[发明专利]一种图像处理方法、装置及存储介质

说明书

本发明实施例公开了一种图像处理方法、装置及存储介质，方法包括：图像处理装置首先获取训练图像，其中，所述训练图像对应多个标签；然后根据神经网络模型确定所述训练图像中各个像素点所对应的损失值；再将所述损失值中大于阈值的损失值所对应的像素点确定为目标像素点；最后根据所述目标像素点获取用于所述神经网络模型反向传播训练的目标图像。本发明实施例中的训练图像对应多个标签，且只需要训练图像中损失值大于阈值的部分参与反向传播，可以更加明显地识别训练图像的边界部分，从而提高该神经网络模型的泛化能力以及准确度。

技术领域

本发明涉及数据识别领域，具体涉及一种图像处理方法、装置及存储介质。

背景技术

泛化能力是指机器学习算法对新鲜样本的适应能力。学习的目的是学到隐含在数据背后的规律，对具有同一规律的学习集以外的数据，经过训练的网络也能给出合适的输出，该能力称为泛化能力。

通常期望经训练样本训练的网络具有较强的泛化能力，也就是对新输入给出合理响应的能力，如何提高网络模型的泛化能力以及准确度一直是研究的热点。

发明内容

本发明实施例提供一种图像处理方法，装置和存储介质，可以提高模型的泛化能力以及准确度。

一方面，本发明提供一种图像处理方法，所述方法包括：

获取训练图像，所述训练图像对应多个标签；

根据神经网络模型确定所述训练图像中各个像素点所对应的损失值；

将所述损失值中大于阈值的损失值所对应的像素点确定为目标像素点；

根据所述目标像素点获取用于所述神经网络模型反向传播训练的目标图像。

可选的，在一些实施例中，所述根据神经网络模型确定所述训练图像中各个像素点所对应的损失值之前，所述方法还包括：

构建所述神经网络模型；

对所述神经网络模型的损失层进行大边界处理。

可选的，在一些实施例中，所述获取训练图像之后，所述方法还包括：

对所述训练图像进行数据增广处理，得到增广后的训练图像。

可选的，在一些实施例中，所述对所述训练图像进行数据增广处理，得到增广后的训练图像，包括：

根据所述神经网络模型分别确定所述增广后的训练图像中各个像素点所对应的损失值。

可选的，在一些实施例中，所述对所述训练图像进行数据增广处理，包括：

对所述训练图像进行旋转处理、剪切处理、镜像处理、像素偏移处理、模糊处理、放射变换处理、增加噪声处理、图像锐化处理和缩放处理中的一种或多种处理。

可选的，在一些实施例中，所述训练图像包括光流图和灰度图。

可选的，在一些实施例中，所述对所述训练图像进行数据增广处理之前，所述方法还包括：

对所述训练图像中的光流图和灰度图进行通道分离处理。

相应的，本发明实施例还提供一种图像处理装置，包括：

第一获取单元，用于获取训练图像，所述训练图像对应多个标签；

第一确定单元，用于根据神经网络模型确定所述训练图像中各个像素点所对应的损失值；

第二确定单元，用于将所述损失值中大于阈值的损失值所对应的像素点确定为目标像素点；

第三确定单元，用于根据所述目标像素点确定用于所述神经网络模型反向传播训练的目标图像。