[发明专利]图像处理方法、深度学习模型的训练方法及装置

说明书

本公开提供了一种图像处理方法、深度学习模型的训练方法，涉及计算机技术领域、数据处理技术领域，尤其涉及人工智能、深度学习技术领域。具体实现方案为：针对待处理图像序列中的任意一个待处理图像，利用目标深度学习模型的至少一个第一网络对待处理图像进行处理，得到第一图像特征，第一图像特征具有时序维度，目标深度学习模型还包括至少一个第二网络；利用第二网络的时序注意力子网络对第一图像特征进行处理，得到时序注意力特征；根据全局注意力概率，确定至少一个目标时序；利用第二网络的时序位移子网络对对应目标时序的第一图像特征进行时序位移操作，得到第二图像特征；根据第二图像特征，确定待处理图像的图像处理结果。

技术领域

本公开涉及计算机技术领域、数据处理技术领域，尤其涉及人工智能、深度学习技术领域，具体涉及一种图像处理方法、深度学习模型的训练方法、装置、设备、存储介质以及程序产品。

背景技术

随着计算机技术的发展，图像处理成为计算机技术领域的一个重要应用分支。图像处理可以服务于生产、生活的各个方面，例如图像处理可以用于识别视频数据显示的对象作出的行为动作的类别。

发明内容

本公开提供了一种图像处理方法、深度学习模型的训练方法、装置、设备、存储介质以及程序产品。

根据本公开的一方面，提供了一种图像处理方法，包括：针对待处理图像序列中的任意一个待处理图像，利用目标深度学习模型的至少一个第一网络对待处理图像进行处理，得到第一图像特征，其中，第一图像特征具有时序维度，目标深度学习模型还包括至少一个第二网络；利用第二网络的时序注意力子网络对第一图像特征进行处理，得到时序注意力特征，其中，时序注意力特征表征时序维度的全局注意力概率；根据全局注意力概率，确定至少一个目标时序；利用第二网络的时序位移子网络对对应目标时序的第一图像特征进行时序位移操作，得到第二图像特征；以及根据第二图像特征，确定待处理图像的图像处理结果。

根据本公开的另一方面，提供了一种深度学习模型的训练方法，包括：针对训练图像序列的任意一个训练图像，利用深度学习模型的至少一个第一网络对训练图像进行处理，得到第一图像特征，其中，第一图像特征具有时序维度，深度学习模型还包括至少一个第二网络；利用第二网络的时序注意力子网络对第一图像特征进行处理，得到时序注意力特征，其中，时序注意力特征表征时序维度的全局注意力概率；根据全局注意力概率，确定至少一个目标时序；利用第二网络的时序位移子网络对对应目标时序的第一图像特征进行时序位移操作，得到第二图像特征；根据第二图像特征，确定训练图像的输出结果；根据输出结果和损失函数，确定反馈数值；以及根据反馈数值调整深度学习模型的模型参数，得到目标深度学习模型。

根据本公开的另一方面，提供了一种图像处理装置，包括：第一图像特征第一确定模块，用于针对待处理图像序列中的任意一个待处理图像，利用目标深度学习模型的至少一个第一网络对待处理图像进行处理，得到第一图像特征，其中，第一图像特征具有时序维度，目标深度学习模型还包括至少一个第二网络；时序注意力特征第一确定模块，用于利用第二网络的时序注意力子网络对第一图像特征进行处理，得到时序注意力特征，其中，时序注意力特征表征时序维度的全局注意力概率；目标时序第一确定模块，用于根据全局注意力概率，确定至少一个目标时序；第二图像特征第一确定模块，用于利用第二网络的时序位移子网络对对应目标时序的第一图像特征进行时序位移操作，得到第二图像特征；以及图像处理结果确定模块，用于根据第二图像特征，确定待处理图像的图像处理结果。