[發明專利]圖像處理方法、電子設備及存儲介質

在審

• 申請號: 202110767141.6
• 申請日: 2021-07-07
• 公開（公告）號: CN115661502A
• 公開（公告）日: 2023-01-31
• 發明（設計）人: 張連文;謝偉雁;林志;董冠方;李小慧
• 申請（專利權）人: 華為技術有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京格羅巴爾知識產權代理事務所(普通合伙) 11406
• 代理人: 孫德崇

本申請涉及圖像處理領域，尤其涉及一種圖像處理方法、電子設備及存儲介質。該方法包括：獲取數據集和模型池，數據集包括多個樣本圖像，模型池包括預先訓練完成的多個第一圖像分類模型；將數據集分別輸入至模型池的每個第一圖像分類模型中，得到多個第一圖像分類模型各自對應的預測分布結果，預測分布結果用于指示每個樣本圖像在數據集對應的多個圖像標簽上的概率分布；根據多個預測分布結果，確定數據集中至少一個樣本圖像對應的樣本分類難度，樣本分類難度用于指示樣本圖像被模型分類的難易程度。本申請實施例提供的方法可以自動評估樣本分類難度，無需人力參與，可以應用于大規模數據，為后續的分類設計和數據校驗等應用提供了基礎能力。

技術領域

本申請涉及圖像處理領域，尤其涉及一種圖像處理方法、電子設備及存儲介質。

背景技術

隨著人工智能技術和圖像處理技術的發展，目前圖像分類處理越來越多地基于人工智能模型進行。為了實現圖像分類，相關技術一般通過大量的樣本圖像訓練圖像分類模型，以調用訓練完成的圖像分類模型進行圖像分類處理。

然而，不同的樣本圖像包含的信息量大小不同，這就導致不同的樣本圖像被圖像分類模型學習的難易程度不同。相關技術中并未對樣本圖像進行區分，而是直接基于訓練難度不均衡的樣本直接訓練圖像分類模型，這就導致圖像分類模型學習到的知識有限，進而導致最終分類能力不佳。

發明內容

有鑒于此，本申請實施例提出了一種圖像處理方法、電子設備及存儲介質，可以解決相關技術中樣本圖像存在訓練難度不均衡現象，在訓練圖像分類模型時會影響模型訓練效果的問題。

第一方面，本申請的實施例提供了一種圖像處理方法，所述方法包括：

獲取數據集和模型池，所述數據集包括多個樣本圖像，所述模型池包括預先訓練完成的多個第一圖像分類模型；

將所述數據集分別輸入至所述模型池的每個第一圖像分類模型中，得到所述多個第一圖像分類模型各自對應的預測分布結果，所述預測分布結果用于指示每個所述樣本圖像在所述數據集對應的多個圖像標簽上的概率分布；

根據所述多個預測分布結果，確定所述數據集中至少一個所述樣本圖像對應的樣本分類難度，所述樣本分類難度用于指示所述樣本圖像被模型分類的難易程度。

在該實現方式中，本申請實施例提供的圖像處理方法，通過獲取數據集和模型池，將數據集分別輸入至模型池的每個第一圖像分類模型中，得到多個第一圖像分類模型各自對應的預測分布結果，根據多個預測分布結果，確定數據集中至少一個樣本圖像對應的樣本分類難度，樣本分類難度衡量了該樣本圖像被模型分類的難易程度，后續可以基于至少一個樣本圖像對應的樣本分類難度訓練圖像分類模型，從而解決由于樣本圖像存在訓練難度不均衡現象導致的模型訓練效果不佳的問題，本申請實施例提供的圖像處理方法可以應用于大規模數據，為后續新的分類方法的設計和數據校驗等應用提供了基礎能力。

在一種可能的實現方式中，所述根據所述多個預測分布結果，確定所述數據集中至少一個所述樣本圖像對應的樣本分類難度，包括：

對于至少一個所述樣本圖像中的每個所述樣本圖像，根據所述多個預測分布結果和所述模型池中的所述第一圖像分類模型的個數，確定所述樣本圖像的混淆困惑度，所述混淆困惑度用于指示所述樣本圖像對應的樣本分類難度。

在該實現方式中，引入了混淆困惑度作為樣本分類難度度量方式，使得樣本分類難度的評估可以在有標簽數據或無標簽數據中進行，進一步保證了后續新的分類方法的設計和數據校驗等。

在另一種可能的實現方式中，所述樣本圖像的混淆困惑度與各個所述第一圖像分類模型對應的所述樣本圖像的預測分布結果的熵正相關，且與所述第一圖像分類模型的個數負相關，所述第一圖像分類模型對應的預測分布結果的熵是根據所述第一圖像分類模型輸出的所述樣本圖像在各個所述圖像標簽上的概率確定的。