[发明专利]一种图像处理模型训练方法、装置、电子设备及存储介质

说明书

本发明提供了一种图像处理模型训练方法，包括：通过第一图像处理模型对所述第二训练样本集合进行处理，以确定所述第一图像处理模型的初始参数；通过第二图像处理模型对所述第二训练样本集合进行处理，以确定所述第二图像处理模型的初始参数；通过所述第一图像处理模型的输出结果和所述第二训练样本集合对所述第二图像处理模型进行处理，确定所述第二图像处理模型的更新参数；根据所述第二图像处理模型的更新参数，通过所述第二训练样本集合对所述第二图像处理模型的生成器参数和判别器参数进行迭代更新。本发明还提供了语音处理方法、装置及存储介质。本发明能够提升图像处理模型的训练精度与训练速度，使得图像处理模型能够适应不同的使用场景。

技术领域

本发明涉及机器学习技术，尤其涉及一种图像处理模型训练方法、装置、电子设备及存储介质。

背景技术

现有技术中，深度神经网络在许多计算机视觉任务中获得了非常好的性能。一般而言，网络的参数量和计算量越大，网络的性能越好。然而在资源受限的嵌入式系统上部署这类规模较大的网络却非常困难，而直接训练规模较小的网络得到的网络的性能要远低于规模较大的网络的性能。因此需要在不增加训练数据的情况下，提升规模较小的网络的性能，才能够实现将图像处理模型部署于移动终端中。

发明内容

有鉴于此，本发明实施例提供一种图像处理模型训练方法、装置、电子设备及存储介质，能够通过知识蒸馏的方式实现对规模较小的图像处理模型的训练兼顾了训练精确性的同时，便于将图像处理模型部署于移动终端中。

本发明实施例的技术方案是这样实现的：

本发明实施例提供了一种图像处理模型训练方法，所述方法包括：

获取第一训练样本集合，其中所述第一训练样本集合包括至少一组带有噪声的训练样本；

对所述第一训练样本集合进行去噪处理，以形成相应的第二训练样本集合；

通过第一图像处理模型对所述第二训练样本集合进行处理，以确定所述第一图像处理模型的初始参数；

通过第二图像处理模型对所述第二训练样本集合进行处理，以确定所述第二图像处理模型的初始参数；

响应于所述第一图像处理模型的初始参数，在保持所述第一图像处理模型的初始参数不变时，通过所述第一图像处理模型的输出结果和所述第二训练样本集合对所述第二图像处理模型进行处理，确定所述第二图像处理模型的更新参数；

根据所述第二图像处理模型的更新参数，通过所述第二训练样本集合对所述第二图像处理模型的生成器参数和判别器参数进行迭代更新。

上述方案中，所述方法还包括：

保持所述第一图像处理模型的初始参数不变，通过所述第一图像处理模型的输出结果，确定与所述第二图像处理模型相匹配的虚假标签；

通过所述第一图像处理模型的中间层输出的特征映像，确定与所述第二图像处理模型相匹配的辅助标签；

根据与所述第二图像处理模型相匹配的虚假标签和与所述第二图像处理模型相匹配的辅助标签，确定所述第二图像处理模型的生成器和所述判别器构成的自编码网络对应的损失函数。

本发明实施例还提供了一种图像处理模型的图像处理方法，所述方法包括：

获取待处理图像，以及相应的目标分辨率；

响应于所述目标分辨率，通过第二图像处理模型的生成器网络对所述待处理图像进行分辨率增强处理，以形成分辨率大于所述待处理图像的分辨率的目标图像；

输出经过分辨率增强处理的所述目标图像。

本发明实施例还提供了一种图像处理模型的训练装置，所述训练装置包括：