[发明专利]基于迁移学习的图像处理方法、装置、设备和存储介质

权利要求书

1.一种基于迁移学习的图像处理方法，其特征在于，包括：

利用第一训练样本图像预训练原始模型，以调整所述原始模型的网络参数；其中，所述原始模型包括用于图像特征提取的第一子网络，所述原始模型用于基于提取到的图像特征执行目标检测、图像分类和场景分割中的一者；

利用第二子网络和经预训练的所述第一子网络的至少部分结构，得到目标模型；其中，所述第二子网络用于基于所述第一子网络提取的图像特征执行目标任务，所述目标任务包括目标检测、图像分类和场景分割中的一者；

利用与所述目标任务对应的第二训练样本图像训练所述目标模型，以调整所述目标模型的网络参数；

利用所述目标模型中的所述第一子网络的至少部分结构提取待测图像的特征，并利用所述目标模型中的所述第二子网络对所述待测图像的特征执行所述目标任务，得到所述待测图像的图像处理结果。

2.根据权利要求1所述的方法，其特征在于，所述利用第二子网络和经预训练的所述第一子网络的至少部分结构，得到所述目标模型，包括：

利用所述第一子网络的不同部分结构得到至少一个候选子网络，并选取满足预设条件的所述候选子网络作为最优子网络；

利用所述最优子网络和所述第二子网络，得到所述目标模型。

3.根据权利要求2所述的方法，其特征在于，所述预设条件包括以下至少一者：所述候选子网络中的图像特征提取单元数量达到预设数量，利用所述候选子网络与所述第二子网络得到的候选模型满足预设性能条件。

4.根据权利要求3所述的方法，其特征在于，所述第一子网络包括至少一路分支网络，且每路所述分支网络包括顺序连接的多个网络区段，每一所述网络区段包括顺序连接的至少一个图像特征提取单元；所述候选子网络包括同一所述分支网络中每个所述网络区段中的至少一个图像特征提取单元，且不同所述候选子网络中的所述图像特征提取单元至少部分不同。

5.根据权利要求4所述的方法，其特征在于，所述第一子网络包括一路所述分支网络，所述利用所述第一子网络的不同部分结构得到至少一个候选子网络，并选取满足预设条件的所述候选子网络作为最优子网络，包括：

利用每个所述网络区段中的至少一个图像特征提取单元，得到初始的至少一个候选子网络；

从所述至少一个候选子网络中，选择与所述第二子网络组成的候选模型满足预设性能条件的所述候选子网络，作为选中子网络；

在所述选中子网络中的图像特征提取单元数量小于预设数量的情况下，利用所述选中子网络和未在所述选中子网络中的至少一个所述图像特征提取单元，得到新的所述候选子网络，并重复执行所述选择与所述第二子网络组成的候选模型满足预设性能条件的所述候选子网络及其后续步骤；

在所述选中子网络中的图像特征提取单元数量等于预设数量的情况下，将所述选中子网络作为所述最优子网络。

6.根据权利要求5所述的方法，其特征在于，所述利用每个所述网络区段中的至少一个图像特征提取单元，得到初始的至少一个候选子网络，包括：

分别将每个所述网络区段作为目标区段，并利用每个所述目标区段中前两个图像特征提取单元和其余所述网络区段中首个所述图像特征提取单元，得到对应所述目标区段的初始的候选子网络；

所述利用所述选中子网络和未在所述选中子网络中的至少一个所述图像特征提取单元，得到新的所述候选子网络，包括：

在所述选中子网络中，分别确定位于各个所述网络区段中最末位的图像特征提取单元，作为对应所述网络区段的目标单元；

分别利用所述选中子网络与不同所述网络区段中位于所述目标单元之后首个所述图像特征提取单元，得到新的不同候选子网络。