[发明专利]图像处理的方法、装置、计算机设备及存储介质

说明书

本发明公开了一种图像处理的方法、装置、计算机设备及存储介质，其中图像处理的方法可包括：对接收的第一图像进行特征提取处理，得到第一图像的多个图像原始特征；利用多个图像原始特征生成第一图像的身份标识特征，确定各个图像原始特征与身份标识特征之间的特征距离，以及根据特征距离确定优化参数；利用优化参数更新用于图像识别模型迭代训练的损失函数输出结果，训练完成后的图像识别模型用于对待识别的第二图像进行图像识别处理。该装置可包括原始特征提取模块、标识特征生成模块、优化参数确定模块及损失输出更新模块。相比现有技术，本发明可显著提升图像识别模型的图像识别处理的能力，图像识别的效果得到了明显提升。

技术领域

本发明涉及计算机视觉技术领域，更为具体来说，本发明能够提供一种图像处理的方法、装置、计算机设备及存储介质。

背景技术

目前，通过训练神经网络的方式得到图像识别模型的技术已经得到了广泛地应用。然而为了提升图像识别模型性能，使得神经网络结构的复杂度在不断增加，导致图像处理的实时响应性下降。于是，有人引入了知识蒸馏的方法，知识蒸馏的主要思路是训练一个小规模模型模仿一个大规模模型，从而使得小规模模型具有一定精度的同时还具有不复杂的网络，可通过该方式得到神经网络复杂度不高的图像识别模型。虽然通过这种方式得到了具有一定性能的小规模图像识别模型，但是，这种方式的弊端在于限制了图像识别模型对图像识别处理的能力，图像识别的效果难以进一步提升，亟待需要改进或优化。

发明内容

为解决传统基于图像识别模型的图像识别效果难以再提升的问题，本发明能够提供一种图像处理的方法、装置、计算机设备及存储介质，从而达到进一步提升图像识别处理性能等技术目的。

为实现上述的技术目的，本发明能够提供一种图像处理的方法，该方法可包括但不限于如下的一个或多个步骤。

对接收的第一图像进行特征提取处理，得到第一图像的多个图像原始特征。

利用所述多个图像原始特征生成第一图像的身份标识特征。

确定各个所述图像原始特征与所述身份标识特征之间的特征距离，并根据所述特征距离确定优化参数。

利用所述优化参数更新用于图像识别模型迭代训练的损失函数输出结果，训练完成后的图像识别模型用于对待识别的第二图像进行图像识别处理。

为实现上述的技术目的，本发明还能够提供一种图像处理的装置，该装置包括但不限于原始特征提取模块、标识特征生成模块、优化参数确定模块以及损失输出更新模块。

原始特征提取模块，用于对接收的第一图像进行特征提取处理，得到第一图像的多个图像原始特征。

标识特征生成模块，用于利用所述多个图像原始特征生成第一图像的身份标识特征。

优化参数确定模块，用于确定各个所述图像原始特征与所述身份标识特征之间的特征距离，并根据所述特征距离确定优化参数。

损失输出更新模块，用于利用所述优化参数更新用于图像识别模型迭代训练的损失函数输出结果，训练完成后的图像识别模型用于对待识别的第二图像进行图像识别处理。

为实现上述的技术目的，本发明还能够提供一种计算机设备，计算机设备包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行本发明任一实施例中所述图像处理的方法的步骤。

为实现上述的技术目的，本发明还可提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行本发明任一实施例中所述图像处理的方法的步骤。

为实现上述的技术目的，本发明还能够提供一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行本发明任一实施例中所述图像处理的方法的步骤。