模型优化方法、装置、计算机设备及计算机存储介质制造方法及图纸

本申请实施例公开了一种模型优化方法、装置、计算机设备及计算机存储介质，其中方法包括：获取样本图像及样本图像的多个局部特征；其中，一个局部特征用于指示样本图像中的一个局部区域所蕴含的图像语义信息；采用图像处理模型对样本图像进行全局特征提取，得到样本图像的图像全局特征，并采用图像处理模型，基于多个局部特征对样本图像进行全局特征预测，得到样本图像的预测全局特征，预测全局特征至少用于指示样本图像中多个局部区域所蕴含的图像语义信息。最终，向着减小预测全局特征与图像全局特征之间语义差异的方向，对图像处理模型进行模型优化处理，以得到优化后的图像处理模型，该模型所提取的图像特征可以具备较强的特征表达能力。特征表达能力。特征表达能力。

【技术实现步骤摘要】
模型优化方法、装置、计算机设备及计算机存储介质


[0001]本申请涉及人工智能技术及图像处理
，尤其涉及一种模型优化方法、装置、计算机设备及计算机存储介质。

技术介绍

[0002]日新月异的人工智能技术及图像处理技术推进了各行各业的发展。在具体应用中，计算机设备可以利用人工智能技术，对用于进行图像处理的神经网络的网络参数进行优化处理，以使得优化后的神经网络在用于执行相应图像处理任务时能够得到更优质的处理结果。其中，计算机设备对图像执行图像处理任务时，通常需要基于该图像的图像特征所表达的特征信息来实现。由于在某些图像处理场景(如智慧医疗场景)下，图像处理所需参考的特征信息在图像中可能是以微小且分散的形式呈现的，但当前图像处理方式中所提取的图像特征的特征表达能力通常较差，难以综合表达图像中细微且分散的细节特征信息及全局特征信息。因此，如何提取得到特征表达能力较强的图像特征，便成了图像处理领域的一项重要研究课题。

技术实现思路

[0003]本申请实施例提供了一种模型优化方法、装置、设备及计算机存储介质，可使得优化后的图像处理模型能够提取出特征表达能力较强的图像特征。
[0004]一方面，本申请实施例提供了一种模型优化方法，包括：
[0005]获取样本图像，并获取所述样本图像的多个局部特征；其中，一个局部特征用于指示所述样本图像中的一个局部区域所蕴含的图像语义信息；
[0006]采用图像处理模型对所述样本图像进行全局特征提取，得到所述样本图像的图像全局特征；
[0007]采用所述图像处理模型，基于所述多个局部特征对所述样本图像进行全局特征预测，得到所述样本图像的预测全局特征，所述预测全局特征至少用于指示所述样本图像中多个局部区域所蕴含的图像语义信息；
[0008]向着减小所述预测全局特征与所述图像全局特征之间语义差异的方向，对所述图像处理模型进行模型优化处理，以得到优化后的图像处理模型。
[0009]再一方面，本申请实施例提供了一种模型优化装置，包括：
[0010]获取单元，用于获取样本图像，并获取所述样本图像的多个局部特征；其中，一个局部特征用于指示所述样本图像中的一个局部区域所蕴含的图像语义信息；
[0011]特征提取单元，用于采用图像处理模型对所述样本图像进行全局特征提取，得到所述样本图像的图像全局特征；
[0012]特征预测单元，用于采用所述图像处理模型，基于所述多个局部特征对所述样本图像进行全局特征预测，得到所述样本图像的预测全局特征，所述预测全局特征至少用于指示所述样本图像中多个局部区域所蕴含的图像语义信息；
[0013]模型优化单元，用于向着减小所述预测全局特征与所述图像全局特征之间语义差异的方向，对所述图像处理模型进行模型优化处理，以得到优化后的图像处理模型。
[0014]再一方面，本申请实施例提出了一种计算机设备，包括：
[0015]处理器，所述处理器适于实现一条或多条计算机程序；
[0016]计算机存储介质，所述计算机存储介质存储有一条或多条计算机程序，所述一条或多条计算机程序适于由所述处理器加载并执行如第一方面的模型优化方法。
[0017]再一方面，本申请实施例提出了一种计算机存储介质，该计算机存储介质存储有一条或多条计算机程序，所述一条或多条计算机程序适于由所述处理器加载并执行如第一方面的模型优化方法。
[0018]在本申请实施例中，计算机设备在对图像处理模型进行模型优化时，是向着减小图像全局特征与预测全局特征之间的语义差异的方向进行的。其中，图像全局特征蕴含了样本图像在整体上的特征信息，而预测全局特征由于是基于样本图像的多个局部特征所预测的，因此至少可以用于指示该样本图像中多个局部区域所蕴含的图像语义信息。那么，也就是说，预测全局特征相较于图像全局特征而言，蕴含样本图像中更多的细节特征信息。基于此，向着减小图像全局特征与预测全局特征之间的语义差异的方向进行对图像处理模型进行模型优化，可以使得优化后的图像处理模型在提取样本图像的图像全局特征时，可以向着提取出的图像全局特征可以蕴含样本图像中的细节信息的方向进行，最终使得优化后的图像处理模型所提取得到的图像全局特征具备较强的特征表达能力。
附图说明
[0019]为了更清楚地说明本申请实施例技术方案，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，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，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。
[0020]图1是本申请实施例提供的一种模型优化原理的示意图；
[0021]图2是本申请实施例提供的一种模型优化方法的示意流程图；
[0022]图3是本申请实施例提供的一种特征感知增强原理的示意图；
[0023]图4是本申请实施例提供的又一种模型优化方法的示意流程图；
[0024]图5是本申请实施例提供的一种图像处理模型的结构示意图；
[0025]图6是本申请实施例提供的一种图像处理模型的具体优化原理的示意图；
[0026]图7是本申请实施例提供的一种模型优化装置的结构示意图；
[0027]图8是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
[0028]为了使得图像处理领域中所采用的图像处理模型，能够针对目标图像提取出特征表达能力较强的图像特征，进而基于该图像特征得到准确度较高的图像处理结果，本申请实施例提出了一种模型优化方案。以下结合图1所示的模型优化原理的示意图对该方案的大致原理进行阐述。
[0029]基于图1可见，该方案提出：在利用样本图像对图像处理模型进行模型优化时，采用图像处理模型对样本图像进行全局特征提取，以得到样本图像的图像全局特征，图像全
局特征用于指示样本图像的整体所蕴含的特征信息。此外，还获取样本图像的多个局部特征，进而采用该图像处理模型基于样本图像的多个局部特征，对样本图像进行全局特征预测，以得到样本图像的预测全局特征。其中，一个局部特征可以用于指示样本图像的一个局部区域所蕴含的图像语义信息，此类信息通常侧重于表达样本图像在细节上的特征。那么，由于预测全局特征是基于多个局部特征确定的，因此，预测全局特征至少用于指示该样本图像中多个局部区域所蕴含的图像语义信息，使得预测全局特征相较于图像全局特征而言，蕴含样本图像中更多的细节特征信息，而图像全局特征则相较于预测全局特征而言，蕴含样本图像更准确的整体特征信息。又由于图像全局特征和预测全局特征均是对样本图像进行描述的图像特征，那么图像全局特征和预测全局特征所表达的图像语义应当是相似的。基于此，本方案中对图像处理模型的模型优化处理，是向着减小图像全局特征与预测全局特征之间的语义差异的方向进行的，使得优化后的图像处理模型在提取样本图像的图像全局特征时，可以向着提取样本图像的细节特征的方向进行。也就是说，优化后的图像处理模型在用于对任意图像进行特征提取时，提取到的图像全局特征将不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型优化方法，其特征在于，包括：获取样本图像，并获取所述样本图像的多个局部特征；其中，一个局部特征用于指示所述样本图像中的一个局部区域所蕴含的图像语义信息；采用图像处理模型对所述样本图像进行全局特征提取，得到所述样本图像的图像全局特征；采用所述图像处理模型，基于所述多个局部特征对所述样本图像进行全局特征预测，得到所述样本图像的预测全局特征，所述预测全局特征至少用于指示所述样本图像中多个局部区域所蕴含的图像语义信息；向着减小所述预测全局特征与所述图像全局特征之间语义差异的方向，对所述图像处理模型进行模型优化处理，以得到优化后的图像处理模型。2.根据权利要求1所述的方法，其特征在于，所述采用图像处理模型对所述样本图像进行全局特征提取，得到所述样本图像的图像全局特征，包括：对所述多个局部特征中的每个局部特征进行特征卷积处理，得到相应局部特征对应的卷积特征；对所述多个局部特征对应的卷积特征进行特征融合，得到所述样本图像的图像全局特征。3.根据权利要求1所述的方法，其特征在于，所述采用所述图像处理模型，基于所述多个局部特征对所述样本图像进行全局特征预测，得到所述样本图像的预测全局特征，包括：对所述多个局部特征进行特征拼接处理，得到所述样本图像的预测全局特征。4.根据权利要求1所述的方法，其特征在于，所述图像处理模型包括教师特征提取网络与学生特征提取网络，且所述教师特征提取网络是通过对所述学生特征提取网络中网络参数的参数值进行调整后得到的；所述采用图像处理模型对所述样本图像进行全局特征提取，得到所述样本图像的图像全局特征，包括：采用所述教师特征提取网络，对所述样本图像进行全局特征提取，得到所述样本图像的教师全局特征；采用所述学生特征提取网络，对所述样本图像进行全局特征提取，得到所述样本图像的学生全局特征；所述向着减小所述预测全局特征与所述图像全局特征之间语义差异的方向，对所述图像处理模型进行模型优化处理，以得到优化后的图像处理模型，包括：向着减小所述预测全局特征与所述图像全局特征之间的语义差异，以及所述教师全局特征与所述学生全局特征之间的语义差异的方向，对所述学生特征提取网络进行优化处理，以得到所述优化后的图像处理模型。5.根据权利要求4所述的方法，其特征在于，所述采用所述图像处理模型，基于所述多个局部特征对所述样本图像进行全局特征预测，得到所述样本图像的预测全局特征，包括：采用所述教师特征提取网络，基于所述多个局部特征对所述样本图像进行全局特征预测，得到所述样本图像的教师预测特征；采用所述学生特征提取网络，基于所述多个局部特征对所述样本图像进行全局特征预测，得到所述样本图像的学生预测特征；
向着减小所述预测全局特征与所述图像全局特征之间的语义差异的方向，对所述学生特征提取网络进行优化处理的方式包括：向着减小所述教师全局特征与所述教师预测特征之间的语义差异，以及，减小所述学生全局特征与所述学生预测特征之间的语义差异的方向，对所述学生特征提取网络进行优化处理，以得到所述优化后的图像处理模型。6.根据权利要求1所述的方法，其特征在于，所述图像处理模型包括教师特征提取网络与学生特征提取网络，且所述教师特征提取网络是通过对所述学生特征提取网络中网络参数的参数值进行调整后得到的；所述获取所述样本图像的多个局部特征，包括：采用所述教师特征提取...

【专利技术属性】
技术研发人员：李悦翔，黄雅雯，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：