摘要：本申请公开了一种图像目标定位模型的训练方法、图像处理方法及相关产品，方法包括：由原图处理网络对样本图像进行特征提取，得到第一特征提取结果，由原图处理网络在第一特征提取结果的基础上进行处理得到样本图像的第一组类别定位特征。由扩增图处理网络对样本扩增图像进行特征提取，得到第二特征提取结果，由扩增图处理网络在第二特征提取结果的基础上进行处理得到样本扩增图像对应的第二组类别定位特征。通过对比学习，获得对比学习损失，根据对比学习损失调整待训练模型的参数，得到图像目标定位模型。本申请提供的方法通过对比学习的方式充分考虑到空间特征信息，最终训练出的图像目标定位模型的定位效果更佳。

摘要：本申请实施例公开了一种图像生成方法、装置、设备以及存储介质，可应用于人工智能领域。该方法包括：将目标图像提示语输入图像生成模型得到目标图像提示语所描述的图像；图像生成模型是基于以下方式训练得到的：确定训练样本集，训练样本集包括至少一组训练样本，每组训练样本包括一个样本图像以及一条第一图像提示语；将样本图像和第一图像提示语输入初始模型得到预测图像，确定预测图像属于各预设图像类别的第一预测置信度，基于样本图像属于各预设图像类别的实际置信度和第一预测置信度确定总训练损失；基于训练样本集对初始模型进行训练得到图像生成模型。采用本申请实施例，可准确生成图像提示语所描述的图像，适用性高。

摘要：本申请实施例公开了一种数据处理方法、装置、设备及存储介质，应用于人工智能技术，该方法包括：向目标业务图像中添加K个时间步长对应的随机噪声数据，得到K个加噪图像；将N个候选业务标签和K个加噪图像，输出至业务扩散模型中，通过业务扩散模型根据候选业务标签i，对目标业务图像的K个加噪图像进行去噪处理，得到候选业务标签i在K个时间步长下分别对应的去噪图像；对候选业务标签i在K个时间步长下分别对应的去噪图像进行融合，得到候选业务标签i对应的融合去噪图像；根据N个候选业务标签分别对应的融合去噪图像，从N个候选业务标签中确定目标业务图像的目标业务标签。通过本申请能够提高业务扩散模型的标签识别的效率。

摘要：本申请公开了一种图像处理方法、装置、设备和计算机可读存储介质。本发明实施例可应用于云技术、人工智能、智慧交通、辅助驾驶等各种场景。通过获取参考图像，并获取与参考图像相似的相似图像；确定参考图像与相似图像之间的差异信息；确定参考图像中针对差异信息的目标掩码图；基于差异信息进行扩充，得到差异描述文本；根据目标掩码图、差异描述文本和参考图像，对相似图像进行局部调整，得到调整后的目标图像。以此，可对图像之间的差异进行扩充描述，并针对差异的扩充描述文本和参考图像作为约束来局部调整相似图像，提高图像调整的准确性，使得调整后的图像效果与实际需求相符合，以利于后续其他业务的开展。

摘要：本公开关于一种图像类别识别方法、装置及电子设备，涉及人工智能技术领域，该方法包括：获取预设风格类型的待识别图像；将待识别图像输入至预设类别识别模型中的目标特征提取子模型进行特征提取，得到第一风格类型对应的第一特征信息、第二风格类型对应的第二特征信息和目标图像特征信息；对第一特征信息、第二特征信息和目标图像特征信息进行特征融合处理，得到待识别图像对应的目标特征信息；将目标特征信息输入至预设类别识别模型中的目标类别识别子模型进行类别识别，得到待识别图像对应的目标类别预测信息；基于目标类别预测信息，确定待识别图像对应的目标图像类别信息。利用本公开实施例可以实现模型对于两种风格类型的识别准确度的平衡。

摘要：本公开提供了一种图像识别模型的训练方法和装置、存储介质及电子设备。其中，该方法包括：获取第一图像识别模型对第一样本图像识别后得到的第一识别结果；从分割图像集合中确定出与第一识别结果对应的目标分割图像；通过第二图像识别模型对基于目标分割图像与第一样本图像合成所得到的第二样本图像进行识别，得到第二识别结果，第二识别结果指示第一样本图像的图像类别以及目标分割图像的图像类别；根据第一训练损失和第二训练损失对第一图像识别模型和第二图像识别模型进行联合训练；将训练完成的第二图像识别模型确定为目标图像识别模型。本公开解决了相关训练方法得到的图像识别模型的识别准确率较低的技术问题。

摘要：本申请公开了一种图像生成方法、装置、设备、存储介质及程序产品，涉及机器学习领域。该方法包括：获取样本图像；对样本图像进行特征提取得到样本特征表示；为样本特征表示增加特征噪声得到扰动特征表示；通过图像生成模型对扰动特征表示进行关键线段预测得到预测图像；对样本图像和预测图像进行像素点对齐操作得到像素损失值；以像素损失值对图像生成模型进行训练，得到目标图像生成模型。通过以上方式，能够借助扩充的结构化图像对图像识别模型进行更全面的模型训练过程，提升图像识别模型的鲁棒性，进而以利于对待识别图像进行更准确的图像分类识别过程。本申请可应用于云技术、人工智能、智慧交通等各种场景。

摘要：本申请属于人工智能技术领域，具体涉及一种图像识别方法、图像识别装置、计算机可读介质、电子设备以及计算机程序产品。该图像识别方法包括：获取待识别的图像；对所述图像进行主类别预测，得到用于表示所述图像与多个主类别的归属关系的主类别预测信息；对所述图像的局部区域进行子类别预测，得到用于表示所述局部区域与多个子类别的归属关系的子类别预测信息，每个子类别与一个主类别具有关联关系；根据所述主类别预测信息、所述子类别预测信息以及所述关联关系预测所述图像所属的目标类别，所述目标类别为所述多个主类别中的一个。本申请可以提高图像内容的识别准确性。

摘要：本申请涉及计算机技术领域，尤其涉及一种图片分类方法、装置、电子设备及存储介质，该方法为：获取待检测图片；将所述待检测图片输入已训练的目标分类模型，获得图片分类结果；其中，所述目标分类模型是通过分别对训练样本集，以及初始分类模型中的模型参数进行迭代更新获得的，更新模型参数时，确定所述各分类类别间的共存关系，并基于由所述共存关系更新后的每个样本图片的分类标签，与对应的预测结果间的分类差异，调整模型参数；更新所述训练样本集时，引导已训练的目标扩散模型基于预设的样本噪声图生成新样本图片。这样，借助于训练后的目标分类模型，能够针对待检测图片有效的进行分类检测，提高图片分类准确性。

摘要：本申请公开了一种图像的处理方法、装置以及存储介质。通过获取参考库和检索库；然后将参考库中的参考图像和提示语输入扩散模型得到估计噪声；并合并得到参考噪声特征；然后确定检索图像对应的多个检索噪声特征；进而根据多个检索噪声特征与参考噪声特征的相似度确定检索图像对应的目标标签，从而实现无需训练的标签配置过程。由于采用由扩散模型所得的参考库和检索库中图像的噪声之差，指示图像相似度匹配的过程，无需训练即可为检索库配置相应的标签，提高了训练数据配置过程中的图像处理效率。