图像处理的方法、计算机系统、电子设备和程序产品与流程

技术特征：
1.一种图像处理的方法，包括：基于深度神经网络模型，生成图像分类模型的特征提取层部分；使用所述特征提取层部分来提取一组图像的特征；根据所述一组图像中的训练图像的所述特征和所述训练图像的分类标签，来训练所述图像分类模型的输出层部分；以及通过组合所述特征提取层部分和所述输出层部分来生成所述图像分类模型。2.根据权利要求1所述的方法，其中所述深度神经网络模型具有比所述图像分类模型更多的分类。3.根据权利要求1所述的方法，还包括：存储所述一组图像的特征。4.根据权利要求3所述的方法，还包括：通过访问所述训练图像的已存储的特征来获取所述训练图像的特征。5.根据权利要求1所述的方法，还包括：基于所述训练图像和所述训练图像的分类标签，来进一步调整所生成的所述图像分类模型的所述特征提取层部分和所述输出层部分。6.根据权利要求5所述的方法，其中调整所生成的所述图像分类模型的所述特征提取层部分和所述输出层部分包括：使用所述训练图像的原始数据和所述分类标签来训练所述图像分类模型。7.一种计算机系统，包括：特征提取单元，包括深度神经网络模型的至少一部分并且被配置为提取一组图像的特征；以及图像分类模型生成单元，被配置为：根据所述一组图像中的训练图像的所述特征和所述训练图像的标签来训练图像分类模型的输出层部分；以及通过组合所述深度神经网络模型的所述至少一部分和经训练的所述图像分类模型的所述输出层部分，来生成所述图像分类模型。8.根据权利要求7所述的计算机系统，其中所述深度神经网络模型具有比所述图像分类模型更多的分类。9.根据权利要求7所述的计算机系统，还包括：图像特征存储单元，被配置为存储由所述特征提取单元提取的一组图像的特征。10.根据权利要求9所述的计算机系统，其中所述图像分类模型生成单元还被配置为通过访问所述图像特征存储单元来获得所述训练图像的特征。11.根据权利要求7所述的计算机系统，其中所述图像分类模型生成单元还被配置为基于所述训练图像和所述训练图像的分类标签来进一步调整所生成的所述图像分类模型的所述特征提取层部分和所述输出层部分。12.根据权利要求11所述的计算机系统，其中所述图像分类模型生成单元还被配置为使用所述训练图像的原始数据和所述分类标签来训练所述图像分类模型。13.根据权利要求11或12所述的计算机系统，其中所述图像分类模型还被配置为利用至少一个图形处理单元来调整所述图像分类模型的所述特征提取层部分和所述输出层部分。
14.一种电子设备，包括：至少一个处理单元；以及至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令，所述指令当由所述至少一个处理单元执行时，使所述电子设备执行根据权利要求1至6中任一项所述的方法。15.一种计算机可读存储介质，包括机器可执行指令，所述机器可执行指令在由设备执行时使所述设备执行根据权利要求1至6中的任一项所述的方法。16.一种计算机程序产品，包括机器可执行指令，所述机器可执行指令在由设备执行时使所述设备执行根据权利要求1至6中的任一项所述的方法。

技术总结
本公开涉及图像处理的方法。该方法包括基于深度神经网络模型来生成图像分类模型的特征提取层部分。方法还包括使用特征提取层部分来提取一组图像的特征。方法还包括根据一组图像中的训练图像的特征和训练图像的分类标签，来训练所述图像分类模型的输出层部分。方法还包括通过组合特征提取层部分和输出层部分以来生成图像分类模型。本公开的实施例在存储系统上实现了一种轻量级的AI方案。扩展的存储系统能够促进生成AI应用，帮助更快地训练图像分类模型，并且所得到的图像分类模型在较小的训练集上也能产生较高的准确度。练集上也能产生较高的准确度。练集上也能产生较高的准确度。


技术研发人员：倪嘉呈 龚旻 周广州
受保护的技术使用者：伊姆西IP控股有限责任公司
技术研发日：2021.04.23
技术公布日：2022/11/10