[發明專利]一種基于人工智能的圖像處理方法、裝置及存儲介質

在審

• 申請號: 202011306103.2
• 申請日: 2020-11-19
• 公開（公告）號: CN113392866A
• 公開（公告）日: 2021-09-14
• 發明（設計）人: 郭卉
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 熊永強;杜維

本申請實施例提出了一種基于人工智能的圖像處理方法、裝置及存儲介質，該方法包括：獲取訓練樣本集，所述訓練樣本集包括帶類別標簽的第一圖像樣本集以及由三元組組成的第二圖像樣本集；利用所述訓練樣本集對原始模型進行語義學習的訓練以及度量學習的訓練，所述原始模型包括第一分支網絡和第二分支網絡，所述第一分支網絡和所述第二分支網絡包括共用的網絡參數；根據訓練后的原始模型確定圖像特征提取模型，所述圖像特征提取模型用于提取圖像的特征向量，可以使得模型實現度量學習的同時具備語義提取能力，基于模型提取的圖像特征可以提高圖像檢索的準確度。

技術領域

本發明涉及計算機技術領域，尤其涉及一種基于人工智能的圖像處理方法、裝置及存儲介質。

背景技術

隨著互聯網技術的飛速發展，多媒體數據量急速增長，尤其是圖像數據作為最主要的信息承載方式，如何在這些海量的圖像中準確的查詢并檢索出和檢索圖像相似的圖像數據，已經成為研究的熱點。

圖像檢索的能力往往依賴于表征圖像的圖像特征，在海量數據圖像驅動場景下，傳統的用于圖像對比的圖像特征，如尺度不變特征變換(Scale-invariant featuretransform，SIFT)特征、顏色直方圖特征、方向梯度直方圖(Histogram of OrientedGradient,HOG)特征等圖像特征在處理未見過的圖像或帶噪聲圖像等時表現不佳，基于度量學習的深度學習模型提取的圖像特征，如SimCLR(A Simple Framework forContrastive Learning of Visual Representations)方法和BYOL(Bootstrap Your OwnLatent A New Approach to Self-Supervised Learning)方法，在處理進行了某些空間變換攻擊(如裁剪1/3以上)的圖像或從未見過的圖像時，常常無法準確有效地檢索出圖像數據。

發明內容

本發明實施例提供了一種基于人工智能的圖像處理方法、裝置及存儲介質，可以使得模型實現度量學習的同時具備語義提取能力，基于模型提取的圖像特征可以提高圖像檢索的準確度。

一方面，本發明實施例提供了一種基于人工智能的圖像處理方法，所述方法包括：

獲取訓練樣本集，所述訓練樣本集包括帶類別標簽的第一圖像樣本集以及由三元組組成的第二圖像樣本集；

利用所述訓練樣本集對原始模型進行語義學習的訓練以及度量學習的訓練，所述原始模型包括第一分支網絡和第二分支網絡，所述第一分支網絡和所述第二分支網絡包括共用的網絡參數；

根據訓練后的原始模型確定圖像特征提取模型，所述圖像特征提取模型用于提取圖像的特征向量。

另一方面，本發明實施例提供了一種基于人工智能的圖像處理方法裝置，所述裝置包括：

獲取模塊，用于獲取訓練樣本集，所述訓練樣本集包括帶類別標簽的第一圖像樣本集以及由三元組組成的第二圖像樣本集；

處理模塊，用于利用所述訓練樣本集對原始模型進行語義學習的訓練以及度量學習的訓練，所述原始模型包括第一分支網絡和第二分支網絡，所述第一分支網絡和所述第二分支網絡包括共用的網絡參數；

確定模塊，用于根據訓練后的原始模型確定圖像特征提取模型，所述圖像特征提取模型用于提取圖像的特征向量。

再一方面，本發明實施例提供了一種服務器，該服務器包括處理器、通信接口和存儲器，所述處理器、通信接口和存儲器相互連接，其中，所述存儲器用于存儲計算機程序，所述計算機程序包括程序指令，所述處理器被配置用于調用所述程序指令，用于執行上述一種基于人工智能的圖像處理方法所涉及到的操作。

相應地，本發明實施例還提供了一種計算機可讀存儲介質，存儲有計算機程序，所述計算機程序被處理器執行時實現上述一種基于人工智能的圖像處理方法所涉及的程序。