[发明专利]图像处理模型的训练方法和装置

权利要求书

1.一种图像处理模型的训练方法，包括：

利用第一域判别器，判别分类特征提取器提取的图像分类特征属于源域图像还是目标域图像，所述源域图像具有训练标注，所述目标域图像不具有训练标注；

根据所述第一域判别器的判别结果和各分类特征的所属域标注结果，确定分类损失函数；

根据定位特征提取器提取的各源域图像的定位特征，利用定位器输出各源域图像的目标定位结果，根据各源域图像的图像分类特征，利用分类器输出各源域图像的目标分类结果；

根据各目标分类结果、各目标定位结果和所述各源域图像的训练标注，确定源域损失函数；

根据所述分类损失函数和所述源域损失函数，对机器学习模型进行训练，所述机器学习模型包括所述分类特征提取器、所述第一域判别器、所述定位特征提取器、所述定位器、所述分类器。

2.根据权利要求1所述的训练方法，其中，所述根据定位特征提取器提取的各源域图像的定位特征，利用定位器输出各源域图像的目标定位结果包括：

根据定位特征提取器提取的各目标域图像的定位特征，分别利用所述第一定位器和所述第二定位器输出各目标域图像的第一目标定位结果和第二目标定位结果；

还包括：

以最大化所述第一目标定位结果与所述第二目标定位结果的差异为目标，训练所述第一定位器和所述第二定位器；

以最小化经过训练后的所述第一定位器与所述第二定位器的目标定位结果之间的差异为目标，训练所述定位特征提取器。

3.根据权利要求2所述的训练方法，其中，

所述第一目标定位结果与所述第二目标定位结果的差异为所述第一定位器与所述第二定位器对于各目标类别的所述第一目标定位结果与所述第二目标定位结果的差异的加权平均值，该差异的权重根据所述分类器输出的目标分类结果确定。

4.根据权利要求2所述的训练方法，其中，所述以最大化所述第一目标定位结果与所述第二目标定位结果的差异为目标，训练所述第一定位器和所述第二定位器包括：

根据所述源域损失函数、所述第一目标定位结果与所述第二目标定位结果的差异，构建目标域损失函数；

根据所述目标域损失函数，训练所述第一定位器和所述第二定位器。

5.根据权利要求4所述的训练方法，其中，所述根据所述源域损失函数、所述第一目标定位结果与所述第二目标定位结果的差异，构建目标域损失函数包括：

根据所述源域损失函数、所述第一目标定位结果与最小定位范围的差异，确定第一目标域损失函数，所述最小定位范围根据所述第一目标定位结果和所述第二目标定位结果的交集确定；

根据所述源域损失函数、所述第二目标定位结果与最大定位范围的差异，确定第二目标域损失函数，所述最大定位范围根据所述第一目标定位结果和所述第二目标定位结果的包络确定；

所述根据所述目标域损失函数，训练所述第一定位器和所述第二定位器包括：

以最小化所述第一目标域损失函数为目标，训练所述第一定位器；

以最小化所述第二目标域损失函数为目标，训练所述第二定位器。

6.根据权利要求1所述的训练方法，其中，

所述机器学习模型包括所述基础特征提取器；

还包括：

利用基础特征提取器，提取各源域图像和各目标域图像的基础图像特征；

根据各基础图像特征，利用所述分类特征提取器提取各源域图像和各目标域图像的图像分类特征；

根据各基础图像特征，利用所述定位特征提取器提取各源域图像和各目标域图像的定位特征。

7.根据权利要求6所述的训练方法，其中，

所述机器学习模型包括第二域判别器；

还包括：

利用所述第二域判别器，判别所述各基础图像特征属于源域图像还是目标域图像；

根据所述第二域判别器的判别结果和各基础图像特征的所属域标注结果，确定基础域判别损失函数；

其中，所述根据所述分类损失函数和所述源域损失函数，对机器学习模型进行训练包括：

根据所述基础域判别损失函数、所述分类损失函数和所述源域损失函数，对所述机器学习模型进行训练。