【技术实现步骤摘要】
图像处理模型的训练方法、装置、电子设备及存储介质
[0001]本申请涉及人工智能技术,尤其涉及一种图像处理模型的训练方法、装置、电子设备及存储介质。
技术介绍
[0002]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、技术及应用系统。计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、定位和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。
[0003]多模态图像中存在缺失,例如:模态对应的图像的图块存在缺失,或者缺失模态等情况。相关技术中,为分割缺失模态的多模态图像中的异常区域,通常都包含了较为复杂的模型设计,这使得处理流程较为复杂,在训练和部署的时候也需要更多的参数和计算量,也降低了分割多模态图像的准确性。
[0004]相关技术,针对模态缺失的多模态图像进行图像处理暂无较好的解决方法。
技术实现思路
[0005]本申请实施例提供一种图像处理模型的训练方法、装置、电子设备及计算机可读存储介质、计算机程序产品,能够提升分割多模态图像的准确性。
[0006]本申请实施例的技术方案是这样实现的:
[0007]本申请实施例提供一种图像处理模型的训练方法,包括:
[0008]获取用于作为训练样本 ...
【技术保护点】
【技术特征摘要】
1.一种图像处理模型的训练方法,其特征在于,所述方法包括:获取用于作为训练样本的多个多模态图像,其中,所述多模态图像的类型包括全模态图像和缺失模态图像;基于每个所述多模态图像,调用初始化的所述图像处理模型执行重建所述全模态图像的第一训练任务,其中,在执行所述第一训练任务的过程中,所述图像处理模型输出每个所述多模态图像分别对应的第一全模态重建图像;基于所述全模态图像对每个所述第一全模态重建图像进行图像补全处理,得到全模态模板图像;确定多模态图像对与所述全模态模板图像之间的一致性损失,其中,所述多模态图像对包括任意两个所述多模态图像;基于每个所述多模态图像,调用训练后的所述图像处理模型进行分割每个所述多模态图像的第二训练任务,其中,在所述第二训练任务中以所述一致性损失为更新所述图像处理模型的参数的约束条件。2.根据权利要求1所述的方法,其特征在于,所述基于每个所述多模态图像,调用初始化的所述图像处理模型执行重建所述全模态图像的第一训练任务,包括:基于每个所述多模态图像调用初始化的所述图像处理模型进行重建处理,得到每个所述多模态图像分别对应的第一全模态重建图像;基于每个所述第一全模态重建图像与所述全模态图像,确定第一均方差损失;基于所述第一均方差损失对初始化的所述图像处理模型进行反向传播处理,得到训练后的所述图像处理模型。3.根据权利要求2所述的方法,其特征在于,所述基于每个所述多模态图像调用初始化的所述图像处理模型进行重建处理,得到每个所述多模态图像分别对应的第一全模态重建图像,包括:基于每个所述多模态图像调用初始化的所述图像处理模型,以进行以下处理:对所述多模态图像进行编码处理,得到所述多模态图像的第一编码向量,其中,所述第一编码向量是所述多模态图像中未缺失部分的编码向量;基于所述第一编码向量进行缺失部分预测处理,得到所述多模态图像中缺失部分的第一预测向量;对所述第一预测向量与所述第一编码向量进行整合处理,得到第一全模态重建图像。4.根据权利要求3所述的方法,其特征在于,初始化的所述图像处理模型包括:多模态掩膜自编码器、回归网络,其中,所述多模态掩膜自编码器包括:编码器层、解码器层;所述编码器层用于执行所述编码处理;所述解码器层用于执行所述缺失部分预测处理;所述回归网络用于执行所述整合处理。5.根据权利要求2所述的方法,其特征在于,所述基于所述第一均方差损失对初始化的所述图像处理模型进行反向传播处理,得到训练后的所述图像处理模型,包括:将所述第一全模态重建图像代入正则函数,得到第一正则项,将所述第一均方差损失与所述第一正则项的加和最小作为第一约束条件;
基于所述第一约束条件以及所述第一均方差损失,对初始化的所述图像处理模型进行参数更新,得到训练后的所述图像处理模型。6.根据权利要求1所述的方法,其特征在于,所述基于所述全模态图像对每个所述第一全模态重建图像进行图像补全处理,得到全模态模板图像,包括:针对每个所述多模态图像执行以下处理:确定所述多模态图像中的缺失部分,基于所述第一全模态重建图像对所述缺失部分进行补全处理,得到第一补全图像;对所述第一补全图像进行线性回归处理,得到线性回归结果,并获取所述线性回归结果与所述全模态图像之间的第一均方差损失;从每个所述第一全模态重建图像中,获取使所述第一均方差损失最小的目标全模态重建图像,将所述目标全模态重建图像代入正则函数,得到第一正则项;将所述第一正则项与所述目标全模态重建图像的加和作为全模态模板图像。7.根据权利要求1所述的方法,其特征在于,所述确定多模态图像对与所述全模态模板图像之间的一致性损失,包括:针对所述多模态图像对中每个所述多模态图像执行以下处理:确定所述多模态图像中的缺失部分,基于所述全模态模板图像对所述缺失部分进行补全处理,得到第二补全图像;确定所述多模态图像对对应的两个所述第二补全图像之间的第二均方差损失,将所述第二均方差损失作为一致性损失;其中,所述多模态图像对对应的两个所述第二补全图像包括:所述多模态图像对中的第一个多模态图像的第二补全图像,所述多模态图像对中的第二个多模态图像的第二补全图像。8.根据权利要求7所述的方法,其特征在于,所述基于每个所述多模态图像,调用训练后的所述图像处理模型进行分割每个所述多模态图像的第二训练任务,包括:基于每个所述多模态图像调用训练后的所述图像处理模型进行图像分割处理,得到每个所述多模态图像分别对应的预测分割结果;基于所述预测分割结果与实际分割结果,确定所述图像处理模型的分割损失;基于所述一致性损失与所述分割损失,对所述图像处理模型进行反向传播处理,得到再次训练后的所述图像处理模型,其中,再次训练后的所述图像处理模型用于对缺失模态的多模态图像进行分割。9.根据权利要求8所述的方法,其特征在于,所述基于每个所述多模态图像调用训练后的所述图像处理模型进行图像分割处理,得到每个所述多模态图像分别对应的预测分割结果,包括:基于每个所述多模态图像调用训练后的所述图像处理模型,以进行以下处理:对所述多模态图像进行编码处理,得到所述多模态图像的第二编码向量,其中,所述第二编码向量是所述多模态图像中未缺失部分的编码向量;获...
【专利技术属性】
技术研发人员:刘洪,魏东,卢东焕,王连生,郑冶枫,
申请(专利权)人:腾讯科技深圳有限公司,
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。