[发明专利]一种图像处理模型的确定方法及其相关装置

权利要求书

1.一种图像处理模型的确定方法，其特征在于，包括：

采用训练样本数据对深度学习卷积网络训练，得到初始的图像处理模型；

根据所述初始的图像处理模型确定所述训练样本数据中的稀有样本数据；

在所述训练样本数据中提升所述稀有样本数据的出现频率；

采用提升所述稀有样本数据的出现频率后的训练样本数据，对所述深度学习卷积网络重新训练，得到第一优化的图像处理模型；

根据图像处理模型确定所述训练样本数据中的稀有样本数据，具体包括：

利用所述图像处理模型确定所述训练样本数据中各样本图像的概率值；

根据确定出的各所述样本图像的概率值和各所述样本图像所包含的标签值，确定各所述样本图像经过所述图像处理模型后的误差值；

根据各所述样本图像经过所述图像处理模型后的误差值，确定所述训练样本数据中的稀有样本数据。

2.如权利要求1所述的确定方法，其特征在于，还包括：

根据所述第一优化的图像处理模型更新所述训练样本数据中的稀有样本数据；在所述训练样本数据中提升更新的所述稀有样本数据的出现频率；采用提升更新的所述稀有样本数据的出现频率后的训练样本数据，对所述深度学习卷积网络重新训练，得到第二优化的图像处理模型；

直到更新的所述稀有样本数据与上次更新的所述稀有样本数据之差在预设范围内为止，确定得到最终优化图像处理模型。

3.如权利要求1所述的确定方法，其特征在于，所述根据各所述样本图像经过所述图像处理模型后的误差值，确定所述训练样本数据中的稀有样本数据，具体包括：

对各所述样本图像经过所述图像处理模型后的误差值进行排序；

将误差值大于预设值的各所述样本图像确定为所述训练样本数据中的稀有样本数据。

4.如权利要求1或2所述的确定方法，其特征在于，在所述训练样本数据中提升所述稀有样本数据的出现频率，具体包括：

对所述稀有样本数据进行数据提升；

将数据提升后的所述稀有样本数据加入至所述训练样本数据中。

5.如权利要求1或2所述的确定方法，其特征在于，采用训练样本数据对深度学习卷积网络训练，或，采用提升更新的所述稀有样本数据的出现频率后的训练样本数据，具体包括：

对所述训练样本数据进行归一化预处理；

对归一化处理后的训练样本数据进行数据提升；

采用数据提升后的训练样本数据对深度学习卷积网络训练。

6.如权利要求1所述的确定方法，其特征在于，所述训练样本数据为眼前节图像的训练样本数据。

7.一种图像处理模型的确定装置，其特征在于，包括：

训练样本数据模块，用于存储训练样本数据；

训练模块，用于采用训练样本数据对深度学习卷积网络训练，得到初始的图像处理模型；

确定模块，用于根据所述初始的图像处理模型确定所述训练样本数据中的稀有样本数据；

更新模块，用于在所述训练样本数据中提升所述稀有样本数据的出现频率；

所述训练模块，还用于采用提升所述稀有样本数据的出现频率后的训练样本数据，对所述深度学习卷积网络重新训练，得到第一优化的图像处理模型；

所述确定模块，具体包括：

概率计算单元，用于利用所述图像处理模型确定所述训练样本数据中各样本图像的概率值；

误差计算单元，用于根据确定出的各所述样本图像的概率值和各所述样本图像所包含的标签值，确定各所述样本图像经过所述图像处理模型后的误差值；

稀有样本确定单元，用于根据各所述样本图像经过所述图像处理模型后的误差值，确定所述训练样本数据中的稀有样本数据。