[發明專利]圖像任務處理方法、裝置、設備及存儲介質

在審

• 申請號: 202310054901.8
• 申請日: 2023-02-03
• 公開（公告）號: CN116402665A
• 公開（公告）日: 2023-07-07
• 發明（設計）人: 黃耀;孟超超
• 申請（專利權）人: 北京阿丘科技有限公司
• 主分類號: G06T1/00
• 分類號: G06T1/00;G06N3/04;G06N3/082
• 代理公司: 深圳市恒程創新知識產權代理有限公司 44542
• 代理人: 鄢紫君

本發明屬于圖像處理技術領域，公開了一種圖像任務處理方法、裝置、設備及存儲介質。該方法包括：在接收到用戶發送的圖像處理任務時，確定所述圖像處理任務的任務類型；對所述任務類型的初始神經網絡進行參數調整，得到待訓練網絡；根據所述圖像處理任務的圖像訓練集和預設挑選策略對所述待訓練網絡進行模型訓練，得到目標訓練模型；根據所述目標訓練模型完成所述圖像處理任務。通過上述方式，基于訓練得到的目標訓練模型完成圖像處理任務，可保證圖像處理任務的準確性和效率，同時使模型訓練過程更為智能且保證目標訓練模型的性能，減少了模型訓練時間和訓練難度。

技術領域

本發明涉及圖像處理技術領域，尤其涉及一種圖像任務處理方法、裝置、設備及存儲介質。

背景技術

隨著深度學習在AI方面的廣泛應用，如分類與目標檢測、語言建模和推薦系統等，深度學習滲透到我們生活的方方面面，為我們帶來了極大的便利。然而，為特定任務建立高質量深度學習系統的過程不僅耗時，而且需要大量資源并依賴于人類專業知識，這阻礙了工業界和學術界的深度學習的發展。同時，現有的深度學習算法模型從初期訓練到后期判斷模型是否滿足要求均需要依賴人工經驗，不僅錯誤率高，還效率低下。

發明內容

本發明的主要目的在于提供一種圖像任務處理方法、裝置、設備及存儲介質，旨在解決現有技術中如何使模型訓練過程更為智能且保證模型的性能，從而提高圖像處理任務的準確性和效率的技術問題。

為實現上述目的，本發明提供了一種圖像任務處理方法，所述圖像任務處理方法包括：

在接收到用戶發送的圖像處理任務時，確定所述圖像處理任務的任務類型；

對所述任務類型的初始神經網絡進行參數調整，得到待訓練網絡；

根據所述圖像處理任務的圖像訓練集和預設挑選策略對所述待訓練網絡進行模型訓練，得到目標訓練模型；

根據所述目標訓練模型完成所述圖像處理任務。

可選地，所述對所述任務類型的初始神經網絡進行參數調整，得到待訓練網絡，包括：

根據預設優化策略對所述任務類型的初始神經網絡進結構調整，得到目標神經元數量和目標層數；

根據所述預設優化策略對所述初始神經網絡進行參數調整，得到目標超參數；

根據所述目標神經元數量、所述目標層數以及所述目標超參數得到待訓練網絡。

可選地，所述根據所述預設優化策略對所述初始神經網絡進行參數調整，得到目標超參數，包括：

根據初始超參數候選集確定優化樣本點；

根據所述優化樣本點和所述初始神經網絡確定模型評價指標；

根據預設代理函數、所述優化樣本點以及所述模型評價指標進行擬合，得到擬合結果；

根據所述擬合結果確定目標函數值；

根據所述目標函數值得到目標超參數。

可選地，所述根據所述圖像處理任務的圖像訓練集和預設挑選策略對所述待訓練網絡進行模型訓練，得到目標訓練模型，包括：

獲取初始圖像集；

根據所述圖像處理任務對所述初始圖像集中的樣本圖像進行圖像標注，得到目標圖像集；

對所述目標圖像集進行劃分，得到目標訓練集和目標測試集；

根據所述目標訓練集對所述待訓練模型進行模型訓練，得到初始訓練模型；

根據所述目標測試集和預設挑選策略對所述初始訓練模型進行模型更新，得到目標訓練模型。

可選地，所述根據所述目標測試集和預設挑選策略對所述初始訓練模型進行模型更新，得到目標訓練模型，包括：

輸入所述目標測試集至所述初始訓練模型，得到預測輸出結果；

根據所述預測輸出結果和預設挑選策略在所述目標測試集中確定更新訓練集；

根據所述目標訓練集和所述更新訓練集確定調整訓練集；