[發明專利]模型訓練、圖像處理方法、裝置、電子設備及存儲介質

在審

• 申請號: 201911097179.6
• 申請日: 2019-11-11
• 公開（公告）號: CN110942090A
• 公開（公告）日: 2020-03-31
• 發明（設計）人: 劉澤春
• 申請（專利權）人: 北京邁格威科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 莎日娜

本發明公開一種模型訓練、圖像處理方法、裝置、電子設備及存儲介質，模型訓練方法包括：獲取初始網絡模型和目標限定條件；在目標限定條件下，基于預設交替更新方式、初始網絡模型的初始網絡結構超參數和常規參數，進行網絡模型的網絡結構超參數和常規參數迭代更新直至均收斂，得到目標網絡模型，預設交替更新方式包括：每進行S次常規參數的迭代更新，基于預設進化策略進行T次網絡結構超參數的迭代更新。實施上述方法，在訓練用于實現特定用途的圖像處理模型時，對于網絡模型中的網絡結構超參數，可以基于預設進化策略進行自動地迭代更新，從而降低模型訓練過程的成本，提高模型訓練效率，進而降低整個圖像處理過程的成本，提高圖像處理效率。

技術領域

本發明涉及圖像處理技術領域，特別是涉及一種模型訓練、圖像處理方法、裝置、電子設備及存儲介質。

背景技術

隨著科學技術的發展和人類社會的不斷進步，圖像處理在各個行業得到了廣泛的應用，圖像處理技術的使用也變得尤為重要。目前，在一些圖像處理場景下，通常會基于初始網絡模型訓練用于實現特定用途的圖像處理模型，借助圖像處理模型對待處理圖像進行處理，其中，模型訓練過程中主要涉及模型的網絡結構超參數和常規參數的更新。

現有技術中，在更新網絡模型的網絡結構超參數時，主要依靠人工實現，使得模型訓練過程成本較高、效率較低，進而導致整個圖像處理過程成本較高、效率較低。

發明內容

本發明實施例提供了一種模型訓練、圖像處理方法、裝置、電子設備及存儲介質，以解決現有技術中存在的圖像處理過程成本較高、效率較低的技術問題。

根據本發明的第一方面，公開了一種模型訓練方法，所述方法包括：

獲取預設初始網絡模型和目標限定條件，其中，所述預設初始網絡模型包括初始網絡結構超參數和初始常規參數；

在所述目標限定條件下，基于預設交替更新方式、所述初始網絡結構超參數和所述初始常規參數，進行網絡模型的網絡結構超參數和常規參數迭代更新，直至網絡模型的網絡結構超參數和常規參數均收斂，得到目標網絡模型；

其中，所述預設交替更新方式包括：每進行S次常規參數的迭代更新，基于預設進化策略進行T次網絡結構超參數的迭代更新，T＜S，所述目標網絡模型包括目標網絡結構超參數和目標常規參數。

可選地，作為一個實施例，所述網絡結構超參數的更新過程，包括：

提取所述預設初始網絡模型的初始網絡結構超參數a₁、a₂,…,a_N，其中，a_i為所述預設初始網絡模型中的第i個初始網絡結構超參數，1≤i≤N，N為所述預設初始網絡模型中初始網絡結構超參數的個數；

基于所述a₁、a₂,…,a_N，生成網絡結構超參數向量p，其中，p＝(a₁,a₂,…,a_N)；

基于所述p，生成用于更新網絡結構超參數的方向導數g_P，其中，loss為預設損失函數，△p為擾動量；

獲取擾動量集合{△p₁,△p₂,…,△p_M}，其中，△p_j為所述擾動量集合中的第j個擾動量，1≤j≤M，M為所述擾動量集合中擾動量的個數；

基于所述{△p₁,△p₂,…,△p_M}和所述g_P，生成方向導數集合{g_P1,g_P2,…,g_PM}，其中，g_Pj為所述方向導數集合中的第j個方向導數；