基于注意力机制的图像处理方法、装置及设备

技术特征：
1.一种基于注意力机制的图像处理方法，其特征在于，包括：获取待处理图像数据；输入所述待处理图像数据至图像处理模型，得到图像处理结果，所述图像处理模型是通过对注意力网络进行训练得到的，所述注意力网络是基于注意力模块构建的，所述注意力模块用于处理二维结构的图像数据。2.根据权利要求1所述的基于注意力机制的图像处理方法，其特征在于，所述注意力模块包括普通卷积层、分组卷积层、分组空洞卷积层和矩阵逐元素层。3.根据权利要求1所述的基于注意力机制的图像处理方法，其特征在于，所述图像处理模型包括图像分类模型、图像分割模型或图像检测模型；所述输入所述待处理图像数据至图像处理模型，得到图像处理结果，包括：输入所述待处理图像数据至所述图像分类模型时，输出图像分类结果；或；输入所述待处理图像数据至所述图像分割模型时，输出图像分割结果；或；输入所述待处理图像数据至所述图像检测模型时，输出图像检测结果。4.根据权利要求3所述的基于注意力机制的图像处理方法，其特征在于，所述获取待处理图像数据之前，还包括：获取样本图像数据，并对每个样本图像数据标记标签，构建第一训练样本集；基于所述第一训练样本集和注意力网络，得到图像分类模型。5.根据权利要求3所述的基于注意力机制的图像处理方法，其特征在于，所述获取待处理图像数据之前，还包括：获取样本图像数据，并对每个样本图像数据中的每个像素标记标签，构建第二训练样本集；基于所述第二训练样本集和注意力网络，得到图像分割模型。6.根据权利要求3所述的基于注意力机制的图像处理方法，其特征在于，所述获取待处理图像数据之前，还包括：获取样本图像数据，并对每个样本图像数据中的每个物体检测框标记标签，构建第三训练样本集；基于所述第三训练样本集和注意力网络，得到图像检测模型。7.根据权利要求1所述的基于注意力机制的图像处理方法，其特征在于，所述输入所述待处理图像数据至所述图像处理模型之前，还包括：基于反向传播算法，对所述图像处理模型进行优化。8.根据权利要求1所述的基于注意力机制的图像处理方法，其特征在于，所述获取待处理图像数据之后，还包括：通过神经网络组件对所述待处理图像数据进行特征提取，以利用提取后的特征输入图像处理模型进行图像处理，所述神经网络组件包括多层感知机、卷积层和归一化层中的至少一种。9.一种基于注意力机制的图像处理装置，其特征在于，包括：获取模块，用于获取待处理图像数据；处理模块，用于输入所述待处理图像数据至图像处理模型，得到图像处理结果，所述图像处理模型是通过对注意力网络进行训练得到的，所述注意力网络是基于注意力模块构建
的，所述注意力模块用于处理二维结构的图像数据。10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述基于注意力机制的图像处理方法的步骤。

技术总结
本发明提供一种基于注意力机制的图像处理方法、装置及设备，方法通过获取待处理图像数据；输入所述待处理图像数据至图像处理模型，得到图像处理结果，所述图像处理模型是通过对注意力网络进行训练得到的，所述注意力网络是基于注意力模块构建的，所述注意力模块用于处理二维结构的图像数据，由于图像处理模型是基于能够直接处理二维图像结构的注意力网络训练得到，使得图像处理模型对待处理图像进行识别时，无需再将二维图像压缩为一维序列进行处理，从而能够增加对图像自身结构的识别，有效地提高图像处理的精度。有效地提高图像处理的精度。有效地提高图像处理的精度。


技术研发人员：胡事民 国孟昊 刘政宁
受保护的技术使用者：清华大学
技术研发日：2022.01.12
技术公布日：2022/5/5