[发明专利]用于图像处理的神经网络训练方法、装置以及计算机设备

权利要求书

1.一种用于图像处理的神经网络训练方法，包括：

训练用于图像识别的第一深度神经网络；

通过标注有图像美学分类数据的第一图像训练样本对所述第一深度神经网络的网络参数进行第一更新；

将网络参数进行第一更新后的所述第一深度神经网络的分类器层的参数，替换为用于图像识别的分类器层的参数以及用于图像美学分类的分类器层的参数；

通过所述第一图像训练样本对分类器层的参数替换后的所述第一深度神经网络的网络参数进行第二更新。

2.根据权利要求1所述的方法，其中，所述通过所述第一图像训练样本对分类器层的参数替换后的所述第一深度神经网络的网络参数进行第二更新，包括：

以所述第一图像训练样本作为分类器层的参数替换后的所述第一深度神经网络的输入，采用批量随机梯度下降的方式对所述第一深度神经网络的网络参数进行第二更新，其中，在执行批量随机梯度下降的图像样本批次中，作为正样本图像样本的个数和作为负样本的图像样本的个数一致或者二者个数的差值落入容许范围。

3.根据权利要求1所述的方法，其中，所述方法还包括：

从各个所述第一图像训练样本提取局部图像，将所述局部图像以及标注的图像美学分类数据作为第二图像训练样本；

通过所述第二图像训练样本训练用于图像美学分类的第二深度神经网络；

将所述第二深度神经网络的特征提取层拼连到所述第一深度神经网络的特征提取层中；

对具有拼连的特征提取层的所述第一深度神经网络的网络参数进行第三更新。

4.根据权利要求1所述的方法，其中，所述方法还包括：在训练所述第一深度神经网络后，将所述第一深度神经网络的分类器层的参数替换为三元组计算损耗层的参数；

所述通过标注有图像美学分类数据的第一图像训练样本对所述第一深度神经网络的网络参数进行第一更新包括：以所述第一图像训练样本作为输入，采用批量随机梯度下降的方式更新具有三元组计算损耗层的所述第一深度神经网络的网络参数；

所述将所述第一深度神经网络的分类器层的参数替换为用于图像识别的分类器层的参数以及用于图像美学分类的分类器层的参数包括：将所述三元组计算损耗层的参数替换为用于图像美学分类的分类器层的参数，并且添加用于图像识别的分类器层的参数。

5.根据权利要求1所述的方法，其中，所述方法还包括：

获取多个新的样本图像；

分别将所述多个新的样本图像输入所述第一深度神经网络，获取所述多个新的样本图像的美学分类标注，并且以所述多个新的样本图像及其相应的美学分类标注作为第三图像训练样本；

以所述第一图像训练样本和第三图像训练样本作为输入，采用批量随机梯度下降的方式更新所述第一深度神经网络，其中，在执行批量随机梯度下降的图像样本批次中，所述第一图像训练样本的个数和使用第三图像训练样本的个数一致或者二者个数的差值落入容许范围。

6.根据权利要求1～5中任一项所述的方法，其中，所述方法还包括：

移除经过所述第二更新的所述第一深度神经网络中的特征提取层和分类器层，设置新的特征提取层；

通过标注有图像剪切坐标数据的第四图像训练样本对设置有新的特征提取层的所述第一深度神经网络的网络参数进行第四更新。

7.根据权利要求1～5中任一项所述的方法，其中，所述方法还包括：

构建第三深度神经网络，其中，从经过所述第二更新的所述第一深度神经网络提取图像特征抽取层作为所述第三深度神经网络的图像特征抽取层并且设置新的特征提取层；

通过标注有图像剪切坐标数据的第四图像训练样本对所述第三深度神经网络的网络参数进行第四更新。

8.根据权利要求3所述的方法，其中，所述第一深度神经网络为VGG-16卷积神经网络，所述分类器层为VGG-16的FC8层，所述特征提取层为VGG-16的FC7层。