[發明專利]深度神經網絡模型訓練、圖片處理方法及裝置和設備

在審

• 申請號: 201611213478.8
• 申請日: 2016-12-23
• 公開（公告）號: CN108205802A
• 公開（公告）日: 2018-06-26
• 發明（設計）人: 任思捷;徐立;嚴瓊;孫文秀;戴宇榮;張熠
• 申請（專利權）人: 北京市商湯科技開發有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04
• 代理公司: 北京柏杉松知識產權代理事務所(普通合伙) 11413
• 代理人: 趙元;馬敬

本發明實施例提供了一種深度神經網絡模型訓練方法及裝置、圖片處理方法及裝置和電子設備。該模型訓練方法基于訓練樣本圖片庫，對深度神經網絡模型進行多次訓練直至滿足預定的訓練完成條件，所述訓練樣本圖片庫包括多張無擾樣本圖片和多張加擾樣本圖片，每個無擾樣本圖片對應至少一張加擾樣本圖片，對所述深度神經網絡模型的至少一次訓練過程包括：利用所述深度神經網絡模型對加擾樣本圖片進行去擾處理，得到去擾處理圖片；確定所述去擾處理圖片與所述加擾樣本圖片對應的無擾樣本圖片之間的特征差異；根據所述特征差異調整所述深度神經網絡模型的網絡參數。通過本方案，可以解決現有技術適用范圍較小，導致實用性較低的問題。

技術領域

本發明涉及圖片處理技術領域，特別是涉及一種深度神經網絡模型訓練方法及裝置、圖片處理方法及裝置和電子設備。

背景技術

為了達到較好的圖像應用效果，圖像處理中對于圖片的質量有較高的要求。而由于圖片中的干擾會對圖片中信息的識別產生非常大的影響，因此，存在對有干擾圖片進行處理的需求，其中，有干擾圖片包括但不限于存在人工干擾的圖片，人工干擾的類型包括但不局限于遮擋干擾。

傳統關于遮擋類型的圖片處理方法所基于的處理思想為：首先剪切上述遮擋，然后對缺失部分進行填充。

發明內容

本發明實施例的目的在于提供一種深度神經網絡模型訓練方法及裝置、圖片處理方法及裝置和電子設備，以解決現有技術適用范圍較小，導致實用性較低的問題。具體技術方案如下：

第一方面，本發明實施例提供了一種深度神經網絡模型訓練方法，所述方法包括：

基于訓練樣本圖片庫對深度神經網絡模型進行多次訓練直至滿足預定的訓練完成條件，所述訓練樣本圖片庫包括多張無擾樣本圖片和多張加擾樣本圖片，每個無擾樣本圖片對應至少一張加擾樣本圖片，對所述深度神經網絡模型的至少一次訓練過程包括：

利用所述深度神經網絡模型對加擾樣本圖片進行去擾處理，得到去擾處理圖片；

確定所述去擾處理圖片與所述加擾樣本圖片對應的無擾樣本圖片之間的特征差異；

根據所述特征差異調整所述深度神經網絡模型的網絡參數。

可選的，所述方法還包括：獲取創建所述訓練樣本圖片庫所需的加擾樣本圖片。

可選的，所述獲取創建所述訓練樣本圖片庫所需的加擾樣本圖片的步驟，包括：

對無擾樣本圖片進行加擾，獲得與所述無擾樣本圖片對應的至少一張加擾樣本圖片，將所得到的加擾樣本圖片作為創建所述訓練樣本圖片庫所需的加擾樣本圖片。

可選的，所述確定所述去擾處理圖片與所述加擾樣本圖片對應的無擾樣本圖片之間的特征差異的步驟，包括：

利用損失函數，計算所述去擾處理圖片的特征與所述加擾樣本圖片對應的無擾樣本圖片的特征之間的損失值。

可選的，所述訓練完成條件包括：

訓練次數不小于預定訓練次數閥值；或者

所述損失值小于預定容差范圍和/或所述損失值不大于預定閥值。

可選的，所述方法包括的不同次訓練過程輸入到所述深度神經網絡中的加擾樣本圖片數量相同。

可選的，所述方法包括的不同次訓練過程輸入到所述深度神經網絡中的加擾樣本圖片至少一張不同。

可選的，所述深度神經網絡模型包括：一個損失計算層和至少一個處理層；