[发明专利]网络训练、图像处理方法、装置、存储介质和电子设备

权利要求书

1.一种图像处理神经网络的训练方法，包括：

通过参数生成神经网络，获取第一样本图像的图像效果变换参数，所述第一样本图像含有图像效果分类标注信息，所述参数生成神经网络用于生成图像效果变换参数；

根据所述图像效果变换参数，将所述第一样本图像变换为第二样本图像；

通过分类神经网络，获取所述第二样本图像的效果分类检测数据，所述分类神经网络用于对图像效果进行分类；

根据所述第二样本图像的效果分类检测数据及所述第一样本图像的图像效果分类标注信息，训练所述参数生成神经网络。

2.根据权利要求1所述的方法，其中，所述图像效果分类标注信息包括指示高质量图像的标注信息或指示低质量图像的标注信息；

或者，所述图像效果分类标注信息包括指示图像质量正样本的标注信息或指示图像质量负样本的标注信息。

3.根据权利要求1或2所述的方法，其中，所述通过分类神经网络，获取所述第二样本图像的效果分类检测数据包括：

通过所述分类神经网络，获取所述第二样本图像的效果分类检测数据和第三样本图像的效果分类检测数据，其中，所述第二样本图像为负样本，所述第三样本图像为正样本；

所述方法还包括：

根据获取到的各个第二样本图像的效果分类检测数据和各个第三样本图像的效果分类检测数据训练所述分类神经网络。

4.根据权利要求1～2中任一项所述的方法，其中，

所述参数生成神经网络通过对通用分类神经网络进行变换得到，所述通用分类神经网络是具有分类器层和池化层的用于分类的神经网络，所述变换包括，

移除所述通用分类神经网络末端的分类器层和池化层，获取图像特征提取器，通过将所述图像特征提取器作为第一基准网络并在所述第一基准网络的末端添加用于生成图像效果变换参数的卷积层，构建所述参数生成神经网络。

5.根据权利要求4所述的方法，其中，在移除所述通用分类神经网络末端的分类器层和池化层，获取图像特征提取器之后，所述方法还包括：

通过将所述图像特征提取器作为第二基准网络并在所述第二基准网络的末端添加第一池化层和分类器层，构建所述分类神经网络。

6.根据权利要求1～2中任一项所述的方法，其中，所述图像效果变换参数包括至少一种以下参数：用于图像剪裁的第一参数和用于图像色彩增强的第二参数。

7.根据权利要求6所述的方法，其中，所述用于图像剪裁的第一参数包括图像剪裁坐标数据，以及/或者，所述用于图像色彩增强的第二参数包括LAB颜色空间的L分量变换参数、A分量变换参数和B分量变换参数。

8.根据权利要求7所述的方法，其中，L分量变换参数包括像素值的L分量变换阈值，A分量变换参数包括像素值的A分量变换阈值，B分量变换参数包括像素值的B分量变换阈值。

9.根据权利要求1～2中任一项所述的方法，其中，所述根据所述第二样本图像的效果分类检测数据及所述第一样本图像的图像效果分类标注信息，训练所述参数生成神经网络包括：

计算获取到的各个第二样本图像的效果分类检测数据的平均损失值，以及/或者，

通过所述分类神经网络获取所述第一样本图像的效果分类检测数据，并且确定获取到的各个第二样本图像的效果分类检测数据和相应的第一样本图像的效果分类检测数据之间的第一差异损失值；

根据所述平均损失值和/或所述第一差异损失值，调整所述参数生成神经网络的网络参数。

10.根据权利要求3所述的方法，其中，所述根据获取到的各个第二样本图像的效果分类检测数据和各个第三样本图像的效果分类检测数据训练所述分类神经网络包括：

计算所述第二样本图像的效果分类检测数据和第三样本图像的效果分类检测数据之间的第二差异损失值；

根据所述第二差异损失值，调整所述分类神经网络的网络参数。