[发明专利]训练神经网络的方法、图像处理的方法、设备及存储介质

权利要求书

1.一种训练神经网络的方法，其特征在于，所述方法包括：

获取对初始神经网络进行训练的训练集和测试集，所述训练集中包括多张源域图像，所述测试集中包括多张目标域图像；

基于所述初始神经网络获取第一源域图像的密集特征和第一目标域图像的密集特征，所述第一源域图像为所述训练集的子集所包括的图像，所述第一目标域图像为所述测试集的子集所包括的图像；

对所述第一源域图像的密集特征进行局部像素加权和全局通道加权，得到所述第一源域图像的自适应密集特征，对所述第一目标域图像的密集特征进行局部像素加权和全局通道加权，得到所述第一目标域图像的自适应密集特征；

基于所述第一源域图像的自适应密集特征和所述第一目标域图像的自适应密集特征进行对抗训练，得到对抗损失，基于得到的对抗损失更新所述初始神经网络的参数，直至得到满足要求的目标神经网络。

2.根据权利要求1所述的方法，其特征在于，所述基于所述初始神经网络获取第一源域图像的密集特征和第一目标域图像的密集特征，包括：

基于所述初始神经网络对所述第一源域图像和所述第一目标域图像进行分割，得到所述第一源域图像的图像特征和所述第一目标域图像的图像特征；

对所述第一源域图像的图像特征进行上采样和连接处理，得到所述第一源域图像的密集特征；

对所述第一目标域图像的图像特征进行上采样和连接处理，得到所述第一目标域图像的密集特征。

3.根据权利要求2所述的方法，其特征在于，所述基于所述第一源域图像的自适应密集特征和所述第一目标域图像的自适应密集特征进行对抗训练，得到对抗损失，包括：

基于所述第一源域图像的自适应密集特征获取所述第一源域图像的第一预测结果，将所述第一预测结果与所述第一源域图像的第一标注计算第一对抗损失；

基于所述第一目标域图像的自适应密集特征获取所述第一目标域图像的第二预测结果，将所述第二预测结果与所述第一目标域图像的第二标注计算第二对抗损失。

4.根据权利要求3所述的方法，其特征在于，所述得到所述第一源域图像的图像特征之后，还包括：

基于所述第一源域图像的图像特征获取所述第一源域图像的第三预测结果，将所述第三预测结果与所述第一源域图像的第三标注计算交叉熵损失；

所述基于得到的对抗损失更新所述初始神经网络的参数，包括：

基于所述第一对抗损失、所述第二对抗损失与所述交叉熵损失更新所述初始神经网络的参数。

5.根据权利要求1-4任一所述的方法，其特征在于，所述对所述第一源域图像的密集特征进行局部像素加权和全局通道加权，得到所述第一源域图像的自适应密集特征，对所述第一目标域图像的密集特征进行局部像素加权和全局通道加权，得到所述第一目标域图像的自适应密集特征，包括：

获取注意力模型；

基于所述注意力模型对所述第一源域图像的密集特征进行局部像素加权和全局通道加权，得到所述第一源域图像自适应密集特征；

基于所述注意力模型对所述第一目标域图像的密集特征进行局部像素加权和全局通道加权，得到所述第一目标域图像自适应密集特征。

6.根据权利要求1-4任一所述的方法，其特征在于，所述基于所述第一源域图像的自适应密集特征和所述第一目标域图像的自适应密集特征进行对抗训练，得到对抗损失，包括：

获取对抗网络模型，将所述第一源域图像的自适应密集特征和所述第一目标域图像的自适应密集特征输入所述对抗网络模型，得到第一对抗损失与第二对抗损失。

7.一种图像处理的方法，其特征在于，所述方法包括：

获取待处理的目标图像；

基于权利要求1-6任一所述的方法训练得到的目标神经网络对所述目标图像进行处理。

8.根据权利要求7所述的方法，其特征在于，所述获取待处理的目标图像，包括：

获取待处理的初始图像，对所述待处理的初始图像进行随机加强处理，得到待处理的目标图像，所述随机加强处理包括标准化、随机旋转、随机水平翻转、随机弹性形变、添加噪声中的一种或多种处理。