【技术实现步骤摘要】
图像处理及模型训练方法、装置、设备和存储介质
[0001]本公开涉及人工智能
,具体为深度学习、图像处理、计算机视觉
,可应用于光学字符识别(Optical Character Recognition,OCR)、人脸识别等场景,尤其涉及一种图像处理及模型训练方法、装置、设备和存储介质。
技术介绍
[0002]为了使计算机能够“理解”图像,从而获得“视觉”,图像处理的基础步骤是对图像进行特征提取处理,以将图像转换为非图像的表示或描述,这些表示或描述为图像特征。
[0003]随着深度学习技术的发展,可以采用图像特征提取模型对输入的图像进行特征提取处理,以输出对应的图像特征。
技术实现思路
[0004]本公开提供了一种图像处理及模型训练方法、装置、设备和存储介质。
[0005]根据本公开的一方面,提供了一种图像特征提取模型的训练方法,包括:对第一图像的第一图像特征进行分割处理,以获得第一分割特征;对第二图像的第二图像特征进行分割处理,以获得第二分割特征;基于所述第一图像特征、所述第二图像特征、所述第一分割特征和所述第二分割特征,构建总损失函数;基于所述总损失函数,训练图像特征提取模型。
[0006]根据本公开的另一方面,提供了一种图像特征提取模型的训练装置,包括:第一获取模块,用于对第一图像的第一图像特征进行分割处理,以获得第一分割特征;第二获取模块,用于对第二图像的第二图像特征进行分割处理,以获得第二分割特征;构建模块,用于基于所述第一图像特征、所述第二图像特征、所述第 ...
【技术保护点】
【技术特征摘要】
1.一种图像特征提取模型的训练方法,包括:对第一图像的第一图像特征进行分割处理,以获得第一分割特征;对第二图像的第二图像特征进行分割处理,以获得第二分割特征,所述第一图像和所述第二图像互为正样本;基于所述第一图像特征、所述第二图像特征、所述第一分割特征和所述第二分割特征,构建总损失函数;基于所述总损失函数,训练图像特征提取模型。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、所述第二图像特征、所述第一分割特征和所述第二分割特征,构建总损失函数,包括:基于所述第一图像特征和所述第二图像特征,构建第一损失函数;基于所述第一分割特征和所述第二分割特征,构建第二损失函数;基于所述第一损失函数和所述第二损失函数,构建所述总损失函数。3.根据权利要求2所述的方法,其中,还包括:获取所述第一图像的负样本的第三图像特征;所述基于所述第一图像特征和所述第二图像特征,构建第一损失函数,包括:采用对比学习算法,基于所述第一图像特征、所述第二图像特征和所述第三图像特征,构建所述第一损失函数。4.根据权利要求3所述的方法,其中,所述获取所述第一图像的负样本的第三图像特征,包括:从预设的存储队列中,获取所述第三图像特征。5.根据权利要求1所述的方法,其中,所述图像特征提取模型为第一编码器或第二编码器;所述方法还包括:采用所述第一编码器,对输入的所述第一图像进行特征提取处理,以获得所述第一图像特征;采用所述第二编码器,对输入的所述第二图像进行特征提取处理,以获得所述第二图像特征。6.根据权利要求5所述的方法,其中,所述基于所述总损失函数,训练图像特征提取模型,包括:基于所述总损失函数,调整所述第一编码器的模型参数,以获得所述第一编码器的调整后的模型参数;基于所述第二编码器的调整前的模型参数,以及所述第一编码器的调整后的模型参数,获得所述第二编码器的调整后的模型参数。7.根据权利要求6所述的方法,其中,所述基于所述第二编码器的调整前的模型参数,以及所述第一编码器的调整后的模型参数,获得所述第二编码器的调整后的模型参数,包括:对所述第二编码器的调整前的模型参数,以及所述第一编码器的调整后的模型参数,进行加权求和运算,以获得所述第二编码器的调整后的模型参数;其中,所述第二编码器的调整前的模型参数对应第一权重值,所述第一编码器的调整
后的模型参数对应第二权重值,所述第一权重值大于所述第二权重值。8.根据权利要求1
‑
7任一项所述的方法,其中,所述第一图像特征为第一图像特征图,所述第二图像特征为第二图像特征图,且,所述第一图像特征图与所述第二图像特征图的维度相同;所述对第一图像的第一图像特征进行分割处理,以获得第一分割特征,包括:将所述第一图像特征图平均分割为第一数量的分块,将所述第一数量的分块作为所述第一分割特征;所述对第二图像的第二图像特征进行分割处理,以获得第二分割特征,包括:将所述第二图像特征图平均分割为第二数量的分块,将所述第二数量的分块作为所述第二分割特征;其中,所述第一数量与所述第二数量相同。9.根据权利要求1
‑
7任一项所述的方法,还包括:对同一张图像分别进行两种不同的数据增强处理,以获得所述第一图像和所述第二图像。10.一种图像特征提取模型的训练装置,包括:第一获取模块,用于对第一图像的第一图像特征进行分割处理,以获得第一分割特征;第二获取模块,用于对第二图像的第二图像特征进行分割处理,以获得第二分割特征,所述第一图像和所述第二图像互为正样本;构建模块,用于基于所述第一图像特征、所述第二图像特征、所述第一分割特征和所述第二分割特征,构建总损失函数;训练模块,用于基于所述总损失函数,训练图像特征提取模型。11.根据权利要求10所述的装置,其中,所述构建模块进一步用于:基于所述第一图像特征和所述第二图像特征,构建第一损失函数;基于所述第一分割特征和所述第二分割特征,构建第二损失函数;基于所述第一损失函数和所述第二损失函数,构建所述总损失函数。12.根据权利要...
【专利技术属性】
技术研发人员:谷祎,孙准,王晓迪,韩树民,
申请(专利权)人:北京百度网讯科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。