[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

说明书

本申请公开了一种目标模型的获取方法及装置、电子设备和存储介质，其中，目标模型的获取方法包括：利用第一训练样本预训练原始模型，以调整原始模型的网络参数；其中，原始模型包括用于特征提取的第一子网络；利用第二子网络和经预训练的第一子网络的至少部分结构，得到目标模型；其中，第二子网络用于基于第一子网络提取的特征执行目标任务；利用与目标任务对应的第二训练样本训练目标模型，以调整目标模型的网络参数。上述方案，能够提高目标模型的性能。

技术领域

本申请涉及信息技术领域，特别是涉及一种基于迁移学习的图像处理方法、装置、设备和存储介质。

背景技术

迁移学习旨在将用于执行某个任务的原始模型经过相关处理，得到目标模型以应用到目标任务上。随着深度学习、计算机视觉等技术的快速发展，迁移学习已经在诸多场景得到了应用。此外，在将目标模型应用到目标任务之前，需要对目标模型进行训练，以使训练后的目标模型能够顺利的应用到图像处理上，其中，目标模型对图像的处理结果越准确越好。

故此，如何提高目标模型对图像的处理结果的准确度成为极具研究价值的课题。

发明内容

本申请提供一种基于迁移学习的图像处理方法、装置、设备和存储介质。

本申请第一方面提供了一种基于迁移学习的图像处理方法，包括：利用第一训练样本预训练原始模型，以调整原始模型的网络参数；其中，原始模型包括用于特征提取的第一子网络；利用第二子网络和经预训练的第一子网络的至少部分结构，得到目标模型；其中，第二子网络用于基于第一子网络提取的特征执行目标任务；利用与目标任务对应的第二训练样本训练目标模型，以调整目标模型的网络参数。

因此，利用第一训练样本预训练原始模型，调整原始模型的网络参数，且原始模型包括用于特征提取的第一子网络，从而利用第二子网络和经训练的第一子网络的至少部分结构，得到目标模型，且第二子网络用于基于第一子网络提取的特征执行目标任务，并利用与目标任务对应的第二训练样本训练目标模型，以调整模板模型的网络参数，故此，不仅能够在“网络参数维度”利用与目标任务对应的第二训练样本进行调整，还能够在“网络结构维度”对原始模型进行调整，能够大大提高网络调整的自由度，得以从“网络参数维度”和“网络结构维度”充分挖掘预训练的原始模型的潜力，有利于提高目标模型的性能。

其中，利用第二子网络和经预训练的第一子网络的至少部分结构，得到目标模型，包括：利用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候选子网络作为最优子网络；利用最优子网络和第二子网络，得到目标模型。

因此，通过利用第一子网络的不同部分结构，得到至少一个候选子网，并选取满足预设条件的候选子网络作为最优子网络，从而利用最优子网络和第二子网络，得到目标模型，能够有利于扩展“网络结构维度”的调整空间，进而能够有利于提高目标模型的性能。

其中，预设条件包括以下至少一者：候选子网络中的特征提取单元数量达到预设数量，利用候选子网络与第二子网络得到的候选模型满足预设性能条件。

因此，将预设条件设置为包括以下至少一者：候选子网络中的特征提取单元数量达到预设数量，利用候选子网络与第二子网络得到的候选模型满足预设性能条件，由于特征提取单元数量在一定程度上能够反映目标模型的复杂度，而预设性能条件在一定程度上能够反映目标模型的性能，故能够从“模型复杂度”、“模型性能”层面约束目标模型。

其中，第一子网络包括至少一路分支网络，且每路分支网络包括顺序连接的多个网络区段，每一网络区段包括顺序连接的至少一个特征提取单元；候选子网络包括同一分支网络中每个网络区段中的至少一个特征提取单元，且不同候选子网络中的特征提取单元至少部分不同。