[发明专利]图像处理方法、模型训练方法、装置、设备及可读介质

权利要求书

1.一种图像处理方法，其特征在于，包括：

获取待识别的第一图像；

将所述第一图像输入第一模型，获得所述第一模型输出的第一分类概率；其中，所述第一模型是以图像作为输入，以所述图像属于不良图像类型的分类概率作为输出的神经网络模型；所述第一模型是基于具有多层级分类标签的样本数据，通过包含多层级分类的交叉熵损失函数和度量学习损失的损失函数训练生成；所述交叉熵损失函数包括第一交叉熵损失函数、第二交叉熵损失函数；所述第一交叉熵损失用于表征父类层级的交叉熵损失，根据所述样本数据的多个父类之间的损失Loss值确定，所述第二交叉熵损失用于表征子类层级的交叉熵损失，根据各父类之间的概率值以及同一父类关联的各子类之间的概率值得到，其中所述各父类之间的概率值以及与所述同一父类关联的各子类之间的概率值通过归一化指数函数softmax确定，所述度量学习损失的损失函数用于表征子类层级的度量损失；

当所述第一分类概率大于第一预设阈值时，确定所述第一图像为不良图像。

2.根据权利要求1所述的方法，其特征在于，当所述第一分类概率大于第一预设阈值时，确定所述第一图像为不良图像之后，所述方法还包括：

将所述第一图像输入第二模型，获得所述第二模型输出的第二分类概率，其中，所述第二模型是以图像作为输入，以所述图像属于不良图像类型的分类概率作为输出的神经网络模型；所述第二模型是基于具有多层级分类标签的样本数据，通过包含多层级分类的交叉熵损失和度量学习损失的损失函数训练生成的；所述第二模型的网络结构复杂度高于所述第一模型；

当所述第二分类概率大于第二预设阈值时，确定所述第一图像为不良图像；其中，所述第二预设阈值高于所述第一预设阈值。

3.根据权利要求1或2所述的方法，其特征在于，在所述将所述第一图像输入第一模型之前，所述方法还包括：

对所述第一图像进行肤色检测，统计所述第一图像中像素属于人体皮肤的比例；

当所述比例高于第三预设阈值时，确定所述第一图像为人体图像，再执行所述将所述第一图像输入第一模型。

4.根据权利要求1所述的方法，其特征在于，所述第一模型的特征提取网络采用移动端神经网络MobileNet或者混洗网络ShuffleNet。

5.根据权利要求2所述的方法，其特征在于，所述第二模型的特征提取网络采用残差网络ResNet或者初始网络InceptionNet。

6.一种模型训练方法，其特征在于，包括：

获取样本数据集，所述样本数据集中每个样本数据包括具有多个层级的分类标签的图像；所述多个层级的分类标签用于表征图像是否为不良图像；

基于所述样本数据集，通过包含多层级分类的交叉熵损失函数和度量学习损失的损失函数对预设的模型进行训练，获得满足训练结束条件的模型；所述交叉熵损失函数包括第一交叉熵损失函数、第二交叉熵损失函数；所述第一交叉熵损失用于表征父类层级的交叉熵损失，根据所述样本数据的多个父类之间的损失Loss值确定，所述第二交叉熵损失用于表征子类层级的交叉熵损失，根据各父类之间的概率值以及同一父类关联的各子类之间的概率值得到，其中所述各父类之间的概率值以及与所述同一父类关联的各子类之间的概率值通过归一化指数函数softmax确定，所述度量学习损失的损失函数用于表征子类层级的度量损失。

7.根据权利要求6所述方法，其特征在于，所述每个样本数据包括图像以及两层级的分类标签，所述两层级的分类标签包括父类标签以及与父类关联的一级子类标签。