CN112132106B 基于人工智能的图像增广处理方法、装置、设备及存储介质 （腾讯科技（北京）有限公司）

本申请提供了一种基于人工智能的图像增目标图像和所述第一对抗噪声图像进行叠加得2基于所述目标图像的第一标记类型查询特征库中存储的映射基于所述第一特征参数对所述图像特征进行噪声调制处理，得到第一对抗噪声特征；将所述目标图像和所述第一对抗噪声图像进行叠加得到噪所述第一均值向量用于表征所述第一标记类型的图像特征的均值所述编码处理是通过编解码模型中的第一编码器实现的，所述噪声调述编解码模型中的调制器实现的，所述解码处理是通过所述编解码模型中的解码器实现基于第一分类模型对图像样本的分类概率分布、以及对所述基于所述第一分类模型对所述图像样本的分类概率分布、以及对所述通过所述第一分类模型生成所述图像样本的噪声扰动图像的分类基于所述噪声扰动图像的分类概率分布、以及所述图像样本的分类所述图像样本的噪声扰动图像的分类概率分布包括所述图像样本的噪声扰动图像分所述图像样本的分类概率分布包括所述图像样本分别属于原始图像类型和噪声图像3所述通过最大化所述第一损失函数的方式，更新所述编解码确定最大化所述第一损失函数时所述编解码模型的梯度值、所基于所述编解码模型的梯度值更新所述编解码基于所述第一分类模型的梯度值更新所述第一分类基于所述特征库的梯度值更新所述特征库中第二标记类型所服从的正态分布的特征所述调制器的模型参数包括调制偏置参数和调确定最大化所述第一损失函数时所述调制器的梯度值，基于所通过所述第一编码器对所述图像样本进行下采样处理，得到所述图像样本的图像特基于所述图像样本的第二标记类型查询所述特征库，得到所通过所述调制器、并基于所述第二特征参数对所述图像样本的图像特征通过所述解码器对所述第二对抗噪声特征进行上采样处理，得到所述图所述通过所述第一分类模型生成所述图像样本的噪声扰动图像的分通过所述第二编码器以及所述第三编码器对所述图像样本的噪声扰动图像进行特征本的噪声扰动图像的图像特征映射为所述图像样本的噪声扰动图像的分类概率通过所述第二编码器以及所述第三编码器对所述图像样本进行特征提4通过所述第一分类模型对所述图像样本的噪声扰动图像和所述图像样本进行分类处根据所述第一分类模型对所述图像样本属于原始图像类型的概率基于目标图像以及目标图像的噪声扰动图像建立其中，所述训练集中的标注数据是根据所述第二分类模基于所述目标图像的第一标记类型查询特征库中存储的映射基于所述第一特征参数对所述图像特征进行噪声调制处理，得到第一对抗噪声特征；叠加模块，用于将所述目标图像和所述第一对抗噪声图像进行叠加得到噪声扰动图5别模型从各种各样的包括噪声的人脸图像中都能够识别出人脸，说明具有良好的泛化能6一方差向量用于表征所述第一标记类型的图像特[0025]将所述第一差值与所述第一方差向量之间的第一比值确定所述第一对抗噪声特[0035]所述图像样本的分类概率分布包括所述图像样本分别属于原始图像类型和噪声7[0039]基于所述特征库的梯度值更新所述特征库中第二标记类型所服从的正态分布的[0041]所述第一训练模块，还用于确定最大化所述第一损失函数时所述调制器的梯度样本的噪声扰动图像进行特征提取处理，得到所述图像样本的噪声扰动图像的图像特征，通过所述分类器将所述图像样本的噪声扰动图像的图像特征映射为所述图像样本的噪声原始图像类型的概率以及所述图像样本属于原始图像[0053]在上述方案中，所述本申请实施例提供的一种基于人工智能的图像增广处理装所述第二分类模型的分类任务区别于所述第一8以此训练图像分类模型进而提高图像分类模型的泛[0063]图1是本申请实施例提供的基于人工智能的图像增广处理系统100的一个可选的[0064]图2是本申请实施例提供的基于人工智能的图像增广处理的服务器200的结构示[0066]图4A是本申请实施例提供的基于人工智能的图像增广处理方法的一个可选的流[0067]图4B是本申请实施例提供的基于人工智能的图像增广处理方法的一个可选的流[0068]图4C是本申请实施例提供的基于人工智能的图像增广处理方法的一个可选的流9技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，[0088]针对上述技术问题，本申请实施例提供一种基于人工智能的图像增广处理方法、提供的基于人工智能的图像增广处理的电子设备可以实施为服务器，对目标图像进行编[0089]参见图1，图1是本申请实施例提供的基于人工智能的图像增广处理系统100的一辑工具以供用户基于该人脸区域进行加特效或换脸等进一请实施例提供的基于人工智能的图像增广处理方法可以广泛应用于图像分类场景中，例像机拍摄的图像进行图像增广，再基于利用增广图像训练后的图像分类模型进行图像识(MRI，MagneticResonanceImaging)、电子计算机扫描断层扫描(CT，Computed[0096]下面对本申请实施例提供的基于人工智能的图像增广处理方法的电子设备的硬提供的基于人工智能的图像增广处理的服务器200的结构示意图，图2所示的服务器200包[0100]存储器250包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存[0104]呈现模块253，用于经由一个或多个与用户接口230相关联的其可以是程序和插件等形式的软件，包括以下软件模块：神经网络模型2551、叠加模块[0109]参见图3和图4A，图3是本申请实施例提供的基于人工智能的图像增广处理装置255的结构示意图，图4A是本申请实施例提供的基于人工智能的图像增广处理方法的一个了第一标记类型与特征向量组之间的映射关系；当目标图像对应的第一标记类型为人脸[0128]在另一些实施例中，还可以用亮度-蓝色色差-红色色差YcbCr色彩空间来表示一广处理方法的一个可选的流程示意图，图4C示出了在步骤101之前还可以迭代执行以下训[0138]图像样本的噪声扰动图像的分类概率分布包括图像样本的噪声扰动图像分别属[0141]在另一些实施例中，当调制器仅仅是包括调制偏置参数b和调制速率参数a这2个[0144]通过解码器对第二对抗噪声特征进行上采样处理，得到图像样本的噪声扰动图图像样本的图像特征映射为图像样本的分类概图像样本的分类概率分布、以及对图像样本的噪声扰动图像的分类概率分布之间的差异，始图像类型的概率、以及对图像样本的噪声扰动图像属于原始图像类型的概率之间的差根据第二编码器和第三编码器中各个层的梯度值分别更新第二编码器和第三编码器的模率分布P(y|originalimage)和噪声扰动图像的分类概率分布P([0162]参见图8，噪声扰动图像主要由一个编解码模型生成，编解码模型包括第一编码然后将f9输入到解码器中得到与原始图像对应的对抗噪声图像，将原始图像[0163]根据增广图像训练二分类人脸识别模型能够减少二分类人脸识别模型在训练集[0165]下面继续说明本申请实施例提供的基于人工智能的图像增广处理装置255的实施[0167]在一些实施例中，特征库中存储有不同标记类型与不同特征参数之间的映射关处理是通过编解码模型中的调制器实现的，解码处理是通过编解码模型中的解码器实现[0177]在一些实施例中，本申请实施例提供的一种基于人工智能的设备执行本申请实施例上述的基于人工智能的图像增广MarkupLanguage)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中进一步训练第二分类模型，可以提高第二分类模型在训练集和线上数据上的泛化能力；