[发明专利]模型训练方法、图像处理方法及相关装置

说明书

本发明涉及图像处理技术领域，提供一种模型训练方法、图像处理方法及相关装置，所述方法包括：获取带标签的第一样本图像和不带标签的第二样本图像；将第一样本图像及第二样本图像分别输入至原始模型的特征提取网络，得到第一特征图和第二特征图；将第一特征图和第二特征图输入至原始模型的注意力约束网络，得到第二特征图的强化特征图；将第一特征图及强化特征图分别输入至原始模型的回归网络，得到原始模型的第一检测结果和第二检测结果；根据第一检测结果、标签、第二检测结果及预设损失函数，对原始模型的参数进行调整，直至达到预设的训练完成条件，得到检测模型。本发明训练得到的检测模型具有较高的检测精度和泛化能力。

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种模型训练方法、图像处理方法及相关装置。

背景技术

监督式学习和无监督式学习是图像处理领域中经常使用的两种机器学习策略，两者的区别在于是否需要人工参与数据的标注，即是否需要对训练数据打标签。传统的监督式学习训练需要预先收集大量数据并对其进行标注以构建训练集，然后在此基础上进行建模拟合，最后让模型预测未知数据的结果。对于难以进行人工标注类别或进行人工类别标注的成本太高或者只需要分类，并不需要识别具体类别等应用场景，传统的监督式学习适用度并不高，无监督式学习虽然避免了数据标注带来的巨大工作量，但是图像处理时进行目标检测的精度通常不能满足要求。

发明内容

本发明的目的在于提供了一种模型训练方法、图像处理方法及相关装置，其能够在模型训练时利用注意力约束机制，以加强无标签的样本图像对模型的优化，最终提高训练后得到的检测模型的检测精度。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种模型训练方法，所述方法包括：

获取带标签的第一样本图像和不带标签的第二样本图像；

将所述第一样本图像及所述第二样本图像分别输入至原始模型的特征提取网络，得到第一特征图和第二特征图；

将所述第一特征图和所述第二特征图输入至所述原始模型的注意力约束网络，得到所述第二特征图的强化特征图；

将所述第一特征图及所述强化特征图分别输入至所述原始模型的回归网络，得到所述原始模型的第一检测结果和第二检测结果；

根据所述第一检测结果、所述标签、所述第二检测结果及预设损失函数，对所述原始模型的参数进行调整，直至达到预设的训练完成条件，得到检测模型。

进一步地，所述将所述第一特征图和所述第二特征图输入至所述原始模型的注意力约束网络，得到所述第二特征图的强化特征图的步骤包括：

利用所述注意力约束网络的池化层对所述第一特征图进行池化处理，得到注意力向量；

将所述注意力向量和所述第二特征图输入至所述注意力约束网络的强化层进行特征强化，得到所述第二特征图的强化特征图。

进一步地，所述利用所述注意力约束网络的池化层对所述第一特征图进行池化处理，得到注意力向量的步骤包括：

根据所述第一特征图及所述标签，从所述第一特征图中确定目标区域；

将所述目标区域输入至所述注意力约束网络的池化层进行处理，得到所述注意力向量。

进一步地，所述第一样本图像包括第一原始图像和对所述第一原始图像进行翻转得到的第一翻转图像，所述第二样本图像包括第二原始图像和对所述第二原始图像进行翻转得到的第二翻转图像，所述第一检测结果包括所述第一原始图像的检测结果和所述第一翻转图像的检测结果，所述第二检测结果包括所述第二原始图像的检测结果和所述第二翻转图像的检测结果，所述预设损失函数为：

，