本技術(shù)涉及信息，尤其涉及模型訓(xùn)練、信息確定方法、裝置、設(shè)備、存儲介質(zhì)和計算機程序產(chǎn)品。

背景技術(shù)：

1、手套識別任務(wù)是通過攝像頭拍攝視頻(圖像)，并識別圖像中的人員是否佩戴手套以及手套的類別是否規(guī)范，廣泛應(yīng)用于醫(yī)療、餐飲、工廠車間從業(yè)人員工作規(guī)范的監(jiān)測任務(wù)中。實際算法開發(fā)中，由于攝像頭拍攝的視頻(圖像)清晰度差，硬件更換成本高，且算法需長期迭代，迭代周期長，會極大消耗人力物力且效率低下。此外，拍攝場景多集中于人多物雜的復(fù)雜環(huán)境中，檢測難度較大。為了解決上述問題，相關(guān)技術(shù)中的針對手套的識別技術(shù)方案大多都是在檢測網(wǎng)絡(luò)上進(jìn)行改進(jìn)優(yōu)化，比如優(yōu)化損失函數(shù)、更改模型結(jié)構(gòu)等；但是，相關(guān)技術(shù)中的識別方案對于圖像質(zhì)量較差的環(huán)境，無法準(zhǔn)確檢測手套的佩戴情況。

技術(shù)實現(xiàn)思路

1、為解決上述技術(shù)問題，本技術(shù)實施例期望提供一種模型訓(xùn)練、信息確定方法、裝置、設(shè)備、存儲介質(zhì)和計算機程序產(chǎn)品，解決了相關(guān)技術(shù)中的識別方案無法適用于圖像質(zhì)量較差的環(huán)境的問題，且提高了檢測結(jié)果的準(zhǔn)確性。

2、本技術(shù)的技術(shù)方案是這樣實現(xiàn)的：

3、一種模型訓(xùn)練方法，所述方法包括：

4、獲取樣本圖像；其中，所述樣本圖像中具有目標(biāo)對象，且所述樣本圖像中不具有背景信息；

5、對所述樣本圖像進(jìn)行特征提取，得到樣本特征圖；

6、基于所述樣本特征圖，對初始圖像質(zhì)量強化模型的特征提取網(wǎng)絡(luò)、多尺度高效轉(zhuǎn)化網(wǎng)絡(luò)和上采樣網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，得到目標(biāo)圖像質(zhì)量強化模型；其中，所述特征提取網(wǎng)絡(luò)包括可變形卷積層。

7、上述方案中，所述基于所述樣本特征圖，對初始圖像質(zhì)量強化模型的特征提取網(wǎng)絡(luò)、多尺度高效轉(zhuǎn)化網(wǎng)絡(luò)和上采樣網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，得到目標(biāo)圖像質(zhì)量強化模型，包括：

8、采用所述特征提取網(wǎng)絡(luò)的第一可變形卷積層對所述樣本特征圖進(jìn)行處理，得到第一特征圖；

9、采用所述特征提取網(wǎng)絡(luò)的多層第二可變形卷積層對處理后的第一特征圖進(jìn)行處理，得到第二特征圖；

10、基于所述第一特征圖和所述第二特征圖確定目標(biāo)特征圖；

11、基于所述目標(biāo)特征圖對所述多尺度高效轉(zhuǎn)化網(wǎng)絡(luò)和所述上采樣網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到所述目標(biāo)圖像質(zhì)量強化模型。

12、上述方案中，所述基于所述第一特征圖和所述第二特征圖確定目標(biāo)特征，包括：

13、對所述第一特征圖的尺寸進(jìn)行壓縮處理，得到壓縮后的第一特征圖；

14、采用所述多層第二可變形卷積層對所述壓縮后的第一特征圖進(jìn)行處理，得到第三特征圖；

15、基于所述第二特征圖和所述第三特征圖確定所述目標(biāo)特征圖。

16、上述方案中，所述基于所述第二特征圖和所述第三特征圖確定所述目標(biāo)特征圖，包括：

17、對所述第三特征圖的尺寸進(jìn)行擴展，并將所述第二特征圖和尺寸擴展后的第三特征圖進(jìn)行合并，得到合并特征圖；

18、對所述合并特征圖進(jìn)行處理得到處理后的合并特征圖；

19、基于所述樣本特征圖和所述處理后的合并特征圖，確定所述目標(biāo)特征圖。

20、上述方案中，所述基于所述目標(biāo)特征圖對所述多尺度高效轉(zhuǎn)化網(wǎng)絡(luò)和所述上采樣網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到所述目標(biāo)圖像質(zhì)量強化模型，包括：

21、采用所述多尺度高效轉(zhuǎn)化網(wǎng)絡(luò)的歸一化層對所述目標(biāo)特征圖進(jìn)行處理，得到第四特征圖；

22、基于所述多尺度高效轉(zhuǎn)化網(wǎng)絡(luò)的編碼器對所述第四特征圖進(jìn)行處理，得到處理后的第四特征圖；

23、對所述第四特征圖的尺寸進(jìn)行壓縮處理，并基于所述編碼器對壓縮后的第四特征圖進(jìn)行處理得到第五特征圖；

24、基于所述處理后的第四特征圖和所述第五特征圖，對所述多尺度高效轉(zhuǎn)化網(wǎng)絡(luò)和所述上采樣網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到所述目標(biāo)圖像質(zhì)量強化模型。

25、一種信息確定方法，所述方法包括：

26、獲取具有對象的待處理圖像；

27、基于目標(biāo)對象檢測模型對所述待處理圖像進(jìn)行檢測處理，得到檢測結(jié)果；

28、基于所述檢測結(jié)果對所述待處理圖像進(jìn)行處理，得到第一處理后圖像；其中，所述第一處理后圖像中不具有背景圖像；

29、采用目標(biāo)圖像質(zhì)量強化模型對所述第一處理后圖像進(jìn)行處理，得到第二處理后圖像；

30、采用目標(biāo)信息檢測模型對所述第二處理后圖像進(jìn)行處理，確定所述待處理圖像中的人的目標(biāo)部位是否滿足目標(biāo)特征信息；

31、若所述待處理圖像中的人的目標(biāo)部位不滿足所述目標(biāo)特征信息，基于所述目標(biāo)信息檢測模型對所述待處理圖像中的人的目標(biāo)部位進(jìn)行標(biāo)記并生成告警信息；

32、其中，所述目標(biāo)圖像質(zhì)量強化模型可以是通過上述的模型訓(xùn)練方法進(jìn)行訓(xùn)練得到的。

33、一種模型訓(xùn)練裝置，所述裝置包括：

34、第一獲取單元，用于獲取樣本圖像；其中，所述樣本圖像中具有目標(biāo)對象，且所述樣本圖像中不具有背景信息；

35、第一處理單元，用于對所述樣本圖像進(jìn)行特征提取，得到樣本特征圖；

36、訓(xùn)練單元，用于基于所述樣本特征圖，對初始圖像質(zhì)量強化模型的特征提取網(wǎng)絡(luò)、多尺度高效轉(zhuǎn)化網(wǎng)絡(luò)和上采樣網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，得到目標(biāo)圖像質(zhì)量強化模型；其中，所述特征提取網(wǎng)絡(luò)包括可變形卷積層。

37、一種信息確定裝置，所述裝置包括：

38、第二獲取單元，用于獲取具有對象的待處理圖像；

39、第二處理單元，用于基于目標(biāo)對象檢測模型對所述待處理圖像進(jìn)行檢測處理，得到檢測結(jié)果；

40、第三處理單元，用于基于所述檢測結(jié)果對所述待處理圖像進(jìn)行處理，得到第一處理后圖像；其中，所述第一處理后圖像中不具有背景圖像；

41、所述第二處理單元，還用于采用目標(biāo)圖像質(zhì)量強化模型對所述第一處理后圖像進(jìn)行處理，得到第二處理后圖像；

42、所述第二處理單元，還用于采用目標(biāo)信息檢測模型對所述第二處理后圖像進(jìn)行處理，確定所述待處理圖像中的人的目標(biāo)部位是否滿足目標(biāo)特征信息；

43、所述第二處理單元，還用于若所述待處理圖像中的人的目標(biāo)部位不滿足所述目標(biāo)特征信息，基于所述目標(biāo)信息檢測模型對所述待處理圖像中的人的目標(biāo)部位進(jìn)行標(biāo)記并生成告警信息；

44、其中，所述目標(biāo)圖像質(zhì)量強化模型可以是通過上述的模型訓(xùn)練方法進(jìn)行訓(xùn)練得到的。

45、一種模型訓(xùn)練設(shè)備，所述設(shè)備包括：第一處理器、第一存儲器和第一通信總線；

46、所述第一通信總線用于實現(xiàn)所述第一處理器和所述第一存儲器之間的通信連接；

47、所述第一處理器用于執(zhí)行所述第一存儲器中的模型訓(xùn)練程序，以實現(xiàn)上述的模型訓(xùn)練方法的步驟。

48、一種信息確定設(shè)備，所述設(shè)備包括：第二處理器、第二存儲器和第二通信總線；

49、所述第二通信總線用于實現(xiàn)所述第二處理器和所述第二存儲器之間的通信連接；

50、所述第二處理器用于執(zhí)行所述第二存儲器中的信息確定程序，以實現(xiàn)上述的信息確定方法的步驟。

51、一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有一個或者多個程序，所述一個或者多個程序可被一個或者多個處理器執(zhí)行，以實現(xiàn)上述的模型訓(xùn)練方法或信息確定方法的步驟。

52、一種計算機程序產(chǎn)品，所述計算機程序產(chǎn)品包括計算機程序，所述計算機程序在被處理器執(zhí)行時實現(xiàn)上述方法。

53、本技術(shù)的實施例所提供的模型訓(xùn)練、信息確定方法、裝置、設(shè)備、存儲介質(zhì)和計算機程序產(chǎn)品，可以獲取樣本圖像中，樣本圖像中具有目標(biāo)對象且樣本圖像中不具有背景信息，對樣本圖像進(jìn)行特征提取得到樣本特征圖，基于樣本特征圖對初始圖像質(zhì)量強化模型的特征提取網(wǎng)絡(luò)、多尺度高效轉(zhuǎn)化網(wǎng)絡(luò)和上采樣網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，得到目標(biāo)圖像質(zhì)量強化模型，特征提取網(wǎng)絡(luò)包括可變形卷積層，這樣，可以對具有可變形卷積層的特征提取網(wǎng)絡(luò)、多尺度高效轉(zhuǎn)化網(wǎng)絡(luò)和上采樣網(wǎng)絡(luò)的初始圖像質(zhì)量強化模型進(jìn)行模型訓(xùn)練來得到目標(biāo)圖像質(zhì)量強化模型，進(jìn)而使用該目標(biāo)圖像質(zhì)量強化模型對需要識別的圖像的質(zhì)量進(jìn)行增強，可以極大的提高圖像質(zhì)量，從而解決了相關(guān)技術(shù)中的圖像識別方案無法適用于圖像質(zhì)量較差的環(huán)境的問題，且提高了檢測結(jié)果的準(zhǔn)確性。