CN114463551A - 图像处理方法、装置、存储介质及电子设备 - Google Patents
图像处理方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114463551A CN114463551A CN202210135612.6A CN202210135612A CN114463551A CN 114463551 A CN114463551 A CN 114463551A CN 202210135612 A CN202210135612 A CN 202210135612A CN 114463551 A CN114463551 A CN 114463551A
- Authority
- CN
- China
- Prior art keywords
- image
- training matrix
- feature
- processed
- mentioned
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 34
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims description 33
- 238000000605 extraction Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 230000000007 visual effect Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000012634 fragment Substances 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种图像处理方法、装置、存储介质及电子设备，涉及人工智能技术领域，尤其涉及深度学习技术、计算机视觉技术领域，可应用于图像处理等场景。具体实现方案为：确定待处理图像的至少一组图像片段序列，其中，上述图像片段序列由多个图像片段构成；依据上述图像片段序列的序列特征确定目标训练矩阵；将上述目标训练矩阵作为自注意力模型中的自相关系数，并采用上述自注意力模型从任意一组或多组上述图像片段序列中，提取得到上述待处理图像的图像特征。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及深度学习技术、计算机视觉技术领域，可应用于图像处理等场景，具体涉及一种图像处理方法、装置、存储介质及电子设备。
背景技术
目前，自注意力模型已广泛应用于图像处理技术领域，自相关机制的计算复杂度是影响图像特征提取效率的重要因素之一，然而现有技术中自相关机制的计算复杂度为序列长度N的平方，如何降低自相关机制的计算复杂度，成为亟待解决的问题。
发明内容
本公开提供了一种图像处理方法、装置、存储介质及电子设备。
根据本公开的一方面，提供了一种图像处理方法，包括：确定待处理图像的至少一组图像片段序列，其中，上述图像片段序列由多个图像片段构成；依据上述图像片段序列的序列特征确定目标训练矩阵；将上述目标训练矩阵作为自注意力模型中的自相关系数，并采用上述自注意力模型从任意一组或多组上述图像片段序列中，提取得到上述待处理图像的图像特征。
根据本公开的另一方面，提供了一种图像处理装置，包括：第一确定模块，用于确定待处理图像的至少一组图像片段序列，其中，上述图像片段序列由多个图像片段构成；第二确定模块，用于依据上述图像片段序列的序列特征确定目标训练矩阵；提取模块，用于将上述目标训练矩阵作为自注意力模型中的自相关系数，并采用上述自注意力模型从任意一组或多组上述图像片段序列中，提取得到上述待处理图像的图像特征。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行任一项上述的图像处理方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，上述计算机指令用于使上述计算机执行任一项上述的图像处理方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现任一项上述的图像处理方法。
根据本公开的另一方面，提供了一种图像处理产品，包括：如上述的电子设备。
在本公开实施例中，通过确定待处理图像的至少一组图像片段序列，其中，上述图像片段序列由多个图像片段构成；依据上述图像片段序列的序列特征确定目标训练矩阵；将上述目标训练矩阵作为自注意力模型中的自相关系数，并采用上述自注意力模型从任意一组或多组上述图像片段序列中，提取得到上述待处理图像的图像特征，达到了采用优化后的自注意力模型提取图像特征的目的，从而实现了提升图像特征提取效率的技术效果，进而解决了由于现有技术中的自注意力模型的计算效率较低造成的图像特征提取效率低的技术问题。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的图像处理方法的流程图；
图2是根据本公开第一实施例的一种可选的确定目标训练矩阵的流程图；
图3a是根据本公开第一实施例的一种可选的目标训练矩阵的训练阶段的流程示意图；
图3b是根据本公开第一实施例的一种可选的目标训练矩阵的推断阶段的流程示意图；
图4是根据本公开第二实施例的图像处理装置的结构示意图；
图5是用来实现本公开第一实施例的图像处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本公开实施例，提供了一种图像处理方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
目前，自注意力模型已广泛应用于图像处理技术领域，例如，Vision Transformer模型以特定窗口尺寸将图像分割为一组图像片段(Patch)序列，随后由多层堆叠的多头自注意力(Multi-Head Self-Attention，MHSA)和逐点前向网路(Position-wise Feed-Forward Networks，FFN)模块提取图像特征。Vision Transformer对特征序列的全局性建模能力源于MHSA模块中的自相关机制，即自相关机制的计算复杂度是影响图像特征提取效率的重要因素之一，然而现有技术中自相关机制的计算复杂度为序列长度N的平方，如何降低自相关机制的计算复杂度，称为亟待解决的问题。
现有技术中主要采用对角、跨步、分块稀疏化以及自相关路由等方法提高自相关机制的计算效率，但上述方法中仍需要计算部分自相关机制，且会产生附加的开销overhead计算，导致自相关机制的计算过程减慢。
针对上述问题，本公开第一实施例提供了一种图像处理方法，图1是根据本公开第一实施例的图像处理方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，确定待处理图像的至少一组图像片段序列，其中，上述图像片段序列由多个图像片段构成；
步骤S104，依据上述图像片段序列的序列特征确定目标训练矩阵；
步骤S106，将上述目标训练矩阵作为自注意力模型中的自相关系数，并采用上述自注意力模型从任意一组或多组上述图像片段序列中，提取得到上述待处理图像的图像特征。
在本公开实施例中，通过确定待处理图像的至少一组图像片段序列，其中，上述图像片段序列由多个图像片段构成；依据上述图像片段序列的序列特征确定目标训练矩阵；将上述目标训练矩阵作为自注意力模型中的自相关系数，并采用上述自注意力模型从任意一组或多组上述图像片段序列中，提取得到上述待处理图像的图像特征，达到了采用优化后的自注意力模型提取图像特征的目的，从而实现了提升图像特征提取效率的技术效果，进而解决了由于现有技术中的自注意力模型的计算效率较低造成的图像特征提取效率低的技术问题。
可选的，上述图像片段序列可以但不限于为采用视觉识别模型以特定窗口尺寸对待处理图像进行分割处理得到。
可选的，上述自注意力模型可以但不限于为多层堆叠的多头自注意力(Multi-Head Self-Attention，MHSA)模型。
可选的，将上述目标训练矩阵作为上述自注意力模型(如MHSA模型)中的自相关系数，用于确定视觉识别模型对上述图像片段序列的全局性建模能力；其中，上述自相关机制的计算复杂度为上述图像片段序列的序列长度的平方。
可选的，采用视觉识别模型将上述待处理图像分割，得到至少一组上述图像片段序列；对至少一组上述图像片段序列的序列特征进行线性映射处理，得到多个相关特征，依据多个上述相关特征和初始训练矩阵，得到上述目标训练矩阵；将上述目标训练矩阵作为自注意力模型(如MHSA模型)中的自相关系数，用于确定对上述图像片段序列的全局性建模能力；并采用上述自注意力模型从任意一组或多组上述图像片段序列中，提取得到上述待处理图像的图像特征。
本公开的另一个实施例，在一种可选的实施例中，上述确定待处理图像的至少一组图像片段序列，包括：
获取上述待处理图像；
采用视觉识别模型将上述待处理图像分割，得到至少一组上述图像片段序列。
可选的，上述图像片段序列由多个图像片段构成，上述视觉识别模型为VisionTransformer模型，例如，通过Vision Transformer模型，以特定窗口尺寸对上述待处理图像进行分割处理，进而得到至少一组上述图像片段序列。
可选的，以特定窗口尺寸对上述待处理图像进行分割处理。
在一种可选的实施例中，上述采用视觉识别模型将上述待处理图像分割为至少一组上述图像片段序列，包括：
确定待分割的目标窗口尺寸；
采用上述视觉识别模型以上述目标窗口尺寸为分割单位，分割上述待处理图像，得到至少一组上述图像片段序列。
需要说明的是，在对待处理图像进行分割及处理，首先确定好待分割的目标窗口的尺寸，以上述目标窗口的尺寸分割单位，分割上述待处理图像，具有更好的图像分割效果，可以为进一步的模型训练以及图像特征提取做准备。
在一种可选的实施例中，上述依据上述图像片段序列的序列特征确定目标训练矩阵，包括：
对至少一组上述图像片段序列的序列特征进行线性映射处理，得到多个相关特征；
依据多个上述相关特征和初始训练矩阵，得到上述目标训练矩阵，其中，上述初始训练矩阵为未经损失函数优化处理的默认矩阵。
可选的，上述相关特征包括：上述第一特征Q、第二特征K和第三特征V，其中，上述相关特征是通过对至少一组上述图像片段序列的序列特征进行线性映射处理得到的。
需要说明的是，如果没有合适的初始训练矩阵，可能会导致模型训练效果不好，采用最小二乘拟合技术获取自相关系数的估计值，并以上述估计值作为上述初始训练矩阵，采用端到端训练的方式对上述初始训练矩阵进行训练，得到上述目标训练矩阵。
需要说明的是，自相关机制的计算复杂度是影响图像特征提取效率的重要因素之一，然而现有技术中自相关机制的计算复杂度为序列长度N的平方，本公开实施例通过对至少一组上述图像片段序列的序列特征进行线性映射处理，得到多个相关特征；依据多个上述相关特征和初始训练矩阵，得到上述目标训练矩阵的方式，同样适用于短序列的任务，能够达到降低自相关机制的计算复杂度的目的，进而实现提升自相关机制的计算效率的技术效果。
作为一种可选的实施例，图2是根据本公开第一实施例的一种可选的图像处理方法的流程图，如图2所示，上述依据多个上述相关特征和初始训练矩阵，得到上述目标训练矩阵，包括：
步骤S202，将上述第一特征Q与第二特征K进行点积计算得到初始相关系数；
步骤S204，将上述初始相关系数与上述第三特征V相乘得到包含自相关信息的第四特征Y，以及将初始训练矩阵与上述第三特征V相乘得到第五特征X；
步骤S206，计算上述第四特征Y与第五特征X的平均平方误差；
步骤S208，将对上述平均平方误差进行损失函数优化处理得到的最优估计值，作为上述目标训练矩阵。
可选的，将上述第一特征Q与第二特征K进行点积计算得到初始相关系数，用于度量上述第一特征Q与第二特征K之间的相似性。
可选的，上述第四特征Y包括上述图像片段序列中的自相关信息。
可选的，上述目标训练矩阵用于基于上述自注意力模型中的上述自相关系数，确定视觉识别模型对上述图像片段序列的全局性建模能力；其中，上述自相关机制的计算复杂度为上述图像片段序列的序列长度的平方。
可选的，如图3a所示，对于序列特征x∈RN×d，分别对其做3个线性映射处理，得到Query特征、Key特征和Value特征，依次记为第一特征Q、第二特征K和第三特征V，上述第一特征Q与第二特征K进行点积计算得到初始相关系数Ax，具体公式为：
其中，Q∈RN×d，K∈RN×d，V∈RN×d，Wq，Wk和Wv为可训练的线性映射矩阵。
可选的，仍如图3a所示，上述初始相关系数Ax与上述第三特征V相乘得到上述第四特征Y；初始训练矩阵A与上述第三特征V相乘得到第五特征X，上述第四特征Y和上述第五特征X的平方误差(Mean Square Error，MSE)构成损失函数，通过对上述损失函数进行优化处理，得到最优估计值，作为上述目标训练矩阵，其中，上述初始训练矩阵A的参数和模型权重参数为待优化变量。
可选的，如图3b所示，采用最小二乘拟合技术获取自相关系数的估计值，并以上述估计值作为初始训练矩阵A，将可训练的初始训练矩阵A代替原有的自相关系数，对上述损失函数进行优化处理，通过算式描述待优化变量：min Ex～p(x)(||AV-AxV||2)；通过对上述算式进行求解计算，能够解得A＝Ex～p(x)(AxVVT){Ex～p(x)(VVT)}-1。
需要说明的是，本公开实施例中，通过将上述第一特征Q与第二特征K进行点积计算得到初始相关系数；将上述初始相关系数与上述第三特征V相乘得到包含自相关信息的第四特征Y，以及将初始训练矩阵与上述第三特征V相乘得到第五特征X；计算上述第四特征Y与第五特征X的平均平方误差；将对上述平均平方误差进行损失函数优化处理得到的最优估计值，作为上述目标训练矩阵的方式，并以上述目标训练矩阵作为自注意力模型中的自相关系数，无需再额外计算自相关系数，也不会产生附加的开销overhead计算，进而达到简化自相关机制的计算过程，提升自相关机制计算速度的目的。
表1示出了不同批大小(base-size)和序列长度情况下，采用本公开实施例进行自相关机制计算能够实现的实际加速比例，如下表1所示，以Deit-base模型为研究对象，设置有例如：197，394，788和1576的4种序列长度，原始模型共有12层，识别精度为81.8％。当所有12层使用本实施例记载的技术方案，加速后自注意力模型的精度为79.34％，精度量下降较大；为了避免过多精度损失，只选取若干浅层使用本实施例记载的技术方案，当第1层到第6层使用此使用本实施例记载的技术方案，加速后自注意力模型的识别精度81.28％，加速效果会相应打折扣。
表1
| 批\序列长度 | 197 | 394 | 788 | 1576 |
| 1 | 16.03％ | 18.15％ | 21.77％ | 21.54％ |
| 4 | 18.33％ | 21.94％ | 25.27％ | 34.01％ |
| 8 | 20.30％ | 24.48％ | 26.35％ | 36.51％ |
| 16 | 22.43％ | 24.57％ | 26.58％ | 37.30％ |
| 32 | 22.29％ | 24.03％ | 26.58％ | 38.30％ |
需要说明的是，本实施例的可选或优选实施方式可以参见上述图像处理方法实施例中的相关描述，此处不再赘述。本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
实施例2
根据本公开实施例，还提供了一种用于实施上述图像处理方法的装置实施例，图4是根据本公开第二实施例的图像处理装置的结构示意图，如图4所示，上述图像处理装置，包括：第一确定模块400、第二确定模块402、提取模块404，其中：
上述第一确定模块400，用于确定待处理图像的至少一组图像片段序列，其中，上述图像片段序列由多个图像片段构成；上述第二确定模块402，用于依据上述图像片段序列的序列特征确定目标训练矩阵；上述提取模块404，用于将上述目标训练矩阵作为自注意力模型中的自相关系数，并采用上述自注意力模型从任意一组或多组上述图像片段序列中，提取得到上述待处理图像的图像特征。
在本公开实施例中，通过上述第一确定模块400，用于确定待处理图像的至少一组图像片段序列，其中，上述图像片段序列由多个图像片段构成；上述第二确定模块402，用于依据上述图像片段序列的序列特征确定目标训练矩阵；上述提取模块404，用于将上述目标训练矩阵作为自注意力模型中的自相关系数，并采用上述自注意力模型从任意一组或多组上述图像片段序列中，提取得到上述待处理图像的图像特征，达到了采用优化后的自注意力模型提取图像特征的目的，从而实现了提升图像特征提取效率的技术效果，进而解决了由于现有技术中的自注意力模型的计算效率较低造成的图像特征提取效率低的技术问题。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；或者，上述各个模块以任意组合的方式位于不同的处理器中。
此处需要说明的是，上述第一确定模块400、第二确定模块402、提取模块404对应于实施例1中的步骤S102至步骤S106，上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在计算机终端中。
可选的，上述第一确定模块，包括：第一获取子模块，用于获取上述待处理图像；第一分割子模块，用于采用视觉识别模型将上述待处理图像分割，得到至少一组上述图像片段序列。
可选的，上述第一分割子模块，包括：第一确定子模块，用于确定待分割的目标窗口尺寸；第二分割子模块，用于采用上述视觉识别模型以上述目标窗口尺寸为分割单位，分割上述待处理图像，得到至少一组上述图像片段序列。
可选的，上述第二确定模块，包括：映射模块，用于对至少一组上述图像片段序列的序列特征进行线性映射处理，得到多个相关特征，其中，上述相关特征包括：上述第一特征Q、第二特征K和第三特征V；第二获取子模块，用于依据多个上述相关特征和初始训练矩阵，得到上述目标训练矩阵，其中，上述初始训练矩阵为未经损失函数优化处理的默认矩阵。
可选的，上述第二获取子模块，包括：第一计算模块，用于将上述第一特征Q与第二特征K进行点积计算得到初始相关系数；第二计算模块，用于将上述初始相关系数与上述第三特征V相乘得到包含自相关信息的第四特征Y，以及将初始训练矩阵与上述第三特征V相乘得到第五特征X；第三计算模块，用于计算上述第四特征Y与第五特征X的平均平方误差；优化模块，用于将对上述平均平方误差进行损失函数优化处理得到的最优估计值，作为上述目标训练矩阵。
需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，此处不再赘述。本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
实施例3
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质、一种计算机程序产品以及一种图像处理产品，其中，上述图像处理产品包括上述电子设备。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示，电子设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如方法确定待处理图像的至少一组图像片段序列。例如，在一些实施例中，方法确定待处理图像的至少一组图像片段序列可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的方法确定待处理图像的至少一组图像片段序列的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法确定待处理图像的至少一组图像片段序列。
本公开实施例中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (14)
1.一种图像处理方法，包括：
确定待处理图像的至少一组图像片段序列，其中，所述图像片段序列由多个图像片段构成；
依据所述图像片段序列的序列特征确定目标训练矩阵；
将所述目标训练矩阵作为自注意力模型中的自相关系数，采用所述自注意力模型从任意一组或多组所述图像片段序列中，提取得到所述待处理图像的图像特征。
2.根据权利要求1所述的方法，其中，所述确定待处理图像的至少一组图像片段序列，包括：
获取所述待处理图像；
采用视觉识别模型将所述待处理图像分割，得到至少一组所述图像片段序列。
3.根据权利要求2所述的方法，其中，所述采用视觉识别模型将所述待处理图像分割为至少一组所述图像片段序列，包括：
确定待分割的目标窗口尺寸；
采用所述视觉识别模型以所述目标窗口尺寸为分割单位，分割所述待处理图像，得到至少一组所述图像片段序列。
4.根据权利要求1所述的方法，其中，所述依据所述图像片段序列的序列特征确定目标训练矩阵，包括：
对至少一组所述图像片段序列的序列特征进行线性映射处理，得到多个相关特征，其中，所述相关特征包括：第一特征Q、第二特征K和第三特征V；
依据多个所述相关特征和初始训练矩阵，得到所述目标训练矩阵，其中，所述初始训练矩阵为未经损失函数优化处理的默认矩阵。
5.根据权利要求4所述的方法，其中，所述依据多个所述相关特征和初始训练矩阵，得到所述目标训练矩阵，包括：
将所述第一特征Q与第二特征K进行点积计算得到初始相关系数；
将所述初始相关系数与所述第三特征V相乘得到包含自相关信息的第四特征Y，以及将初始训练矩阵与所述第三特征V相乘得到第五特征X；
计算所述第四特征Y与第五特征X的平均平方误差；
将对所述平均平方误差进行损失函数优化处理得到的最优估计值，作为所述目标训练矩阵。
6.一种图像处理装置，包括：
第一确定模块，用于确定待处理图像的至少一组图像片段序列，其中，所述图像片段序列由多个图像片段构成；
第二确定模块，用于依据所述图像片段序列的序列特征确定目标训练矩阵；
提取模块，用于将所述目标训练矩阵作为自注意力模型中的自相关系数，并采用所述自注意力模型从任意一组或多组所述图像片段序列中，提取得到所述待处理图像的图像特征。
7.根据权利要求6所述的装置，其中，所述第一确定模块，包括：
第一获取子模块，用于获取所述待处理图像；
第一分割子模块，用于采用视觉识别模型将所述待处理图像分割，得到至少一组所述图像片段序列。
8.根据权利要求7所述的装置，其中，所述第一分割子模块，包括：
第一确定子模块，用于确定待分割的目标窗口尺寸；
第二分割子模块，用于采用所述视觉识别模型以所述目标窗口尺寸为分割单位，分割所述待处理图像，得到至少一组所述图像片段序列。
9.根据权利要求6所述的装置，其中，所述第二确定模块，包括：
映射模块，用于对至少一组所述图像片段序列的序列特征进行线性映射处理，得到多个相关特征，其中，所述相关特征包括：第一特征Q、第二特征K和第三特征V；
第二获取子模块，用于依据多个所述相关特征和初始训练矩阵，得到所述目标训练矩阵，其中，所述初始训练矩阵为未经损失函数优化处理的默认矩阵。
10.根据权利要求9所述的装置，其中，所述第二获取子模块，包括：
第一计算模块，用于将所述第一特征Q与第二特征K进行点积计算得到初始相关系数；
第二计算模块，用于将所述初始相关系数与所述第三特征V相乘得到包含自相关信息的第四特征Y，以及将初始训练矩阵与所述第三特征V相乘得到第五特征X；
第三计算模块，用于计算所述第四特征Y与第五特征X的平均平方误差；
优化模块，用于将对所述平均平方误差进行损失函数优化处理得到的最优估计值，作为所述目标训练矩阵。
11.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的图像处理方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的图像处理方法。
13.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的图像处理方法。
14.一种图像处理产品，包括：如权利要求11所述的电子设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210135612.6A CN114463551A (zh) | 2022-02-14 | 2022-02-14 | 图像处理方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210135612.6A CN114463551A (zh) | 2022-02-14 | 2022-02-14 | 图像处理方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114463551A true CN114463551A (zh) | 2022-05-10 |
Family
ID=81413812
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210135612.6A Pending CN114463551A (zh) | 2022-02-14 | 2022-02-14 | 图像处理方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114463551A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115147669A (zh) * | 2022-06-24 | 2022-10-04 | 北京百度网讯科技有限公司 | 基于视觉转换器模型的图像处理方法、训练方法和设备 |
| CN115169530A (zh) * | 2022-06-29 | 2022-10-11 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和可读存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6782101B1 (en) * | 2000-04-20 | 2004-08-24 | The United States Of America As Represented By The Secretary Of The Navy | Encryption using fractal key |
| WO2020010602A1 (zh) * | 2018-07-13 | 2020-01-16 | 深圳大学 | 一种非线性非负矩阵分解人脸识别构建方法、系统及存储介质 |
| CN112541918A (zh) * | 2020-12-23 | 2021-03-23 | 山东师范大学 | 基于自注意力机制神经网络的三维医学图像分割方法 |
| WO2021057174A1 (zh) * | 2019-09-26 | 2021-04-01 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备、存储介质和计算机程序 |
| CN113344070A (zh) * | 2021-06-01 | 2021-09-03 | 南京林业大学 | 一种基于多头自注意力模块的遥感图像分类系统及方法 |
| CN113642513A (zh) * | 2021-08-30 | 2021-11-12 | 东南大学 | 一种基于自注意力及标记分布学习的动作质量评估方法 |
| CN113887435A (zh) * | 2021-09-30 | 2022-01-04 | 北京百度网讯科技有限公司 | 人脸图像处理方法、装置、设备、存储介质及程序产品 |
| CN113936339A (zh) * | 2021-12-16 | 2022-01-14 | 之江实验室 | 基于双通道交叉注意力机制的打架识别方法和装置 |
-
2022
- 2022-02-14 CN CN202210135612.6A patent/CN114463551A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6782101B1 (en) * | 2000-04-20 | 2004-08-24 | The United States Of America As Represented By The Secretary Of The Navy | Encryption using fractal key |
| WO2020010602A1 (zh) * | 2018-07-13 | 2020-01-16 | 深圳大学 | 一种非线性非负矩阵分解人脸识别构建方法、系统及存储介质 |
| WO2021057174A1 (zh) * | 2019-09-26 | 2021-04-01 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备、存储介质和计算机程序 |
| CN112541918A (zh) * | 2020-12-23 | 2021-03-23 | 山东师范大学 | 基于自注意力机制神经网络的三维医学图像分割方法 |
| CN113344070A (zh) * | 2021-06-01 | 2021-09-03 | 南京林业大学 | 一种基于多头自注意力模块的遥感图像分类系统及方法 |
| CN113642513A (zh) * | 2021-08-30 | 2021-11-12 | 东南大学 | 一种基于自注意力及标记分布学习的动作质量评估方法 |
| CN113887435A (zh) * | 2021-09-30 | 2022-01-04 | 北京百度网讯科技有限公司 | 人脸图像处理方法、装置、设备、存储介质及程序产品 |
| CN113936339A (zh) * | 2021-12-16 | 2022-01-14 | 之江实验室 | 基于双通道交叉注意力机制的打架识别方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| NAN WANG等: "Expanded Edge Penalty Loss for Salient Object Detection", 2021 4TH INTERNATIONAL CONFERENCE ON INFORMATION COMMUNICATION AND SIGNAL PROCESSING (ICICSP), 25 November 2021 (2021-11-25) * |
| WANG XIAOYING 等: "Semi-supervised dual low-rank feature mapping for multi-label image annotation", MULTIMEDIA TOOLS AND APPLICATIONS, vol. 78, no. 10, 31 May 2019 (2019-05-31) * |
| 唐佳丞: "基于图神经网络的图学习算法研究", 中国优秀硕士学位论文全文数据库, 15 January 2022 (2022-01-15) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115147669A (zh) * | 2022-06-24 | 2022-10-04 | 北京百度网讯科技有限公司 | 基于视觉转换器模型的图像处理方法、训练方法和设备 |
| CN115147669B (zh) * | 2022-06-24 | 2023-04-18 | 北京百度网讯科技有限公司 | 基于视觉转换器模型的图像处理方法、训练方法和设备 |
| CN115169530A (zh) * | 2022-06-29 | 2022-10-11 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和可读存储介质 |
| CN115169530B (zh) * | 2022-06-29 | 2023-09-26 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112966522B (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
| CN113343982B (zh) | 多模态特征融合的实体关系提取方法、装置和设备 | |
| CN108664981A (zh) | 显著图像提取方法及装置 | |
| US20220270384A1 (en) | Method for training adversarial network model, method for building character library, electronic device, and storage medium | |
| CN112634343A (zh) | 图像深度估计模型的训练方法、图像深度信息的处理方法 | |
| CN113378696B (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN113963176B (zh) | 一种模型蒸馏方法、装置、电子设备及存储介质 | |
| CN114332133B (zh) | 基于改进CE-Net的肺炎CT图像感染区分割方法及系统 | |
| CN114463551A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| CN110633717A (zh) | 一种目标检测模型的训练方法和装置 | |
| CN115937039A (zh) | 数据扩充方法、装置、电子设备及可读存储介质 | |
| CN113887615A (zh) | 图像处理方法、装置、设备和介质 | |
| CN113902696A (zh) | 图像处理方法、装置、电子设备和介质 | |
| CN115409855B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| CN114092708A (zh) | 特征图像的处理方法、装置和存储介质 | |
| CN114187448A (zh) | 文档图像识别方法和装置、电子设备、计算机可读介质 | |
| CN118691820A (zh) | 基于先验信息与Mamba混合模型的多模态融合分割方法和装置 | |
| CN116824609B (zh) | 文档版式检测方法、装置和电子设备 | |
| CN116188917B (zh) | 缺陷数据生成模型训练方法、缺陷数据生成方法及装置 | |
| CN113887435A (zh) | 人脸图像处理方法、装置、设备、存储介质及程序产品 | |
| WO2023221415A1 (zh) | 骨干网络的生成方法、装置、设备以及存储介质 | |
| CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
| CN113947146A (zh) | 样本数据生成方法、模型训练方法、图像检测方法及装置 | |
| CN114662688A (zh) | 模型的训练方法、数据处理方法、装置、电子设备及介质 | |
| CN114037965A (zh) | 模型训练和车道线预测方法、设备及自动驾驶车辆 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20250207 |