[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

说明书

本申请公开了一种训练神经网络的方法、图像处理的方法、设备及存储介质，属于机器学习技术领域。训练神经网络的方法包括：将密集特征进行局部像素加权和全局通道加权，得到自适应密集特征；基于自适应密集特征进行对抗训练，得到对抗损失，基于对抗损失更新初始神经网络的参数，直至得到满足要求的目标神经网络。图像处理的方法包括：基于目标神经网络对目标图像进行处理。基于源域图像和目标域图像的所有层，提取密集特征，充分利用了网络底层和高层的特征，避免丢失重要特征。将密集特征进行局部像素加权和全局通道加权，得到的自适应密集特征代表性更强，提高用于图像处理的神经网络的训练精度，提高基于目标神经网络进行图像处理的效果。

技术领域

本申请实施例涉及机器学习技术领域，特别涉及一种训练神经网络的方法、图像处理的方法、设备及存储介质。

背景技术

目前，随着深度学习的发展，衍生出越来越多的神经网络用于图像处理。当图像来自不同设备时，由于设备厂商的不同，得到的图像分布也不同。在图像处理过程中，对来自一个设备的图像进行精心标注，将通过该标注训练所获得的神经网络用于处理另一个设备的图像时会造成图像处理效果的大幅度下降。因此，如何训练神经网络以及如何基于训练得到的神经网络进行图像处理，是保证跨设备图像的图像处理效果稳定的关键。

相关技术在训练用于图像处理的神经网络的过程中，从源域图像和目标域图像的倒数第一个和第二个层中提取图像特征，将图像特征赋予相同的权重。然后将提取的图像特征输入域适应模块进行对抗训练，获得神经网络。

在实现本申请的过程中，发明人发现相关技术至少存在以下问题：

相关技术中，在训练用于图像处理的神经网络过程中，仅从源域图像和目标域图像的倒数两层提取图像特征，可能会丢失部分重要的特征。此外，将图像特征赋予相同的权重，可能会降低用于图像处理的神经网络的训练精度，进而降低基于训练得到的神经网络进行图像处理的效果。

发明内容

本申请实施例提供了一种训练神经网络的方法、图像处理的方法、设备及存储介质，可用于解决相关技术中的问题。所述技术方案如下：

一方面，本申请实施例提供了一种训练神经网络的方法，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。

还提供了一种图像处理的方法，所述方法包括：

获取待处理的目标图像；

基于上述训练得到的目标神经网络对所述目标图像进行处理。

另一方面，提供了一种训练神经网络的装置，所述装置包括：

第一获取模块，用于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；

第二获取模块，用于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；