压缩后相应的第一目标卷积层特征和第二目标卷积层特征；将所述第一目标卷积层特征和第二目标卷积层特征进行相乘，生成相应的第一临时矩阵信息；对所述第一临时矩阵信息进行归一化处理，生成归一化处理后的第一矩阵信息。在一些实施例中，所述第二获取单元，具体用于：获取预设待学习神经网络模型对图像处理时相应的第二中间层特征；将所述第二中间层与第三卷积层进行线性变换，得到相应的第三卷积层特征；将所述第二中间层与第四卷积层进行线性变换，得到相应的第四卷积层特征；对所述第三卷积层特征和第四卷积层特征进行维度压缩，得到维度压缩后相应的第三目标卷积层特征和第四目标卷积层特征；将所述第三目标卷积层特征和第四目标卷积层特征进行结合，生成第二矩阵信息。在一些实施例中，所述第二获取单元，具体还用于：获取预设待学习神经网络模型对图像处理时相应的第二中间层特征；将所述第二中间层与第三卷积层进行线性变换，得到相应的第三卷积层特征；将所述第二中间层与第四卷积层进行线性变换，得到相应的第四卷积层特征；对所述第三卷积层特征和第四卷积层特征进行维度压缩，得到维度压缩后相应的第三目标卷积层特征和第四目标卷积层特征；将所述第三目标卷积层特征和第四目标卷积层特征进行相乘，生成相应的第二临时矩阵信息；对所述第二临时矩阵信息进行归一化处理，生成归一化处理后的第二矩阵信息。在一些实施例中，所述处理单元，具体用于：获取所述预设待学习神经网络模型相应的待学习特征；将所述待学习特征与所述第二目标矩阵信息相乘，并与所述第二中间层特征相加，得到目标待学习特征；根据所述目标待学习特征对图像信息进行处理。一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行上述图像信息的处理方法中的步骤。本专利技术实施例通过获取预设目标神经网络模型对图像处理时相应的第一矩阵信息；获取预设待学习神经网络模型对图像处理时相应的第二矩阵信息；根据第一矩阵信息对第二矩阵信息进行相应的学习处理，确定学习处理后的第二目标矩阵信息；根据第二目标矩阵信息和预设待学习神经网络模型对图像信息进行处理。以此通过让第二矩阵信息模仿学习第一矩阵信息的特点，得到具有第一矩阵信息特点的第二目标矩阵信息，并以更完善的第二目标矩阵信息和预设待学习神经网络模型对图像信息进行处理，相对于单独使用大型神经网络模型或小型神经网络模型的方案而言，可以得到更佳的处理效果和处理速度，提升了图像信息的处理效率。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的图像信息的处理系统的场景示意图；图2是本专利技术实施例提供的图像信息的处理方法的流程示意图；图3是本专利技术实施例提供的图像信息的处理方法的另一流程示意图；图4a是本专利技术实施例提供的图像信息的处理方法的架构示意图；图4b是本专利技术实施例提供的自注意力矩阵的训练流程框架图；图4c是本专利技术实施例提供的图像信息的处理方法的场景示意图；图5a是本专利技术实施例提供的图像信息的处理装置的结构示意图；图5b是本专利技术实施例提供的图像信息的处理装置的另一结构示意图；图6是本专利技术实施例提供的终端的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例提供一种图像信息的处理方法、装置、及存储介质。请参阅图1，图1为本专利技术实施例所提供的图像信息的处理系统的场景示意图，包括：终端A、和服务器(该处理系统还可以包括除终端A之外的其他终端，终端具体个数在此处不作限定)，终端A与服务器之间可以通过通信网络连接，该通信网络，可以包括无线网络以及有线网络，其中无线网络包括无线广域网、无线局域网、无线城域网、以及无线个人网中的一种或多种的组合。网络中包括路由器、网关等等网络实体，图中并未示意出。终端A可以通过通信网络与服务器进行信息交互，比如终端A可以通过通信网络向服务器发送图像，服务器在接收到图像之后，可以根据图像生成相应的分割或者物体识别等处理结果并反馈到终端A上。该图像信息的处理系统可以包括图像信息的处理装置，该图像信息的处理装置具体可以集成在平板电脑、手机、笔记本电脑、台式电脑等具备储存单元并安装有微处理器而具有运算能力的终端中，在一实施方式中，该图像信息的处理装置还可以直接集成在具备存储单元并安装有微处理器而具有运算能力的服务器中，此处以安装在服务器中进行举例说明，在图1中，该终端即为图1中的终端A，该终端A可以安装各种用户需要的应用，比如图像处理类应用，该图像处理类应用中可以包括相应的图像识别和切割功能，该图像处理类应用可以根据得到的图像，得到相应的处理结果，该处理结果可以为对于图像上物体的分割结果本文档来自技高网...

【技术保护点】
1.一种图像信息的处理方法，其特征在于，包括：获取预设目标神经网络模型对图像处理时相应的第一矩阵信息；获取预设待学习神经网络模型对图像处理时相应的第二矩阵信息；根据所述第一矩阵信息对所述第二矩阵信息进行相应的学习处理，确定学习处理后的第二目标矩阵信息；根据所述第二目标矩阵信息和预设待学习神经网络模型对图像信息进行处理。

【技术特征摘要】
1.一种图像信息的处理方法，其特征在于，包括：获取预设目标神经网络模型对图像处理时相应的第一矩阵信息；获取预设待学习神经网络模型对图像处理时相应的第二矩阵信息；根据所述第一矩阵信息对所述第二矩阵信息进行相应的学习处理，确定学习处理后的第二目标矩阵信息；根据所述第二目标矩阵信息和预设待学习神经网络模型对图像信息进行处理。2.根据权利要求1所述的处理方法，其特征在于，所述根据所述第一矩阵信息对所述第二矩阵信息进行相应的学习处理，确定学习处理后的第二目标矩阵信息的步骤，包括：计算所述第一矩阵信息与所述第二矩阵信之间的空间距离息；根据所述空间距离对所述第二矩阵信息进行收敛调节，确定相应的第二目标矩阵信息。3.根据权利要求2所述的处理方法，其特征在于，所述计算所述第一矩阵信息与所述第二矩阵信息之间的空间距离的步骤，包括：通过损失函数计算所述第一矩阵信息与所述第二矩阵信息之间的空间距离。4.根据权利要求3所述的处理方法，其特征在于，所述根据所述空间距离对所述第二矩阵信息进行收敛调节，确定相应的第二目标矩阵信息的步骤，包括：根据所述空间距离对所述第二矩阵信息进行调节，得到调节后的第二矩阵信息；将所述调节后的第二矩阵信息替换所述第二矩阵信息，并返回执行通过损失函数计算所述第一矩阵信息与所述第二矩阵信息之间的空间距离，直至计算出的空间距离开始收敛；将空间距离收敛时相应的第二矩阵信息确定为第二目标矩阵信息。5.根据权利要求1所述的处理方法，其特征在于，所述获取预设目标神经网络模型对图像处理时相应的第一矩阵信息的步骤，包括：获取预设目标神经网络模型对图像处理时相应的第一中间层特征；将所述第一中间层与第一卷积层进行线性变换，得到相应的第一卷积层特征；将所述第一中间层与第二卷积层进行线性变换，得到相应的第二卷积层特征；对所述第一卷积层特征和第二卷积层特征进行维度压缩，得到维度压缩后相应的第一目标卷积层特征和第二目标卷积层特征；将所述第一目标卷积层特征和第二目标卷积层特征进行结合，生成第一矩阵信息。6.根据权利要求5所述的处理方法，其特征在于，所述将所述第一目标卷积层特征和第二目标卷积层特征进行结合，生成第一矩阵信息步骤，包括：将所述第一目标卷积层特征和第二目标卷积层特征进行相乘，生成相应的第一临时矩阵信息；对所述第一临时矩阵信息进行归一化处理，生成归一化处理后的第一矩阵信息。7.根据权利要求1所述的处理方法，其特征在于，所述获取预设待学习神经网络模型对图像处理时相应的第二矩阵信息的步骤，包括：获取预设待学习神经网络模型对图像处理时相应的第二中间层特征；将所述第二中间层与第三卷积层进行线性变换，得到相应的第三卷积层特征；将所述第二中间层与第四卷积层进行线性变换，得到相应的第四卷积层特征；对所述第三卷积层特征和第四卷积层特征进行维度压缩，得到维度压缩后相应的第三目标卷积层特征和第四目标卷积...

【专利技术属性】
技术研发人员：揭泽群，刘威，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44