[发明专利]神经网络模型测试方法、装置、存储介质及电子装置

说明书

本发明提供了一种神经网络模型测试方法、装置、存储介质及电子装置，其中，该方法包括：将目标幅频图从目标领域映射到源领域，得到映射后的目标图像，其中，该目标幅频图是由源领域幅频图的低频部分与目标领域幅频图的高频部分重组得到的；根据该目标图像对目标神经网络模型进行测试，其中，该目标神经网络模型是使用该源领域的数据训练得到的，可以解决相关技术中需要额外训练一组域分类器和域转换器，且当增加或改变目标数据时，需要重新训练域分类器和域转换器的问题，通过源领域的数据训练神经网络模型，模型训练不需要任何目标领域的数据，在测试阶段采用领域自适应技术，实现了训练与测试解耦。

技术领域

本发明涉及图像处理领域，具体而言，涉及一种神经网络模型测试方法、装置、存储介质及电子装置。

背景技术

图像理解是计算机系统以图像作为输入，提取出图像中人们感兴趣的信息的过程，包括图像分类、目标检测、语义分割等多种技术，在安防监控、医疗图像处理、卫星遥感图像处理等多个领域有着广泛的应用。

现今绝大部分的图像理解任务都采用深度学习技术训练卷积神经网络来完成。深度学习中，用于模型训练的源数据集和实际使用(测试)时面对的目标数据集，两者虽然拥有相同的特征空间，但其特征分布往往是不完全一致的，例如模型在城市A的遥感数据上完成训练后使用在城市B的遥感数据上，虽然两个城市的数据都包含建筑、道路、绿地、河流等相同的类别，但两个城市的建筑风格、气候、光照、植被等多方面都存在差异。模型的源数据集A和目标数据集B存在差异时，模型在目标数据集B上的性能通常有一定的损失，损失的大小与两个数据集的差异大小有关。领域自适应技术是迁移学习的一种特殊形式，在特征空间相同的情况下，领域自适应可以将源数据集A和目标数据集B的特征分布拉近，从而减小性能损失。

一种基于对抗残差变换网络的无监督领域自适应方法，包括：训练一个域转换器，域转换器将源数据映射到目标数据的领域，并使用映射后的数据训练目标分类器；同时训练一个域分类器，用于区分数据是来自目标域还是来自域转换器，域分类器和域转换器构成了一组相互对抗的网络，采用对抗损失引导域转换器学习。需要额外训练一组域分类器和域转换器，且当增加或改变目标数据时，需要重新训练域分类器和域转换器。

针对相关技术中需要额外训练一组域分类器和域转换器，且当增加或改变目标数据时，需要重新训练域分类器和域转换器的问题，尚未提出解决方案。

发明内容

本发明实施例提供了一种神经网络模型测试方法、装置、存储介质及电子装置，以至少解决相关技术中需要额外训练一组域分类器和域转换器，且当增加或改变目标数据时，需要重新训练域分类器和域转换器的问题。

根据本发明的一个实施例，提供了一种神经网络模型测试方法，包括：

将目标幅频图从目标领域映射到源领域，得到映射后的目标图像，其中，所述目标幅频图是由源领域幅频图的低频部分与目标领域幅频图的高频部分重组得到的；

根据所述目标图像对目标神经网络模型进行测试，其中，所述目标神经网络模型是使用所述源领域的数据训练得到的。

可选地，将所述目标幅频图从所述目标领域映射到所述源领域，得到映射后的目标图像包括：

将所述目标幅频图与所述目标领域的图像的目标领域相频图进行快速逆傅里叶变换，得到领域自适应的所述目标图像，其中，所述目标领域相频图是所述目标领域的图像进行快速傅里叶变换得到的。

可选地，在将目标幅频图从目标领域映射到源领域，得到映射后的目标图像之前，所述方法还包括：

确定代表所述源领域的数据的所述源领域幅频图，并确定所述目标领域的图像的所述目标领域幅频图；

将所述源领域幅频图的低频部分与所述目标领域幅频图的高频部分进行重组，得到所述目标幅频图。