[发明专利]模型处理方法、装置、存储介质及计算机设备

说明书

本发明公开了一种模型处理方法、装置、存储介质及计算机设备。其中，该方法包括：获取第一行人图像中的第一行人局部区域图像，以及第二行人图像；采用图像处理模型处理第一行人局部区域图像和第二行人图像，得到在第二行人图像中与第一行人局部区域图像对应的第二行人局部区域图像，其中，图像处理模型通过约束第一距离和第二距离优化得到，第一距离为图像样本中正样本对之间的距离，第二距离为图像样本中负样本对之间的距离。本发明解决了相关技术中，提升图像处理模型的性能时，效率较低的技术问题。

技术领域

本发明涉及计算机领域，具体而言，涉及一种模型处理方法、装置、存储介质及计算机设备。

背景技术

深度学习(Deep Learning)是指多层神经网络上运用各种机器学习算法解决图像，文本等各种问题的算法集合。图像处理技术是深度学习技术的一个重要应用方向，应用场景极其广泛。在相关技术中，图像处理技术一般采用通过大量图像样本进行训练得到图像处理模型，如果图像处理模型需要获得较准确的处理率，需要的进行预先标注的样本数量极大，工作量复杂。因此，在相关技术中，对于提升图像处理模型的性能存在效率较低的问题。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种模型处理方法、装置、存储介质及计算机设备，以至少解决相关技术中，提升图像处理模型的性能时，效率较低的技术问题。

根据本发明实施例的一个方面，提供了一种模型处理方法，包括：获取第一行人图像中的第一行人局部区域图像，以及第二行人图像；采用图像处理模型处理所述第一行人局部区域图像和所述第二行人图像，得到在所述第二行人图像中与所述第一行人局部区域图像对应的第二行人局部区域图像，其中，所述图像处理模型通过约束第一距离和第二距离优化得到，所述第一距离为图像样本中正样本对之间的距离，第二距离为图像样本中负样本对之间的距离。

可选地，所述第一距离比所述第二距离至少小预定距离间隔。

可选地，采用图像处理模型处理所述第一行人局部区域图像和所述第二行人图像，得到在所述第二行人图像中与所述第一行人局部区域图像对应的第二行人局部区域图像包括：获取所述第二行人图像的尺寸；采用所述图像处理模型中的对齐模块，对所述第一行人局部区域图像执行对齐操作，得到与所述第二行人图像的尺寸相同的第一行人局部区域图像；采用所述图像处理模型中的特征提取模块分别提取与所述第二行人图像的尺寸相同的第一行人局部区域图像的第一行人特征，以及提取所述第二行人图像的第二行人特征；采用所述图像处理模型中的处理模块对所述第一行人特征和所述第二行人特征进行处理，得到在所述第二行人图像中与所述第一行人局部区域图像对应的第二行人局部区域图像。

根据本发明实施例的一个方面，提供了一种模型处理方法，包括：采用图像处理模型处理第一图像，得到与所述第一图像对应的第二图像，其中，所述第一图像与所述第二图像为正样本对；获取与所述第二图像的相似度低于预定阈值的第三图像，其中，所述第一图像与所述第三图像为负样本对；确定所述正样本对之间的第一距离和所述负样本对之间的第二距离；根据所述第一距离和所述第二距离，优化所述图像处理模型。

可选地，根据所述第一距离和所述第二距离，优化所述图像处理模型包括：根据所述第一距离和所述第二距离，构造所述图像处理模型的损失函数，其中，所述损失函数要求所述第一距离小于所述第二距离；通过最小化所述损失函数，优化所述图像处理模型。

可选地，根据所述第一距离和所述第二距离，构造所述图像处理模型的损失函数包括：确定预定距离间隔；根据所述第一距离,所述第二距离和所述预定距离间隔，构造所述图像处理模型的损失函数，其中，所述损失函数要求所述第一距离比所述第二距离至少小所述预定距离间隔。

可选地，根据所述第一距离,所述第二距离和所述预定距离间隔，构造所述图像处理模型的损失函数包括：通过以下公式，构造所述图像处理模型的损失函数：