[發明專利]模型訓練方法、圖像處理方法及相關裝置

有效

• 申請號: 202210115405.4
• 申請日: 2022-02-07
• 公開（公告）號: CN114155365B
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 孟慧;余子牛;谷寧波;李青鋒;牛建偉
• 申請（專利權）人: 北京航空航天大學杭州創新研究院
• 主分類號: G06V10/25
• 分類號: G06V10/25;G06V10/774;G06K9/62;G06N20/00
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 張欣欣

本發明涉及圖像處理技術領域，提供一種模型訓練方法、圖像處理方法及相關裝置，所述方法包括：獲取帶標簽的第一樣本圖像和不帶標簽的第二樣本圖像；將第一樣本圖像及第二樣本圖像分別輸入至原始模型的特征提取網絡，得到第一特征圖和第二特征圖；將第一特征圖和第二特征圖輸入至原始模型的注意力約束網絡，得到第二特征圖的強化特征圖；將第一特征圖及強化特征圖分別輸入至原始模型的回歸網絡，得到原始模型的第一檢測結果和第二檢測結果；根據第一檢測結果、標簽、第二檢測結果及預設損失函數，對原始模型的參數進行調整，直至達到預設的訓練完成條件，得到檢測模型。本發明訓練得到的檢測模型具有較高的檢測精度和泛化能力。

技術領域

本發明涉及圖像處理技術領域，具體而言，涉及一種模型訓練方法、圖像處理方法及相關裝置。

背景技術

監督式學習和無監督式學習是圖像處理領域中經常使用的兩種機器學習策略，兩者的區別在于是否需要人工參與數據的標注，即是否需要對訓練數據打標簽。傳統的監督式學習訓練需要預先收集大量數據并對其進行標注以構建訓練集，然后在此基礎上進行建模擬合，最后讓模型預測未知數據的結果。對于難以進行人工標注類別或進行人工類別標注的成本太高或者只需要分類，并不需要識別具體類別等應用場景，傳統的監督式學習適用度并不高，無監督式學習雖然避免了數據標注帶來的巨大工作量，但是圖像處理時進行目標檢測的精度通常不能滿足要求。

發明內容

本發明的目的在于提供了一種模型訓練方法、圖像處理方法及相關裝置，其能夠在模型訓練時利用注意力約束機制，以加強無標簽的樣本圖像對模型的優化，最終提高訓練后得到的檢測模型的檢測精度。

為了實現上述目的，本發明實施例采用的技術方案如下：

第一方面，本發明實施例提供了一種模型訓練方法，所述方法包括：

獲取帶標簽的第一樣本圖像和不帶標簽的第二樣本圖像；

將所述第一樣本圖像及所述第二樣本圖像分別輸入至原始模型的特征提取網絡，得到第一特征圖和第二特征圖；

將所述第一特征圖和所述第二特征圖輸入至所述原始模型的注意力約束網絡，得到所述第二特征圖的強化特征圖；

將所述第一特征圖及所述強化特征圖分別輸入至所述原始模型的回歸網絡，得到所述原始模型的第一檢測結果和第二檢測結果；

根據所述第一檢測結果、所述標簽、所述第二檢測結果及預設損失函數，對所述原始模型的參數進行調整，直至達到預設的訓練完成條件，得到檢測模型。

進一步地，所述將所述第一特征圖和所述第二特征圖輸入至所述原始模型的注意力約束網絡，得到所述第二特征圖的強化特征圖的步驟包括：

利用所述注意力約束網絡的池化層對所述第一特征圖進行池化處理，得到注意力向量；

將所述注意力向量和所述第二特征圖輸入至所述注意力約束網絡的強化層進行特征強化，得到所述第二特征圖的強化特征圖。

進一步地，所述利用所述注意力約束網絡的池化層對所述第一特征圖進行池化處理，得到注意力向量的步驟包括：

根據所述第一特征圖及所述標簽，從所述第一特征圖中確定目標區域；

將所述目標區域輸入至所述注意力約束網絡的池化層進行處理，得到所述注意力向量。

進一步地，所述第一樣本圖像包括第一原始圖像和對所述第一原始圖像進行翻轉得到的第一翻轉圖像，所述第二樣本圖像包括第二原始圖像和對所述第二原始圖像進行翻轉得到的第二翻轉圖像，所述第一檢測結果包括所述第一原始圖像的檢測結果和所述第一翻轉圖像的檢測結果，所述第二檢測結果包括所述第二原始圖像的檢測結果和所述第二翻轉圖像的檢測結果，所述預設損失函數為：

，