[发明专利]图像数据处理方法、装置、计算机设备和存储介质

权利要求书

1.一种图像数据处理方法，其特征在于，所述方法包括：

获取样本图像，所述样本图像包含多个图像块；

从所述多个图像块中提取训练图像块并添加至训练集中；所述训练集包括从所述多个图像块中识别到的前景图像块和背景图像块；其中，所述前景图像块中包含待检测的对象；所述前景图像块包括标签图像块和无标签图像块；所述标签图像块中待检测的对象具备标签，所述无标签图像块中待检测的对象不具备标签；

基于所述训练集中的所述标签图像块和所述背景图像块训练特征生成网络，并采用训练好的特征生成网络对所述训练集中的每个训练图像块进行重构处理，得到所述训练集中的每个训练图像块的重构特征；

基于所述训练集中的每个训练图像块的重构特征、所述标签图像块和所述背景图像块训练检测网络；训练好的检测网络用于对图像中的对象进行检测；

其中，检测网络基于第一样本对、第二样本对和第三样本对进行训练，所述第一样本对是根据所述每个训练图像块的重构特征和标签构建得到，所述无标签图像块的标签是根据所述无标签图像块的重构特征、所述标签图像块的重构特征及所述标签图像块中对象所具备的标签所确定，所述背景图像块的标签用于指示所述背景图像块属于背景类别，所述第二样本对是根据所述标签图像块的原始图像特征和标签构建得到，所述第三样本对是根据所述背景图像块的原始图像特征和标签构建得到。

2.根据权利要求1所述的方法，其特征在于，所述训练集中的背景图像块具有标签，所述背景图像块的标签用于指示所述背景图像块属于背景类别；所述训练集包括特征训练子集，所述特征训练子集中包括所述训练集中的所述标签图像块和所述背景图像块；

所述基于所述训练集中的所述标签图像块和所述背景图像块训练特征生成网络，包括：

获取待训练的初始特征生成网络，并获取所述特征训练子集中的各个训练图像块的原始图像特征；

采用所述初始特征生成网络对所述特征训练子集中的每个训练图像块进行重构处理，生成所述特征训练子集中的每个训练图像块的初始重构特征；

根据所述特征训练子集中的每个训练图像块的原始图像特征、初始重构特征和标签确定所述初始特征生成网络的目标损失函数；

根据所述目标损失函数修正所述初始特征生成网络的网络参数，得到训练好的特征生成网络。

3.根据权利要求2所述的方法，其特征在于，所述采用所述初始特征生成网络对所述特征训练子集中的每个训练图像块进行重构处理，生成所述特征训练子集中的每个训练图像块的初始重构特征，包括：

将所述特征训练子集中的每个训练图像块的标签输入词向量模型，基于所述词向量模型分别生成所述特征训练子集中的每个训练图像块的语义特征；

分别对所述特征训练子集中的每个训练图像块的语义特征和原始图像特征进行拼接，得到所述特征训练子集中的每个训练图像块的目标图像特征；

将所述特征训练子集中的每个训练图像块的目标图像特征输入所述初始特征生成网络，基于所述初始特征生成网络生成所述特征训练子集中的每个训练图像块的初始重构特征。

4.根据权利要求3所述的方法，其特征在于，所述根据所述特征训练子集中的每个训练图像块的原始图像特征、初始重构特征和标签确定所述初始特征生成网络的目标损失函数，包括：

根据所述特征训练子集中的每个训练图像块的原始图像特征和初始重构特征确定置信度损失函数；

根据针对所述特征训练子集中的每个训练图像块的识别类别和所述特征训练子集中的每个训练图像块的标签所指示的类别确定分类损失函数；

根据所述特征训练子集中的每个训练图像块的语义特征和初始重构特征确定语义损失函数；

根据所述初始特征生成网络的初始潜在噪声变量确定特征重构损失函数；

根据所述置信度损失函数、所述分类损失函数、所述语义损失函数和所述特征重构损失函数确定所述目标损失函数。