[发明专利]一种图像处理方法、装置、计算机设备及存储介质

权利要求书

1.一种图像处理方法，其特征在于，所述方法包括：

获取训练样本集，所述训练样本集包括源领域的第一样本图像、所述第一样本图像中目标类型的对象的标注数据以及目标领域无标注数据的第二样本图像；

根据所述第二样本图像的信息熵确定样本检测网络模型的熵损失；

根据所述第一样本图像和所述第一样本图像中目标类型的对象的标注数据，确定所述样本检测网络模型的检测损失；

根据所述熵损失和所述检测损失训练所述样本检测网络模型，当训练后的样本检测网络模型满足模型收敛条件时，将所述训练后的样本检测网络模型作为对象检测网络模型，所述对象检测网络模型用于识别所述目标领域的图像中所述目标类型的对象；

获取所述目标领域的待检测图像；

调用所述对象检测网络模型对所述待检测图像进行处理，以得到所述待检测图像的头部特征图，所述头部特征图包括所述待检测图像中所述目标类型的对象的位置特征分布数据；

根据所述头部特征图确定所述待检测图像的检测结果，所述检测结果包括所述待检测图像中所述目标类型的对象的位置数据。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第二样本图像的信息熵确定所述样本检测网络模型的熵损失，包括：

调用所述样本检测网络模型对所述第二样本图像进行特征提取，得到所述第二样本图像的第二头部预测特征图；

根据所述第二头部预测特征图的信息熵确定所述样本检测网络模型的熵损失。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第二头部预测特征图的信息熵确定所述样本检测网络模型的熵损失，包括：

对所述第二头部预测特征图包括的第二中心点预测特征图或者第二宽高属性预测特征图进行归一化处理，得到归一化后的第二中心点预测特征图或者第二宽高属性预测特征图，所述归一化后的第二中心点预测特征图或者第二宽高属性预测特征图包括多个特征点，每个特征点对应所述第二样本图像中的一个像素点；

对所述多个特征点中每一个特征点分别计算信息熵，并根据所有特征点的信息熵、所述第二头部预测特征图的宽和高得到第三网络损失；

对所述多个特征点中每一个特征点分别计算最大平方损失，并根据所有特征点的最大平方损失、所述第二头部预测特征图的宽和高得到第四网络损失；

根据所述第三网络损失和所述第四网络损失确定所述样本检测网络模型的熵损失。

4.根据权利要求1~3中任一项所述的方法，其特征在于，所述根据所述第一样本图像和所述第一样本图像中目标类型的对象的标注数据，确定所述样本检测网络模型的检测损失，包括：

调用所述样本检测网络模型对所述第一样本图像进行特征提取，得到所述第一样本图像的第一头部预测特征图；

根据所述第一头部预测特征图和所述标注数据确定所述样本检测网络模型的检测损失。

5.根据权利要求4所述的方法，其特征在于，所述第一头部预测特征图包括第一中心点预测特征图和第一宽高属性预测特征图，所述标注数据包括所述第一样本图像中所述目标类型的对象的指示框的宽、高和所述目标类型的对象的中心点；

所述根据所述第一头部预测特征图和所述标注数据确定所述样本检测网络模型的检测损失，包括：

根据所述第一中心点预测特征图、所述目标类型的对象的中心点和所述第一样本图像的数量，确定第一网络损失；

根据所述第一宽高属性预测特征图、所述第一样本图像的数量、所述指示框的宽和高，确定第二网络损失；

根据所述第一网络损失和所述第二网络损失确定所述样本检测网络模型的检测损失。