一种图像特征的确定方法及确定装置与流程

计算;推算;计数设备的制造及其应用技术1.本技术涉及图像处理技术领域，尤其是涉及一种图像特征的确定方法及确定装置。背景技术：2.在暗光场景下(例如，夜晚)采集图像数据时，由于光线较弱会导致采集到的暗光图像中关键信息缺失、难以辨认，进而导致暗光图像分类的准确率较低。而暗光图像分类是自动驾驶、视频监控等智能系统中必须面临的问题，直接关系到生命财产安全和公共安全，因此提高暗光图像分类方法的性能具有重大的实际应用价值。3.现有的图像分类方法大多是以充分光线条件下采集的图像(例如，日间图像)为基础得到的，在迁移到暗光图像分类时，提取的暗光图像的特征信息缺失严重，导致对暗光图像的分类结果准确率低。技术实现要素：4.有鉴于此，本技术的目的在于提供一种图像特征的确定方法及确定装置，通过由特征蒸馏参数得到校准特征图，再基于卷积层输出的第一特征图和校准特征图得到增强特征图，并将增强特征图依次输入下一卷积层的增强特征处理过程，使得各增强特征图中可以融合更多层次的信息，具有更强的特征表达能力，进而使得由最末层的目标增强特征图确定出的暗光图像分类结果具有更高的准确率，能够提高暗光图像分类的精度。5.本技术实施例提供了一种图像特征的确定方法，所述确定方法包括：6.将待分类暗光图像输入预先训练的第一模型中的第一卷积层中进行特征增强处理；7.其中，所述特征增强处理包括：采用第一卷积层对应的特征蒸馏参数，对所述第一卷积层输出的第一特征图进行卷积操作，得到校准特征图；将所述校准特征图与所述第一特征图拼接后进行特征降维，生成所述第一卷积层对应的增强特征图；8.依次将前一卷积层对应的增强特征图作为下一个卷积层的输入特征图，进行特征增强处理，得到最末层卷积层对应的目标增强特征图；其中，所述目标增强特征图用于表征所述暗光图像的图像特征。9.进一步的，所述第一模型通过以下步骤被训练得到：10.获取多个样本暗光图像；其中，每个样本暗光图像被标注有该样本暗光图像的真实图像类别；11.针对所述多个样本暗光图像中的每个样本暗光图像，对该样本暗光图像进行图像增强，得到该样本暗光图像对应的增强图像；12.将该样本暗光图像输入预先构建的初始第一模型，得到所述初始第一模型中各卷积层对应的各样本校准特征图以及该样本暗光图像的图像分类结果；13.将该样本暗光图像对应的增强图像输入预先构建的初始第二模型中，得到所述初始第二模型的各层卷积层输出的标准特征图；其中，所述第一初始模型的各卷积层和所述初始第二模型的各卷积层一一对应；14.基于所述初始第一模型中各卷积层对应的各样本校准特征图、所述初始第二模型各层卷积层输出的标准特征图、所述图像分类结果以及该样本暗光图像的真实图像类别，确定所述初始第一模型的损失函数；15.基于所述初始第一模型的损失函数，不断调整所述初始第一模型中的模型参数，重复上述各步骤直至所述初始第一模型达到收敛状态时，得到所述第一模型。16.进一步的，在每次调整所述初始第一模型中的模型参数的步骤之后，在将该样本暗光图像对应的增强图像再次输入预先构建的初始第二模型的步骤之前，所述确定方法还包括：17.将所述初始第二模型中各卷积层中的模型参数对应调整为所述初始第一模型中各卷积层中的模型参数。18.进一步的，所述基于所述初始第一模型中各卷积层对应的各样本校准特征图、所述初始第二模型各层卷积层输出的标准特征图、所述图像分类结果以及该样本暗光图像的真实图像类别，确定所述初始第一模型的损失函数的步骤，包括：19.基于所述图像分类结果以及该样本暗光图像的真实图像类别，确定所述初始第一模型的第一损失函数；20.针对所述初始第一模型中每个卷积层，基于所述初始第一模型中该卷积层对应的样本校准特征图以及与该卷积层对应的所述初始第二模型中卷积层输出的标准特征图，确定所述初始第一模型中该卷积层的第二子损失函数；21.将所述初始第一模型中各卷积层的第二子损失函数的平均值，确定为所述初始第一模型的第二损失函数；22.将所述初始第一模型的第一损失函数和第二损失函数之和，确定为所述初始第一模型的损失函数。23.进一步的，所述将所述校准特征图与所述第一特征图拼接后进行特征降维，生成所述第一卷积层对应的增强特征图的步骤，包括：24.将所述校准特征图与所述第一特征图沿特征通道进行拼接，得到拼接特征图；25.对所述拼接特征图执行卷积操作以进行特征降维，生成所述增强特征图。26.进一步的，在所述依次将前一卷积层对应的增强特征图作为下一个卷积层的输入特征图，进行特征增强处理，得到最末层卷积层对应的目标增强特征图的步骤之后，所述确定方法还包括：27.将所述目标增强特征图输入所述第一模型的全局平均池化层，得到全局特征图；28.将所述全局特征图输入所述第一模型的全连接层，得到所述待分类暗光图像的分类结果。29.本技术实施例还提供了一种图像特征的确定装置，所述确定装置包括：30.特征增强模块，用于将待分类暗光图像输入预先训练的第一模型中的第一卷积层中进行特征增强处理；31.其中，所述特征增强模块在用于进行特征增强处理时，所述特征增强模块具体用于：采用第一卷积层对应的特征蒸馏参数，对所述第一卷积层输出的第一特征图进行卷积操作，得到校准特征图；将所述校准特征图与所述第一特征图拼接后进行特征降维，生成所述第一卷积层对应的增强特征图；32.所述特征增强模块还用于，依次将前一卷积层对应的增强特征图作为下一个卷积层的输入特征图，进行特征增强处理，得到最末层卷积层对应的目标增强特征图；其中，所述目标增强特征图用于表征所述暗光图像的图像特征。33.进一步的，所述确定装置还包括训练模块；所述训练模块用于通过以下步骤训练得到所述第一模型：34.获取多个样本暗光图像；其中，每个样本暗光图像被标注有该样本暗光图像的真实图像类别；35.针对所述多个样本暗光图像中的每个样本暗光图像，对该样本暗光图像进行图像增强，得到该样本暗光图像对应的增强图像；36.将该样本暗光图像输入预先构建的初始第一模型，得到所述初始第一模型中各卷积层对应的各样本校准特征图以及该样本暗光图像的图像分类结果；37.将该样本暗光图像对应的增强图像输入预先构建的初始第二模型中，得到所述初始第二模型的各层卷积层输出的标准特征图；其中，所述第一初始模型的各卷积层和所述初始第二模型的各卷积层一一对应；38.基于所述初始第一模型中各卷积层对应的各样本校准特征图、所述初始第二模型各层卷积层输出的标准特征图、所述图像分类结果以及该样本暗光图像的真实图像类别，确定所述初始第一模型的损失函数；39.基于所述初始第一模型的损失函数，不断调整所述初始第一模型中的模型参数，重复上述各步骤直至所述初始第一模型达到收敛状态时，得到所述第一模型。40.进一步的，所述训练模块在每次调整所述初始第一模型中的模型参数的步骤之后，在将该样本暗光图像对应的增强图像再次输入预先构建的初始第二模型的步骤之前，所述训练模块还用于：41.将所述初始第二模型中各卷积层中的模型参数对应调整为所述初始第一模型中各卷积层中的模型参数。42.进一步的，所述训练模块在用于基于所述初始第一模型中各卷积层对应的各样本校准特征图、所述初始第二模型各层卷积层输出的标准特征图、所述图像分类结果以及该样本暗光图像的真实图像类别，确定所述初始第一模型的损失函数时，所述训练模块用于：43.基于所述图像分类结果以及该样本暗光图像的真实图像类别，确定所述初始第一模型的第一损失函数；44.针对所述初始第一模型中每个卷积层，基于所述初始第一模型中该卷积层对应的样本校准特征图以及与该卷积层对应的所述初始第二模型中卷积层输出的标准特征图，确定所述初始第一模型中该卷积层的第二子损失函数；45.将所述初始第一模型中各卷积层的第二子损失函数的平均值，确定为所述初始第一模型的第二损失函数；46.将所述初始第一模型的第一损失函数和第二损失函数之和，确定为所述初始第一模型的损失函数。47.进一步的，所述特征增强模块在用于将所述校准特征图与所述第一特征图拼接后进行特征降维，生成所述第一卷积层对应的增强特征图时，所述特征增强模块用于：48.将所述校准特征图与所述第一特征图沿特征通道进行拼接，得到拼接特征图；49.对所述拼接特征图执行卷积操作以进行特征降维，生成所述增强特征图。50.进一步的，所述确定装置还包括分类模块，所述分类模块用于：51.将所述目标增强特征图输入所述第一模型的全局平均池化层，得到全局特征图；52.将所述全局特征图输入所述第一模型的全连接层，得到所述待分类暗光图像的分类结果。53.本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的一种图像特征的确定方法的步骤。54.本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的一种图像特征的确定方法的步骤。55.本技术实施例提供的一种图像特征的确定方法及确定装置，包括：将待分类暗光图像输入预先训练的第一模型中的第一卷积层中进行特征增强处理；其中，所述特征增强处理包括：采用第一卷积层对应的特征蒸馏参数，对所述第一卷积层输出的第一特征图进行卷积操作，得到校准特征图；将所述校准特征图与所述第一特征图拼接后进行特征降维，生成所述第一卷积层对应的增强特征图；依次将前一卷积层对应的增强特征图作为下一个卷积层的输入特征图，进行特征增强处理，得到最末层卷积层对应的目标增强特征图；其中，所述目标增强特征图用于表征所述暗光图像的图像特征。56.这样，通过由特征蒸馏参数得到校准特征图，再基于卷积层输出的第一特征图和校准特征图得到增强特征图，并将增强特征图依次输入下一卷积层的增强特征处理过程，使得各增强特征图中可以融合更多层次的信息，具有更强的特征表达能力，进而使得由最末层的目标增强特征图确定出的暗光图像分类结果具有更高的准确率，能够提高暗光图像分类的精度。57.为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明58.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。59.图1示出了本技术实施例所提供的一种图像特征的确定方法的流程图之一；60.图2示出了本技术实施例所提供的一种图像特征的确定方法的流程图之二；61.图3示出了本技术实施例所提供的一种预测过程中的第一模型的结构示意图；62.图4示出了本技术实施例所提供的一种第一模型的训练方法的流程图；63.图5示出了本技术实施例所提供的一种训练过程中的第一模型和第二模型的结构示意图；64.图6示出了本技术实施例所提供的一种图像特征的确定装置的结构示意图；65.图7示出了本技术实施例所提供的一种电子设备的结构示意图。具体实施方式66.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本技术保护的范围。67.经研究发现，在暗光场景下(例如，夜晚)采集图像数据时，由于光线较弱会导致采集到的暗光图像中关键信息缺失、难以辨认，进而导致暗光图像分类的准确率较低。而暗光图像分类是自动驾驶、视频监控等智能系统中必须面临的问题，直接关系到生命财产安全和公共安全，因此提高暗光图像分类方法的性能具有重大的实际应用价值。68.现有的图像分类方法大多是以充分光线条件下采集的图像(例如，日间图像)为基础得到的，在迁移到暗光图像分类时，提取的暗光图像的特征信息缺失严重，导致对暗光图像的分类结果准确率低。69.基于此，本技术实施例提供了一种图像特征的确定方法及确定装置，使得确定出的各增强特征图中可以融合更多层次的信息，具有更强的特征表达能力，进而使得由最末层的目标增强特征图确定出的暗光图像分类结果具有更高的准确率，能够提高暗光图像分类的精度。70.请参阅图1，图1为本技术实施例所提供的一种图像特征的确定方法的流程图之一。如图1中所示，本技术实施例提供的确定方法，包括：71.s101、将待分类暗光图像输入预先训练的第一模型中的第一卷积层中进行特征增强处理。72.其中，所述特征增强处理包括：采用第一卷积层对应的特征蒸馏参数，对所述第一卷积层输出的第一特征图进行卷积操作，得到校准特征图；将所述校准特征图与所述第一特征图拼接后进行特征降维，生成所述第一卷积层对应的增强特征图。73.在一种可能的实施方式中，所述将所述校准特征图与所述第一特征图拼接后进行特征降维，生成所述第一卷积层对应的增强特征图的步骤，包括：74.步骤1、将所述校准特征图与所述第一特征图沿特征通道进行拼接，得到拼接特征图。75.步骤2、对所述拼接特征图执行卷积操作以进行特征降维，生成所述增强特征图。76.s102、依次将前一卷积层对应的增强特征图作为下一个卷积层的输入特征图，进行特征增强处理，得到最末层卷积层对应的目标增强特征图。77.其中，所述目标增强特征图用于表征所述暗光图像的图像特征。78.本技术实施例所提供的图像特征的确定方法，通过由特征蒸馏参数得到校准特征图，再基于卷积层输出的第一特征图和校准特征图得到增强特征图，并将增强特征图依次输入下一卷积层的增强特征处理过程，使得各增强特征图中可以融合更多层次的信息，具有更强的特征表达能力。79.进一步的，请参阅图2，图2为本技术实施例所提供的一种图像特征的确定方法的流程图之二。如图2中所示，本技术实施例提供的确定方法，包括：80.s201、将待分类暗光图像输入预先训练的第一模型中的第一卷积层中进行特征增强处理。81.s202、依次将前一卷积层对应的增强特征图作为下一个卷积层的输入特征图，进行特征增强处理，得到最末层卷积层对应的目标增强特征图。82.其中，s201至s202的描述可以参照s101至s102的描述，并且能达到相同的技术效果，对此不做赘述。83.s203、将所述目标增强特征图输入所述第一模型的全局平均池化层，得到全局特征图。84.s204、将所述全局特征图输入所述第一模型的全连接层，得到所述待分类暗光图像的分类结果。85.通过这种方式，使得由最末层的目标增强特征图确定出的暗光图像分类结果具有更高的准确率，能够提高暗光图像分类的精度。86.可选的，当本技术实施例所提供的确定方法应用于视频监控领域时，可通过以下步骤获取待分类暗光图像：87.步骤1、当监测到监控设备在暗光条件下对目标场景进行监控时，获取所述监控设备采集的监控视频。88.步骤2、将定时从所述监控视频中截取的图像作为所述待分类暗光图像。89.进一步的，可以基于待分类暗光图像的图像分类结果确定出对目标场景的监控结果。因此，本技术提供的分类方法可以应用到视频监控中目标检测与行人重识别等其他相关领域。90.需要说明的是，本技术实施例中的第一模型可以是机器学习模型，例如，神经网络模型；示例性的，在本技术实施例中可以采用残差网络作为确定图像特征的第一模型的主干网络。实际上，本技术所提供的图像特征的确定方法能够与包括深度卷积神经网络在内的多种机器学习模型相结合，并不限定于残差网络。下面将结合图3给出一种应用预先训练的第一模型来确定待分类暗光图像的图像特征以及分类结果的示例。91.请参阅图3，图3为本技术实施例所提供的一种预测过程中的第一模型的结构示意图。如图3所示，第一模型中包括5个卷积模块、全局平均池化层gap和全连接层fc。以第一卷积模块为例，第一卷积模块中包括第一卷积层conv1以及另外两个卷积核大小为1×1的卷积层。92.以第一卷积模块为例，在具体实施时，特征增强处理包括：首先，将待分类暗光图像输入预先训练的第一模型中的第一卷积层conv1，第一卷积层conv1对输入的待分类暗光图像中的图像特征信息进行特征提取，得到第一卷积层conv1的最后一个残差block层输出的第一特征图d1；其次，将第一特征图d1输入下方卷积层中，利用第一卷积层conv1对应的下方卷积层中的特征蒸馏参数，对第一特征图d1进行卷积操作，得到下方卷积层输出的校准特征图s1，示例性的，该下方卷积层的卷积核大小为1×1；再次，将第一特征图d1和校准特征图s1沿特征通道进行拼接，并将拼接得到的拼接特征图输入右侧卷积层中，右侧卷积层对输入的拼接特征图执行卷积操作以进行特征降维，得到第一卷积模块生成的(即第一卷积层conv1对应的)增强特征图，示例性的，该右侧卷积层的卷积核大小为1×1。93.在得到第一卷积模块生成的增强特征图之后，将第一卷积模块生成的增强特征图作为下一个卷积层的输入特征图，输入第二卷积模块中的第二卷积层conv2，以进行特征增强处理；以此类推，直至得到最后一个卷积模块中的最末层卷积层(即第五卷积层conv5)对应的目标增强特征图。94.接着，将最末层卷积层对应的目标增强特征图输入第一模型的全局平均池化层gap，得到全局特征图；再将全局特征图输入第一模型的全连接层fc，得到待分类暗光图像的分类结果。95.在一种可能的实施方式中，请参阅图4，图4为本技术实施例所提供的一种第一模型的训练方法的流程图。如图4中所示，本技术实施例提供的训练方法，包括：96.s401、获取多个样本暗光图像。97.其中，每个样本暗光图像被标注有该样本暗光图像的真实图像类别。98.s402、针对所述多个样本暗光图像中的每个样本暗光图像，对该样本暗光图像进行图像增强，得到该样本暗光图像对应的增强图像。99.在一种可能的实施方式中，该步骤中，可通过对该样本暗光图像的像素进行亮度增强，得到增强图像。增强图像中包含了更多图像信息，有助于获得更准确的图像分类结果。示例性的，可以通过zero-dce++模型对样本暗光图像进行图像增强。zero-dce++是一种代表性的暗光图像增强模型，它在不需要参考图像的情况下，即可通过直接估计图像中每个像素的高阶映射方程来实现低光照图像增强的目的，并能够在多样化的低光照场景中表现出良好的增强效果。100.s403、将该样本暗光图像输入预先构建的初始第一模型，得到所述初始第一模型中各卷积层对应的各样本校准特征图以及该样本暗光图像的图像分类结果。101.s404、将该样本暗光图像对应的增强图像输入预先构建的初始第二模型中，得到所述初始第二模型的各层卷积层输出的标准特征图。102.其中，所述初始第二模型包括多个卷积层，所述第一初始模型的各卷积层和所述初始第二模型的各卷积层一一对应；103.s405、基于所述初始第一模型中各卷积层对应的各样本校准特征图、所述初始第二模型各层卷积层输出的标准特征图、所述图像分类结果以及该样本暗光图像的真实图像类别，确定所述初始第一模型的损失函数。104.在一种可能的实施方式中，步骤s405包括：105.s4051、基于所述图像分类结果以及该样本暗光图像的真实图像类别，确定所述初始第一模型的第一损失函数。106.具体的，可以采用交叉熵损失确定第一损失函数，第一损失函数的公式可表示为：107.108.式中，p表示对该暗光图像的预测结果；g表示该暗光图像的真实类别；exp表示以自然常数e为底数的指数函数；log表示以自然常数e为底数的对数函数；j表示图像分类的类别标签。109.s4052、针对所述初始第一模型中每个卷积层，基于所述初始第一模型中该卷积层对应的样本校准特征图以及与该卷积层对应的所述初始第二模型中卷积层输出的标准特征图，确定所述初始第一模型中该卷积层的第二子损失函数。110.s4053、将所述初始第一模型中各卷积层的第二子损失函数的平均值，确定为所述初始第一模型的第二损失函数。111.具体的，可以采用l2范数损失确定第二损失函数，第二损失函数的公式可表示为：[0112][0113]式中，∑表示多项求和；||*||2表示l2范数损失；tk表示第二模型中第k个卷积层输出的标准特征图；sk表示初始第一模型中第k个卷积层对应的样本校准特征图。[0114]s4054、将所述初始第一模型的第一损失函数和第二损失函数之和，确定为所述初始第一模型的损失函数。[0115]具体的，所述初始第一模型的损失函数的公式表示为：[0116]l＝lf+lce[0117]s406、确定所述初始第一模型是否达到收敛状态。[0118]这里，确定初始第一模型是否达到收敛状态的判断条件可根据图像识别要求预先设置，示例性的，预定条件可以是第一损失函数确定出的第一损失值小于第一预设阈值，且各第二子损失函数确定出的各第二子损失值均小于第二预设阈值，或者对初始第一模型的训练次数达到预定次数等，本技术在此不做任何限制。[0119]s407、若所述初始第一模型未达到收敛状态，则基于所述初始第一模型的损失函数，调整所述初始第一模型中的模型参数，并返回执行步骤s403。[0120]该步骤中，可通过损失函数确定出的损失值，不断调整所述初始第一模型中包括各卷积层和全连接层在内的模型参数以对初始第一模型进行训练优化；在一轮训练结束后，返回步骤s403，从步骤s403向后继续执行，即基于参数调整后的初始第一模型和初始第二模型，重新得到损失函数并确定初始第一模型是否达到收敛状态，以此类推，对初始第一模型进行多轮训练。[0121]s408、若所述初始第一模型达到收敛状态，则得到所述第一模型。[0122]在一种可能的实施方式中，在每次执行s407中基于所述初始第一模型的损失函数，调整所述初始第一模型中的模型参数的步骤之后，返回再次执行到s404中将该样本暗光图像对应的增强图像输入预先构建的初始第二模型中，得到所述初始第二模型的各层卷积层输出的标准特征图的步骤之前，所述确定方法还包括：[0123]将所述初始第二模型中各卷积层中的模型参数对应调整为所述初始第一模型中各卷积层中的模型参数。[0124]通过这种方式，使得基于参数调整后的初始第一模型重新得到的多个样本校准特征图按照卷积层的层数从浅到深的顺序依次被校准，从而实现通过样本校准特征图拟合出对应的标准特征图的目的。[0125]下面将结合图4给出一种训练第一模型的示例。[0126]请参阅图5，图5为本技术实施例所提供的一种训练过程中的第一模型和第二模型的结构示意图。如图5所示，第一模型中包括5个卷积模块、全局平均池化层gap和全连接层fc。以第一卷积模块为例，第一卷积模块中包括第一卷积层conv1以及另外两个卷积核大小为1×1的卷积层；第二模型中包括5个卷积层，分别为第一卷积层conv1、第二卷积层conv2、第三卷积层conv3、第四卷积层conv4和第五卷积层conv5；其中，第一模型中的各卷积层conv1至conv5与第二模型中的各卷积层conv1至conv5一一对应，各卷积层中的模型结构和模型参数也对应相同。[0127]在具体实施时，首先，将多个样本暗光图像中的任意一个样本暗光图像输入增强网络(例如，zero-dce++模型)进行图像增强，得到该样本暗光图像对应的增强图像。[0128]其次，将该样本暗光图像输入预先构建的初始第一模型，得到所述初始第一模型中各卷积层对应的各样本校准特征图sk以及该样本暗光图像的图像分类结果；其中，得到所述初始第一模型中各卷积层对应的各样本校准特征图sk以及该样本暗光图像的图像分类结果的过程可参照前述应用预先训练的第一模型来确定待分类暗光图像的校准特征图以及待分类暗光图像的分类结果的过程，在此不再赘述。[0129]再次，将该样本暗光图像对应的增强图像输入预先构建的初始第二模型中，得到所述初始第二模型的各层卷积层输出的标准特征图tk；具体的，将增强图像输入预先构建的初始第二模型中的第一卷积层conv1，第一卷积层conv1对输入的增强图像中的图像特征信息进行特征提取，得到第一卷积层conv1中最后一个残差block层输出的标准特征图t1；再将初始第二模型中的第一卷积层conv1输出的标准特征图t1作为下一个卷积层的输入特征图，输入初始第二模型中的第二卷积层conv2，以此类推，直至得到初始第二模型中的最末层卷积层(即第五卷积层conv5)输出的标准特征图t5。[0130]之后，基于所述初始第一模型中各卷积层对应的各样本校准特征图s1、s2、s3、s4和s5，所述初始第二模型各层卷积层输出的标准特征图t1、t2、t3、t4和t5，所述图像分类结果以及该样本暗光图像的真实图像类别，确定所述初始第一模型的损失函数。[0131]最后，基于所述初始第一模型的损失函数，不断调整所述初始第一模型中的模型参数，对所述初始第一模型进行模型训练，直至所述初始第一模型达到收敛状态时，得到所述第一模型；其中，在每次调整完所述初始第一模型中的模型参数之后，在将该样本暗光图像对应的增强图像再次输入预先构建的初始第二模型之前，将所述初始第二模型中各卷积层中的模型参数对应调整为所述初始第一模型中各卷积层中的模型参数。[0132]通过这种方式训练得到的第一模型，在具体应用于待分类暗光图像的图像分类时，不再需要增强网络来获得增强图像，可以直接获得对待分类暗光图像校准后的增强特征图，进而提高暗光图像分类的准确率。这样，在只增加少量计算时间和资源开销的情况下，就能够显著提高暗光图像分类的精度。[0133]本技术实施例提供的一种图像特征的确定方法，包括：将待分类暗光图像输入预先训练的第一模型中的第一卷积层中进行特征增强处理；其中，所述特征增强处理包括：采用第一卷积层对应的特征蒸馏参数，对所述第一卷积层输出的第一特征图进行卷积操作，得到校准特征图；将所述校准特征图与所述第一特征图拼接后进行特征降维，生成所述第一卷积层对应的增强特征图；依次将前一卷积层对应的增强特征图作为下一个卷积层的输入特征图，进行特征增强处理，得到最末层卷积层对应的目标增强特征图；其中，所述目标增强特征图用于表征所述暗光图像的图像特征。[0134]这样，通过由特征蒸馏参数得到校准特征图，再基于卷积层输出的第一特征图和校准特征图得到增强特征图，并将增强特征图依次输入下一卷积层的增强特征处理过程，使得各增强特征图中可以融合更多层次的信息，具有更强的特征表达能力，进而使得由最末层的目标增强特征图确定出的暗光图像分类结果具有更高的准确率，能够提高暗光图像分类的精度。[0135]请参阅图6，图6为本技术实施例所提供的一种图像特征的确定装置的结构示意图。如图6中所示，所述确定装置600包括：[0136]特征增强模块610，用于将待分类暗光图像输入预先训练的第一模型中的第一卷积层中进行特征增强处理；[0137]其中，所述特征增强模块610在用于进行特征增强处理时，所述特征增强模块610具体用于：采用第一卷积层对应的特征蒸馏参数，对所述第一卷积层输出的第一特征图进行卷积操作，得到校准特征图；将所述校准特征图与所述第一特征图拼接后进行特征降维，生成所述第一卷积层对应的增强特征图；[0138]所述特征增强模块610还用于，依次将前一卷积层对应的增强特征图作为下一个卷积层的输入特征图，进行特征增强处理，得到最末层卷积层对应的目标增强特征图；其中，所述目标增强特征图用于表征所述暗光图像的图像特征。[0139]进一步的，所述确定装置还包括训练模块620；所述训练模块620用于通过以下步骤训练得到所述第一模型：[0140]获取多个样本暗光图像；其中，每个样本暗光图像被标注有该样本暗光图像的真实图像类别；[0141]针对所述多个样本暗光图像中的每个样本暗光图像，对该样本暗光图像进行图像增强，得到该样本暗光图像对应的增强图像；[0142]将该样本暗光图像输入预先构建的初始第一模型，得到所述初始第一模型中各卷积层对应的各样本校准特征图以及该样本暗光图像的图像分类结果；[0143]将该样本暗光图像对应的增强图像输入预先构建的初始第二模型中，得到所述初始第二模型的各层卷积层输出的标准特征图；其中，所述第一初始模型的各卷积层和所述初始第二模型的各卷积层一一对应；[0144]基于所述初始第一模型中各卷积层对应的各样本校准特征图、所述初始第二模型各层卷积层输出的标准特征图、所述图像分类结果以及该样本暗光图像的真实图像类别，确定所述初始第一模型的损失函数；[0145]基于所述初始第一模型的损失函数，不断调整所述初始第一模型中的模型参数，重复上述各步骤直至所述初始第一模型达到收敛状态时，得到所述第一模型。[0146]进一步的，所述训练模块620在每次调整所述初始第一模型中的模型参数的步骤之后，在将该样本暗光图像对应的增强图像再次输入预先构建的初始第二模型的步骤之前，所述训练模块620还用于：[0147]将所述初始第二模型中各卷积层中的模型参数对应调整为所述初始第一模型中各卷积层中的模型参数。[0148]进一步的，所述训练模块620在用于基于所述初始第一模型中各卷积层对应的各样本校准特征图、所述初始第二模型各层卷积层输出的标准特征图、所述图像分类结果以及该样本暗光图像的真实图像类别，确定所述初始第一模型的损失函数时，所述训练模块620用于：[0149]基于所述图像分类结果以及该样本暗光图像的真实图像类别，确定所述初始第一模型的第一损失函数；[0150]针对所述初始第一模型中每个卷积层，基于所述初始第一模型中该卷积层对应的样本校准特征图以及与该卷积层对应的所述初始第二模型中卷积层输出的标准特征图，确定所述初始第一模型中该卷积层的第二子损失函数；[0151]将所述初始第一模型中各卷积层的第二子损失函数的平均值，确定为所述初始第一模型的第二损失函数；[0152]将所述初始第一模型的第一损失函数和第二损失函数之和，确定为所述初始第一模型的损失函数。[0153]进一步的，所述特征增强模块610在用于将所述校准特征图与所述第一特征图拼接后进行特征降维，生成所述第一卷积层对应的增强特征图时，所述特征增强模块610用于：[0154]将所述校准特征图与所述第一特征图沿特征通道进行拼接，得到拼接特征图；[0155]对所述拼接特征图执行卷积操作以进行特征降维，生成所述增强特征图。[0156]进一步的，所述确定装置还包括分类模块630，所述分类模块630用于：[0157]将所述目标增强特征图输入所述第一模型的全局平均池化层，得到全局特征图；[0158]将所述全局特征图输入所述第一模型的全连接层，得到所述待分类暗光图像的分类结果。[0159]本技术实施例提供的一种图像特征的确定装置，包括：将待分类暗光图像输入预先训练的第一模型中的第一卷积层中进行特征增强处理；其中，所述特征增强处理包括：采用第一卷积层对应的特征蒸馏参数，对所述第一卷积层输出的第一特征图进行卷积操作，得到校准特征图；将所述校准特征图与所述第一特征图拼接后进行特征降维，生成所述第一卷积层对应的增强特征图；依次将前一卷积层对应的增强特征图作为下一个卷积层的输入特征图，进行特征增强处理，得到最末层卷积层对应的目标增强特征图；其中，所述目标增强特征图用于表征所述暗光图像的图像特征。[0160]这样，通过由特征蒸馏参数得到校准特征图，再基于卷积层输出的第一特征图和校准特征图得到增强特征图，并将增强特征图依次输入下一卷积层的增强特征处理过程，使得各增强特征图中可以融合更多层次的信息，具有更强的特征表达能力，进而使得由最末层的目标增强特征图确定出的暗光图像分类结果具有更高的准确率，能够提高暗光图像分类的精度。[0161]请参阅图7，图7为本技术实施例所提供的一种电子设备的结构示意图。如图7中所示，所述电子设备700包括处理器710、存储器720和总线730。[0162]所述存储器720存储有所述处理器710可执行的机器可读指令，当电子设备700运行时，所述处理器710与所述存储器720之间通过总线730通信，所述机器可读指令被所述处理器710执行时，可以执行如上述图1至图5所示方法实施例中的一种图像特征的确定方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。[0163]本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1至图5所示方法实施例中的一种图像特征的确定方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。[0164]所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。[0165]在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。[0166]所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。[0167]另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。[0168]所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。[0169]最后应说明的是：以上所述实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!