本申请涉及人工智能,具体涉及一种数据处理方法、装置、电子设备及计算机可读存储介质。
背景技术:
1、卷积神经网络架构因其灵活的特征提取能力而被应用于图像去噪领域并逐渐成为图像去噪的主流方法。
2、然而,基于深度学习卷积神经网络的图像去噪方法,在针对不同场景时,通用能力不强,需要同时训练多个图像去噪模型来跟具体场景进行匹配,即具体场景的模型定制化设计。现有提高图像去噪性能的方法主要包括:采用迁移学习、图像学习、网络搜索等方法来处理噪声图像。该方法的优点在于,可以通过完成训练的复杂模型对轻量型模型进行训练,使得轻量型的模型完成训练后,可以在边缘平台或移动端上进行部署或实时运行。然而现有技术中,在通过轻量型的模型进行图像去噪时,由于对轻量模型进行训练的现有训练方式无法保证特征从复杂模型迁移时的迁移质量,使得轻量模型进行图像去噪时,图像的去噪效果差。
技术实现思路
1、本申请提供了一种数据处理方法,能够有效的降低设备运行时的负担。
2、第一方面,本申请提供了一种数据处理方法,包括:
3、获取样本图像;
4、将所述样本图像分别输入至完成训练的教师模型以及未完成训练的学生模型,得到教师特征图以及学生特征图;
5、分别对所述教师特征图以及所述学生特征图进行注意力权重分配,得到权重教师特征图以及权重学生特征图;
6、将所述权重教师特征图和所述权重学生特征图进行融合,得到融合学生特征图;
7、根据所述融合学生特征图,训练所述学生模型,得到所述图像模型。
8、第二方面,本申请还提供了一种数据处理装置,包括:
9、获取模块,用于获取样本图像;
10、输入模块,用于将所述样本图像分别输入至完成训练的教师模型以及未完成训练的学生模型,得到教师特征图以及学生特征图;
11、权重分配模块,用于分别对所述教师特征图以及所述学生特征图进行注意力权重分配,得到权重教师特征图以及权重学生特征图;
12、融合模块,用于将所述权重教师特征图和所述权重学生特征图进行融合,得到融合学生特征图;
13、训练模块,用于根据所述融合学生特征图,训练所述学生模型,得到所述图像模型。
14、第三方面,本申请还提供了一种电子设备,所述电子设备包括处理器、存储器以及存储于所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序以实现上述的数据处理方法中的步骤。
15、第四方面,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行以实现上述的数据处理方法中的步骤。
16、本申请提供的数据处理方法、装置、电子设备及计算机可读存储介质,通过分别对教师模型和学生模型的特征图添加权重之后,强化了教师模型和学生模型之间的特征传递,使得学生模型对数据处理的能力不弱于教师模型对数据处理的能力。因此,通过上述数据处理方式得到的图像模型进行数据处理处理时,由于学生模型在训练时确保了特征迁移的质量,进而能够保证学生模型对数据处理的质量。
1.一种数据处理方法,其特征在于,所述方法包括:
2.根据权利要求1所述的数据处理方法,其特征在于,所述分别对所述教师特征图以及所述学生特征图进行注意力权重分配,得到权重教师特征图以及权重学生特征图,包括:
3.根据权利要求1所述的数据处理方法,其特征在于,所述将所述权重教师特征图和所述权重学生特征图进行融合,得到融合学生特征图,包括:
4.根据权利要求3所述的数据处理方法,其特征在于,所述根据每一层对应的融合学生特征图,训练所述学生模型,得到所述图像模型,包括:
5.根据权利要求4所述的数据处理方法,其特征在于,所述根据所述池化教师特征图、所述池化学生特征图以及所述蒸馏层数,得到蒸馏损失,包括:
6.根据权利要求4所述的数据处理方法,其特征在于,所述根据所述蒸馏损失,训练所述学生模型,得到所述图像模型,包括:
7.根据权利要求6所述的数据处理方法,其特征在于,所述根据所述去噪损失以及所述蒸馏损失,训练所述学生模型,得到所述图像模,包括:
8.根据权利要求1所述的数据处理方法,其特征在于,所述方法还包括:
9.一种数据处理装置,其特征在于,包括:
10.一种电子设备,其特征在于,所述电子设备包括处理器、存储器以及存储于所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序以实现权利要求1至8任一项所述的数据处理方法中的步骤。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行以实现权利要求1至8任一项所述的数据处理方法中的步骤。