[发明专利]深度神经网络模型训练、图片处理方法及装置和设备

权利要求书

1.一种深度神经网络模型训练方法，其特征在于，所述方法包括：

基于训练样本图片库对深度神经网络模型进行多次训练直至满足预定的训练完成条件，所述训练样本图片库包括多张无扰样本图片和多张加扰样本图片，每个无扰样本图片对应至少一张加扰样本图片，对所述深度神经网络模型的至少一次训练过程包括：

利用所述深度神经网络模型对加扰样本图片进行去扰处理，得到去扰处理图片；

确定所述去扰处理图片与所述加扰样本图片对应的无扰样本图片之间的特征差异；

根据所述特征差异调整所述深度神经网络模型的网络参数。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取创建所述训练样本图片库所需的加扰样本图片。

3.根据权利要求2所述的方法，其特征在于，所述获取创建所述训练样本图片库所需的加扰样本图片的步骤，包括：

对无扰样本图片进行加扰，获得与所述无扰样本图片对应的至少一张加扰样本图片，将所得到的加扰样本图片作为创建所述训练样本图片库所需的加扰样本图片。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述确定所述去扰处理图片与所述加扰样本图片对应的无扰样本图片之间的特征差异的步骤，包括：

利用损失函数计算所述去扰处理图片的特征与所述加扰样本图片对应的无扰样本图片的特征之间的损失值。

5.根据权利要求4所述的方法，其特征在于，所述训练完成条件包括：

训练次数不小于预定训练次数阀值；或者

所述损失值小于预定容差范围和/或所述损失值不大于预定阀值。

6.根据权利要求1所述的方法，其特征在于，所述深度神经网络模型包括：一个损失计算层和至少一个处理层；

其中，起始的处理层的输入内容为某一次训练的加扰样本图片，其余的每个处理层的输入内容为上一处理层的输出内容，终止的处理层的输出内容为该次训练的加扰图片所对应的去扰处理图片；所述损失计算层的输入内容为终止的处理层输出的去扰处理图片以及该次训练的加扰样本图片所对应的无扰样本图片，输出内容为去扰处理图片与所述加扰样本图片对应的无扰样本图片之间的特征差异。

7.一种图片处理方法，其特征在于，所述方法包括：

获得包括干扰信息的目标图片；

基于如权利要求1-6任一所述的方法训练完成的深度神经网络模型去除所述目标图片中的干扰信息。

8.一种深度神经网络模型训练装置，其特征在于，所述装置基于训练样本图片库对深度神经网络模型进行多次训练直至满足预定的训练完成条件，所述训练样本图片库包括多张无扰样本图片和多张加扰样本图片，每个无扰样本图片对应至少一张加扰样本图片，通过训练模块对所述深度神经网络模型进行至少一次训练，所述训练模块包括：

去扰单元，用于利用所述深度神经网络模型对加扰样本图片进行去扰处理，得到去扰处理图片；

确定单元，用于确定所述去扰处理图片与所述加扰样本图片对应的无扰样本图片之间的特征差异；

调整单元，用于根据所述特征差异调整所述深度神经网络模型的网络参数。

9.一种图片处理装置，其特征在于，所述装置包括：

获得模块，用于获得包括干扰信息的目标图片；

处理模块，用于基于如权利要求8所述的装置训练完成的深度神经网络模型去除所述目标图片中的干扰信息。

10.一种电子设备，其特征在于，包括：处理器、存储器、总线、通信部，其中，所述处理器与所述存储器通信以执行指令，通过所述总线与所述通信部相连接，并通过所述通信部与其他设备通信；

所述处理器通过读取所述存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，以执行权利要求1-7任一项所述的方法。