[发明专利]图像处理方法及装置、电子设备及存储介质

说明书

本申请公开一种图像处理方法、图像处理装置、电子设备及非易失性计算机可读存储介质。方法包括基于预设的检测模型，检测初始样本集中的样本图像的置信度，所述置信度表示所述样本图像的类型的准确度；根据所述置信度，确定所述样本图像是否为相似样本；过滤多个所述初始样本集中的所述相似样本，以生成目标样本集。如此，根据样本图像的置信度，能够准确的确定样本图像是否为相似样本，从而将初始样本集中的相似样本过滤，保留与预设的训练集相似度较低的样本图像，生成目标样本集，通过与训练集相似度较低的目标样本集再次训练检测模型，可增加检测模型的鲁棒性，提升了检测模型的性能，且无需通过人工来对训练样本进行标记选取，减少标记成本。

技术领域

本申请涉及图像处理技术领域，更具体而言，涉及一种图像处理方法、图像处理装置、电子设备及非易失性计算机可读存储介质。

背景技术

通过深度学习方法实现的模型，一般需要大量标记样本进行模型训练，标记样本质量的选择影响模型性能，如何从海量数据中选择有效样本进行标记，加入模型中训练，以提升模型性能及减少人工成本是至关重要的。

发明内容

本申请实施方式提供一种图像处理方法、图像处理装置、电子设备及非易失性计算机可读存储介质。

本申请实施方式的图像处理方法包括基于预设的检测模型，检测初始样本集中的样本图像的置信度，所述置信度表示所述样本图像的类型的准确度；根据所述置信度，确定所述样本图像是否为相似样本；过滤多个所述初始样本集中的所述相似样本，以生成目标样本集。

本申请实施方式的图像处理装置包括检测模块、确定模块和过滤模块。所述检测模块用于基于预设的检测模型，检测初始样本集中的样本图像的置信度，所述置信度表示所述样本图像的类型的准确度；所述确定模块用于根据所述置信度，确定所述样本图像是否为相似样本；及所述过滤模块用于过滤多个所述初始样本集中的所述相似样本，以生成目标样本集。

本申请实施方式的电子设备包括处理器，所述处理器用于基于预设的检测模型，检测初始样本集中的样本图像的置信度，所述置信度表示所述样本图像的类型的准确度；根据所述置信度，确定所述样本图像是否为相似样本；过滤多个所述初始样本集中的所述相似样本，以生成目标样本集。

本申请实施方式的非易失性计算机可读存储介质包含计算机程序，当所述计算机程序被一个或多个处理器执行时，使得所述处理器执行如下图像处理方法：基于预设的检测模型，检测初始样本集中的样本图像的置信度，所述置信度表示所述样本图像的类型的准确度；根据所述置信度，确定所述样本图像是否为相似样本；过滤多个所述初始样本集中的所述相似样本，以生成目标样本集。

本申请实施方式的图像处理方法、图像处理装置、电子设备及非易失性计算机可读存储介质中，通过检测初始样本集中的样本图像的置信度，可准确地确定检测模型对样本图像的检测准确性。可以理解，检测模型是基于预设的训练集训练的。因此，样本图像的置信度越低，说明检测模型对样本图像的检测准确性越低，样本图像与预设的训练集中的图像的相似性就越低。根据样本图像的置信度，能够准确的确定样本图像是否为相似样本，从而将初始样本集中的相似样本过滤掉，只保留与预设的训练集相似度较低的样本图像，生成目标样本集。通过与训练集相似度较低(即，检测模型学习效果较差的)的目标样本集再次训练检测模型，可增加检测模型的鲁棒性，提升了检测模型的性能，且无需通过人工来对训练样本进行标记选取，减少标记成本。

本申请的实施方式的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实施方式的实践了解到。

附图说明

本申请的上述和/或附加的方面和优点从结合下面附图对实施方式的描述中将变得明显和容易理解，其中：

图1是本申请某些实施方式的图像处理方法的流程示意图；

图2是本申请某些实施方式的图像处理装置的模块示意图；