[發(fā)明專利]深度學習模型的訓練方法、圖像處理方法、裝置及設備

在審

• 申請?zhí)枺?/td>: 202210249199.6
• 申請日: 2022-03-14
• 公開（公告）號: CN114627343A
• 公開（公告）日: 2022-06-14
• 發(fā)明（設計）人: 郝鈺瑩;劉毅;吳澤武;賴寶華;陳澤裕
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/82;G06V10/26;G06V10/764;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 莊錦軍

本公開提供了一種深度學習模型的訓練方法、圖像處理方法、裝置、電子設備以及存儲介質，涉及人工智能技術領域，尤其涉及深度學習領域。具體實現(xiàn)方案為：深度學習模型包括第一模型和第二模型，方法包括：將初始樣本圖像輸入第一模型，得到第一處理圖像；利用初始樣本圖像和第一處理圖像，對第二模型進行訓練；以及根據第一模型和經訓練后的第二模型，確定深度學習模型。

技術領域

本公開涉及人工智能技術領域，尤其涉及深度學習領域，具體地，涉及一種深度學習模型的訓練方法、圖像處理方法、裝置、電子設備以及存儲介質。

背景技術

深度學習，也稱為深度結構化學習或分層學習，是基于人工神經網絡的更廣泛的機器學習方法族的一部分。深度學習架構，例如深度神經網絡、深度信念網絡、循環(huán)神經網絡和卷積神經網絡，已經被應用于包括計算機視覺、圖像分割、語音識別、自然語言處理、音頻識別、社交網絡過濾、機器翻譯、生物信息學、藥物設計、醫(yī)學圖像分析、材料檢查和棋盤游戲程序在內的領域。為保證各領域內輸出結果的準確性，相應的模型訓練必不可少。

發(fā)明內容

本公開提供了一種深度學習模型的訓練方法、圖像處理方法、裝置、電子設備以及存儲介質。

根據本公開的一方面，提供了一種深度學習模型的訓練方法，包括：深度學習模型的訓練方法，所述深度學習模型包括第一模型和第二模型，所述方法包括：將初始樣本圖像輸入第一模型，得到第一處理圖像；利用所述初始樣本圖像和所述第一處理圖像，對第二模型進行訓練；以及根據所述第一模型和經訓練后的所述第二模型，確定所述深度學習模型。

根據本公開的另一方面，提供了一種圖像處理方法，包括：將待處理圖像輸入深度學習模型，得到第三處理圖像；所述深度學習模型是根據本公開的深度學習模型的訓練方法訓練得到的。

根據本公開的另一方面，提供了一種深度學習模型的訓練裝置，所述深度學習模型包括第一模型和第二模型，所述裝置包括：第一獲得模塊，用于將初始樣本圖像輸入第一模型，得到第一處理圖像；訓練模塊，用于利用所述初始樣本圖像和所述第一處理圖像，對第二模型進行訓練；以及確定模塊，用于根據所述第一模型和經訓練后的所述第二模型，確定所述深度學習模型。

根據本公開的另一方面，提供了一種圖像處理裝置，包括：第三獲得模塊，用于將待處理圖像輸入深度學習模型，得到第三處理圖像；所述深度學習模型是根據本公開的深度學習模型的訓練裝置訓練得到的。

根據本公開的另一方面，提供了一種電子設備，包括：至少一個處理器；以及與所述至少一個處理器通信連接的存儲器；其中，所述存儲器存儲有可被所述至少一個處理器執(zhí)行的指令，所述指令被所述至少一個處理器執(zhí)行，以使所述至少一個處理器能夠執(zhí)行本公開的深度學習模型的訓練方法、圖像處理方法。

根據本公開的另一方面，提供了一種存儲有計算機指令的非瞬時計算機可讀存儲介質，其中，所述計算機指令用于使所述計算機執(zhí)行本公開的深度學習模型的訓練方法、圖像處理方法。

根據本公開的另一方面，提供了一種計算機程序產品，包括計算機程序，所述計算機程序在被處理器執(zhí)行時實現(xiàn)本公開的深度學習模型的訓練方法、圖像處理方法。

應當理解，本部分所描述的內容并非旨在標識本公開的實施例的關鍵或重要特征，也不用于限制本公開的范圍。本公開的其它特征將通過以下的說明書而變得容易理解。

附圖說明

附圖用于更好地理解本方案，不構成對本公開的限定。其中：

圖1示意性示出了根據本公開實施例的可以應用深度學習模型的訓練方法、圖像處理方法及裝置的示例性系統(tǒng)架構；

圖2示意性示出了根據本公開實施例的深度學習模型的訓練方法的流程圖；

圖3示意性示出了根據本公開實施例的交互式深度學習模型的訓練方法的流程圖；