本发明专利技术属于一种神经网络监督方法，针对智能ISP在训练阶段，现有的监督方法在识别效果方面，已无法适应日趋严苛的识别要求的技术问题，提出一种基于视觉神经网络的监督方法及相关装置、图像处理方法，在视觉神经网络训练过程中，针对视觉神经网络输出的RGB图像，在训练的早期阶段，最小化所有频域的正则化距离，有助于性能的快速上升，在训练的中晚期，只监督高频域的正则化距离，避免干扰视觉神经网络的学习过程。且经实际验证，采用本发明专利技术的监督方法完成训练后，视觉神经网络对应模型的去噪和识别性能均得到了大幅提升。
【技术实现步骤摘要】
本专利技术属于一种神经网络监督方法，具体涉及一种基于视觉神经网络的监督方法及相关装置、图像处理方法。
技术介绍
1、深度神经网络(deep neural networks，dnn)在诸多领域都取得了超越传统算法的成果，如图像分类和癌症检测等领域。图像信号处理(image signal processing，isp)方法，接收并处理相机成像传感器的原始信号，对图像的质量具有决定性作用，其中，isp系列图像预处理任务和dnn结合是当前的研究热点。尤其是由isp流水线从现有基于深度学习(deep learning，dl)的方法衍生出的智能isp，可以学习原始图像的统计信息，并接受多任务的联合解决方案，因此，智能isp可以创造性地将照片成像过程与后续的识别应用联系起来。
2、采用isp处理图像前，作为预处理步骤，还需要对isp进行训练，使isp处于最佳状态，因此，在isp训练阶段，完善isp的处理效果尤为重要。当前，isp在训练阶段，也有相应的监督方法，但是，随着各领域对图像识别效果的要求日益增高，采用现有的识别方法在isp训练阶段进行监督，得到训练后的isp识别效果不足，因此，现有的监督方法已无法适应日趋严苛的识别要求。
技术实现思路
1、针对智能isp在训练阶段，现有的监督方法在识别效果方面，已无法适应日趋严苛的识别要求的技术问题，提出一种基于视觉神经网络的监督方法及相关装置、图像处理方法。
2、为了实现上述目的，本专利技术采用以下技术方案予以实现：
>3、第一方面，本专利技术提出基于视觉神经网络的监督方法，在所述视觉神经网络训练过程中，针对视觉神经网络输出的rgb图像；包括以下步骤：4、在视觉神经网络训练的前1/a阶段，最小化所述输出的rgb图像和基准真值在低频域和高频域下的正则化距离；其中，a大于2；
5、从视觉神经网络训练的1/a阶段至训练完成，最小化所述输出的rgb图像和基准真值在高频域下的正则化距离。
6、第二方面，本专利技术提出一种基于视觉神经网络的监督系统，在所述视觉神经网络训练过程中，针对视觉神经网络输出的rgb图像；包括第一最小化模块和第二最小化模块；
7、所述第一最小化模块，用于在视觉神经网络训练的前1/a阶段，最小化所述输出的rgb图像和基准真值在低频域和高频域下的正则化距离；其中，a大于2；
8、所述第二最小化模块，用于从视觉神经网络训练的1/a阶段至训练完成，最小化所述输出的rgb图像和基准真值在高频域下的正则化距离。
9、第三方面，本专利技术提出一种计算机程序产品，所述计算机程序产品包含指令，所述指令被处理器执行时实现上述的方法。
10、第四方面，本专利技术提出一种图像处理方法，通过训练后的视觉神经网络对图像进行处理；在所述视觉神经网络训练过程中，针对视觉神经网络输出的rgb图像，采用上述基于视觉神经网络的监督方法进行监督。
11、与现有技术相比，本专利技术具有以下有益效果：
12、本专利技术提出一种基于视觉神经网络的监督方法，在视觉神经网络训练过程中，针对视觉神经网络输出的rgb图像，在训练的早期阶段，最小化所有频域的正则化距离，有助于性能的快速上升，在训练的中晚期，只监督高频域的正则化距离，避免干扰视觉神经网络的学习过程。且经实际验证，采用本专利技术的监督方法完成训练后，视觉神经网络对应模型的去噪和识别性能均得到了大幅提升。
13、进一步地，本专利技术中还引入了重建损失监督和结构损失监督，从多个维度提高了视觉神经网络对应模型的图像处理性能。
14、本专利技术还提出了基于视觉神经网络的监督系统，用于实现上述监督方法，同时，还提出了一种计算机程序产品，能够借助不同的硬件介质实现应用上述方法，本专利技术还提出了一种图像处理方法，均具备上述监督方法的所有优势，也便于本专利技术的推广应用。
15、进一步地，本专利技术提出的图像处理方法，采用改进的lw-isp方法对图像进行频率增强先对待处理图像进行打包处理，再对打包处理后的图像，通过改进的lw-isp方法进行频率增强，改进了现有的lw-isp方法，基于深度学习，能够在isp级别上保留和增强频域信息。在isp处理期间丢失的频率信息可由fcb补充，结合离散小波变换，既可以捕获空间信息，又可以捕获频率信息。经过实际验证，本专利技术的图像处理方法，在图像处理方面，处理后的图像更符合自然特征，且可以更好的保留细节信息，去噪和增强效果明显，通过频域增强，也进一步提高了识别性能。
本文档来自技高网...
【技术保护点】
1.基于视觉神经网络的监督方法，在所述视觉神经网络训练过程中，针对视觉神经网络输出的RGB图像；其特征在于，包括以下步骤：
2.根据权利要求1所述基于视觉神经网络的监督方法，其特征在于：
3.根据权利要求1或2所述基于视觉神经网络的监督方法，其特征在于，还包括重建损失监督：
4.根据权利要求1或2所述基于视觉神经网络的监督方法，其特征在于，还包括结构损失监督：
5.根据权利要求1或2所述基于视觉神经网络的监督方法，其特征在于：还包括重建损失监督和结构损失监督；
6.一种基于视觉神经网络的监督系统，在所述视觉神经网络训练过程中，针对视觉神经网络输出的RGB图像；其特征在于：包括第一最小化模块和第二最小化模块；
7.根据权利要求6所述基于视觉神经网络的监督系统，其特征在于：还包括重建损失监督模块和结构损失监督模块；
8.一种计算机程序产品，其特征在于：所述计算机程序产品包含指令，所述指令被处理器执行时实现如权利要求1-5中任一项所述的方法。
9.一种图像处理方法，通过训练后的视觉神经网络对图像进行处理；其特征在于：在所述视觉神经网络训练过程中，针对视觉神经网络输出的RGB图像，采用权利要求1-5中任一所述基于视觉神经网络的监督方法进行监督。
10.根据权利要求9所述一种图像处理方法，其特征在于，所述通过训练后的视觉神经网络对图像进行处理，具体为：
...
【技术特征摘要】
1.基于视觉神经网络的监督方法，在所述视觉神经网络训练过程中，针对视觉神经网络输出的rgb图像；其特征在于，包括以下步骤：
2.根据权利要求1所述基于视觉神经网络的监督方法，其特征在于：
3.根据权利要求1或2所述基于视觉神经网络的监督方法，其特征在于，还包括重建损失监督：
4.根据权利要求1或2所述基于视觉神经网络的监督方法，其特征在于，还包括结构损失监督：
5.根据权利要求1或2所述基于视觉神经网络的监督方法，其特征在于：还包括重建损失监督和结构损失监督；
6.一种基于视觉神经网络的监督系统，在所述视觉神经网络训练过程中，针对视觉神经网络输出的rgb图像；其特征在...
【专利技术属性】
技术研发人员：陈红洋，
申请(专利权)人：交叉信息核心技术研究院西安有限公司，
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。