[发明专利]一种图像处理的方法、模型训练的方法及装置

说明书

本申请公开一种图像处理的方法，该方法应用于人工智能领域，本申请提供的方法包括获取待处理图像所对应的原始特征图以及采样特征图；基于原始特征图，通过图像处理模型所包括的第一可逆网络获取第一特征图；基于采样特征图，通过图像处理模型所包括的第二可逆网络获取第二特征图；根据第一特征图以及经过上采样处理后的第二特征图获取第三特征图，根据第二特征图以及经过下采样处理后的第一特征图获取第四特征图；基于第三特征图以及第四特征图，通过图像处理模型获取待处理图像对应的图像处理结果。本申请还公开了一种相关装置、设备及存储介质以及模型训练的方法。

技术领域

本申请涉及人工智能领域，尤其涉及一种图像处理的方法、模型训练的方法及装置。

背景技术

随着人工智能的不断推进，计算机视觉是深度学习领域最热门的研究领域之一。其中，计算机视觉是一个跨领域的交叉学科，包括计算机科学、数学、工程学、物理学、生物学和心理学等。基于计算机视觉对图像进行分析和处理的应用也越来越广泛。

目前，深度卷积神经网络算法已经广泛应用于图像的处理，例如，使用全卷积网络(Fully Convolutional Networks，FCN)对图像进行分割处理，又例如，使用视觉几何群网络(Visual Geometry Group Network，VGG)对图像进行分类处理。

然而，无论是使用FCN网络还是VGG网络，都会在下采样的过程中出现信息丢失的情况。尤其对于感兴趣区域较小的图像而言，信息的丢失往往会导致图像分类或者图像分割的效果较差。

发明内容

本申请实施例提供了一种图像处理的方法，可以使得原始高分辨率的特征图与下采样得到的特征图进行信息交互，避免因下采样导致信息丢失的情况，同时，在卷积的过程中采用多个可逆块构成的可逆网络，无需存储卷积过程中产生的中间量，从而在保持图像处理效果的情况下，还能够节省图像处理的内存空间。

有鉴于此，本申请第一方面提供一种图像处理的方法，包括：

获取待处理图像所对应的原始特征图以及采样特征图，其中，待处理图像与原始特征图均对应于第一分辨率，采样特征图对应于第二分辨率，且第二分辨率小于第一分辨率；

基于原始特征图，通过图像处理模型所包括的第一可逆网络获取第一特征图，其中，第一特征图对应于第一分辨率，第一可逆网络包括串联的至少一个可逆块，每个可逆块用于执行卷积操作；

基于采样特征图，通过图像处理模型所包括的第二可逆网络获取第二特征图，其中，第二特征图对应于第二分辨率，第二可逆网络包括串联的至少一个可逆块；

根据第一特征图以及经过上采样处理后的第二特征图获取第三特征图，根据第二特征图以及经过下采样处理后的第一特征图获取第四特征图，其中，第三特征图对应于第一分辨率，第四特征图对应于第二分辨率；

基于第三特征图以及第四特征图，通过图像处理模型获取待处理图像对应的图像处理结果。

本申请第二方面提供一种模型训练的方法，包括：

获取待训练图像，其中，待训练图像对应于图像真实分割结果，图像真实分割结果为待训练图像在每个像素点上的标注结果；

通过图像处理模型获取待训练图像所对应的待训练原始特征图以及待训练采样特征图，其中，待训练原始特征图与待训练图像均对应于第一分辨率，待训练采样特征图对应于第二分辨率，且第二分辨率小于第一分辨率；

基于待训练原始特征图，通过图像处理模型所包括的第一可逆网络获取第一待训练特征图，其中，第一待训练特征图对应于第一分辨率，第一待训练可逆网络包括串联的至少一个可逆块，每个可逆块用于执行卷积操作；

基于待训练采样特征图，通过图像处理模型所包括的第二可逆网络获取第二待训练特征图，其中，第二待训练特征图对应于第二分辨率，第二可逆网络包括串联的至少一个可逆块；