[发明专利]图像处理方法和装置

说明书

本公开提供了一种图像处理方法，该方法包括：获取目标图像；获取图像处理模型，图像处理模型可识别图像中的N类对象；向图像处理模型输入目标图像，以便图像处理模型执行以下操作：扫描目标图像，以确定目标图像中包含的至少一个对象；针对至少一个对象中的每个对象，确定对象是否是N类对象中的一类；如果确定对象是N类对象中的一类，则对对象标注第一标签；并且/或者如果确定对象不是N类对象中的一类，则对对象标注第二标签。本公开还提供了一种图像处理装置、一种电子设备以及一种计算机可读存储介质。

技术领域

本公开涉及一种图像处理方法和装置。

背景技术

目前，广泛应用于模型训练的有监督机器学习通常需要大量的图像标注支持才能达到更好的训练效果。而目前图像标注主要依靠人工完成，非常地耗时耗力。

对此，相关技术中提供了一种通过神经网络训练的模型。这种模型能够识别并标注指定数量的物体或场景类型。比如ImageNet有1000种类型，在这个数据集上训练完成后，模型就可以认识并标注这1000种类型的场景或物体。当新增加N种类型的场景或物体时，模型就无法识别了。此时需要采集大量的关于这N种新类型的图片，然后与已知的1000种类型的数据集一起进行训练，模型才会认识并标注这新来的N种类型的场景或物体。以此类推，当再新增加M种类型的场景或物体时，还需要再次将之前已经训练好的1000+N种类型的数据集与新增加的M种类型的数据集一起进行训练，才能得到能够识别并标注这1000+N+M种类型的场景或物体的分类器。

可见，相关技术中已经训练好的模型无法识别并标注新增加的场景或物体类型。为了能够识别并标注新增加的场景或物体类型，每增加一次新类型，就需要重新训练一次模型。并且在这个过程中之前已经训练过的类型需要一直反复训练。

发明内容

本公开的一个方面提供了一种图像处理方法，包括：获取目标图像；获取图像处理模型，上述图像处理模型可识别图像中的N类对象；向上述图像处理模型输入上述目标图像，以便上述图像处理模型执行以下操作：扫描上述目标图像，以确定上述目标图像中包含的至少一个对象；针对上述至少一个对象中的每个对象，确定上述对象是否是上述N类对象中的一类；如果确定上述对象是上述N类对象中的一类，则对上述对象标注第一标签；并且/或者如果确定上述对象不是上述N类对象中的一类，则对上述对象标注第二标签。

可选地，上述方法还包括：提取上述对象的特征信息；获取上述第二标签的标签数据；通过上述对象的特征信息和上述标签数据，确定与上述对象对应的对象类别的模式信息；保存与上述对象对应的对象类别的模式信息，以便再次训练上述图像处理模型时使用。

可选地，上述确定上述对象是否是上述N类对象中的一类，包括：提取上述对象的特征信息；获取上述N类对象中每类对象的特征信息；以及通过计算上述对象的特征信息与上述每类对象的特征信息的相似度来确定上述对象是否是上述N类对象中的一类。

可选地，上述方法还包括：获取第一训练集，上述第一训练集中包含多张已标注上述第一标签的第一图像和多张未做标注的第二图像，且上述第一训练集中包含的图像中包含上述N类对象；以及向神经网络输入多张上述第一图像和多张上述第二图像，以训练上述图像处理模型。

可选地，上述方法还包括在训练上述图像处理模型的过程中：获取上述第一标签的标签数据；获取每张上述第一图像和每张上述第二图像对应于上述神经网络的预设网络层的第一响应值；根据上述第一响应值和上述第一标签的标签数据确定上述N类对象中每类对象的模式信息；以及保存上述每类对象的模式信息。

可选地，上述方法还包括：获取第二训练集，上述第二训练集中包含多张已标注第三标签的第三图像和多张未做标注的第四图像，且上述第二训练集中包含的图像中包含M类对象，上述M类对象不同于上述N类对象；以及向上述神经网络输入多张上述第三图像、多张上述第四图像以及上述每类对象的模式信息，以再次训练上述图像处理模型，其中，经再次训练后上述图像处理模型可识别图像中的上述N类对象和上述M类对象。