CN112766285A - 图像样本生成方法、装置和电子设备 - Google Patents
图像样本生成方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112766285A CN112766285A CN202110107446.4A CN202110107446A CN112766285A CN 112766285 A CN112766285 A CN 112766285A CN 202110107446 A CN202110107446 A CN 202110107446A CN 112766285 A CN112766285 A CN 112766285A
- Authority
- CN
- China
- Prior art keywords
- image
- image sample
- region
- salient
- click rate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000000875 corresponding Effects 0.000 claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 238000000605 extraction Methods 0.000 claims abstract description 26
- 230000004044 response Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000034 method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000003287 optical Effects 0.000 description 6
- 210000004027 cells Anatomy 0.000 description 4
- 230000001537 neural Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 210000003666 Nerve Fibers, Myelinated Anatomy 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000003365 glass fiber Substances 0.000 description 2
- 230000000644 propagated Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000000969 carrier Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006011 modification reaction Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING; COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K9/00—Methods or arrangements for recognising patterns
- G06K9/62—Methods or arrangements for pattern recognition using electronic means
- G06K9/6267—Classification techniques
- G06K9/6268—Classification techniques relating to the classification paradigm, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Computing arrangements based on biological models using neural network models
- G06N3/04—Architectures, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Computing arrangements based on biological models using neural network models
- G06N3/08—Learning methods
Abstract
本公开实施例公开了图像样本生成方法、装置和电子设备。该方法的一具体实施方式包括:将第一图像样本导入预先训练的分类模型,其中,所述分类模型包括至少一个特征提取层,分类模型用于表征图像与预定义类型之间的对应关系;根据特征提取层输出的特征图,确定第一图像样本中的显著性区域;将指示所述显著性区域的显著性区域标签,与所述第一图像样本建立对应关系,其中,所述显著性区域标签和所述第一图像样本用于训练得到显著性检测模型。由此,可以提供一种新的图像样本生成方式。
Description
技术领域 本公开涉及互联网技术领域,尤其涉及一种图像样本生成方法、装置和电子设备。 背景技术 随着互联网的发展,用户越来越多的使用终端设备浏览各类信息。人类视觉系统在面对自然场景时具有快速搜索和定位感兴趣目标的能力,这种视觉注意机制是人们日常生活中处理视觉信息的重要机制。随着互联网带来的大数据量的传播,如何从海量的图像和视频数据中快速地获取重要信息,已经成为计算机视觉领域一个关键的问题。 发明内容 提供该公开内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。 第一方面,本公开实施例提供了一种图像样本生成方法,该方法包括:将第一图像样本导入预先训练的分类模型,其中,所述分类模型包括至少一个特征提取层,分类模型用于表征图像与预定义类型之间的对应关系;根据特征提取层输出的特征图,确定第一图像样本中的显著性区域;将指示所述显著性区域的显著性区域标签,与所述第一图像样本建立对应关系,其中,所述显著性区域标签和所述第一图像样本用于训练得到显著性检测模型。 第二方面,本公开实施例提供了一种图像样本生成装置,包括:导入单元,用于将第一图像样本导入预先训练的分类模型,其中,所述分类模型包括至少一个特征提取层,分类模型用于表征图像与预定义类型之间的对应关系;确定单元,用于根据特征提取层输出的特征图,确定第一图像样本中的显著性区域;建立单元,用于将指示所述显著性区域的显著性区域标签,与所述第一图像样本建立对应关系,其中,所述显著性区域标签和所述第一图像样本用于训练得到显著性检测模型。 第三方面,本公开实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的图像样本生成方法。 第四方面,本公开实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的图像样本生成方法的步骤。 本公开实施例提供的图像样本生成方法、装置和电子设备,通过采用分类模型处理第一图像样本,以分类模型的中间过程图像(特征图)为依据确定显著性区域,可以利用分类模型的特征提取能力,实现确定第一样本图像中的显著性区域。换句话说,训练完成的分类模型,在特征提取的过程中,可以将图像的主要内容和次要内容加以区分,并且突出图像的主要内容。由此,本申请可以提供一种计算机自动确定图像中的显著性区域的方式,从而,降低显著性检测模型的样本生成难度,降低样本生成成本。 附图说明 结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。 图1是根据本公开的图像样本生成方法的一个实施例的流程图; 图2是根据本公开的一种示例性实现方式的流程图; 图3是根据本公开的一个应用场景的示意图; 图4是根据本公开的图像样本生成装置的一个实施例的结构示意图; 图5是本公开的一个实施例的图像样本生成方法可以应用于其中的示例性系统架构; 图6是根据本公开实施例提供的电子设备的基本结构的示意图。 具体实施方式 下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。 应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。 本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。 需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。 需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。 本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。 请参考图1,其示出了根据本公开的图像样本生成方法的一个实施例的流程。如图1所示该图像样本生成方法,包括以下步骤: 步骤101,将第一图像样本导入预先训练的分类模型。 在本实施例中,图像样本生成方法的执行主体(例如服务器)可以将第一图像样本导入预先训练的分类模型。 在本实施例中,上述分类模型可以包括至少一个特征提取层。 在这里,分类模型可以用于对导入分类模型的图像进行分类,分类结果可以是预定义的类型。 在本实施例中,特征提取层可以用于提取图像特征。在这里,特征提取层输出的特征图像,可以称为特征图。 在本实施例中,分类模型可以是基于神经网络构建的。分类模型可以包括特征提取层,还可以包括池化层、全连接层等各种作用的神经网络层。分类模型的具体结构,可以根据实际应用场景设置,在此不做限定。 在本实施例中,上述分类模型用于表征图像和预定义类型之间的对应关系。 在本实施例中,预定义类型可以是预先定义的类型。预定义类型的具体内容、类型数量和表示方式,可以根据实际应用场景设置,在此不做限定。 步骤102,根据特征提取层输出的特征图,确定第一图像样本中的显著性区域。 在本实施例中,特征图(feature map)可以用于表征第一图像样本的特征。 在一些相关技术中,视觉显著性(Visual Attention Mechanism,VA,即视觉注意机制)是指面对一个场景时,人类自动地对感兴趣区域进行处理而选择性地忽略不感兴趣区域,这些人们感兴趣区域被称之为显著性区域。对于未知显著性区域的图片,可以进行显著性检测,预测人们可能感兴趣的区域,作为显著性区域。 步骤103,将指示显著性区域的显著性区域标签,与第一图像样本建立对应关系。 在本实施例中,上述显著性区域标签,可以指示第一图像样本中的显著性区域。 在本实施例中,将显著性区域标签与第一图像样本建立对应关系,可以理解为为第一图像样本添加显著性区域标签。 在本实施例中,所述显著性区域标签和所述第一图像样本用于训练得到显著性检测模型。 需要说明的是,本实施例提供的图像样本生成方法,通过采用分类模型处理第一图像样本,以分类模型的中间过程图像(特征图)为依据确定显著性区域,可以利用分类模型的特征提取能力,实现确定第一样本图像中的显著性区域。换句话说,训练完成的分类模型,在特征提取的过程中,可以将图像的主要内容和次要内容加以区分,并且突出图像的主要内容。由此,本申请可以提供一种计算机自动确定图像中的显著性区域的方式,从而,降低显著性检测模型的样本生成难度,降低样本生成成本。 在一些实施例中,上述步骤102,可以包括:从所述特征图中,确定响应得分率大于预设响应得分率阈值的区域;根据所确定的区域,确定显著性区域。 在这里,上述特征图中各个像素的像素值,可以称为响应得分。 在这里,所确定的区域的响应得分,可以是该区域中的像素的响应得分之和。 在这里,上述响应得分率,可以是该区域的响应得分与特征图中响应总得分之间的比值。 在这里,可以采用各种方式,确定响应得分率符合上述要求(大于预设响应得分率阈值)的区域。 在这里,所确定的区域的个数可以是若干个,然后可以根据若干个区域中,确定显著性区域。例如,可以从若干个符合要求的区域中,选取面积最小的区域作为显著性区域。 需要说明的是,从特征图中,根据响应得分率确定显著性区域,可以保证显著性区域的响应得分较大的同时,显著性区域的面积可以尽量小,从而,获取面积尽量小的显著性区域,即可以提高显著性区域的准确性。 在一些实施例中,上述分类模型可以通过第一步骤训练得到。 在本实施例中,第一步骤可以包括步骤201和步骤202。 步骤201,将第二图像样本导入初始分类模型,得到分类结果。 在这里,可以根据实际应用场景,构建初始分类模型。初始分类模型可以输出对第二图像样本的分类结果。 在这里,初始分类模型可以是未经训练或者训练未完成的神经网络。 在这里,第二图像样本具有类型标签,类型标签可以指示图像点击率。 可选的,图像点击率可以采用连续数值的形式表示,也可以采用点击率等级的形式表示。例如,可以采用高点击率和低点击率两个等级作为类型标签,高低的划分依据可以是各种各样的。 步骤202,基于分类结果与第二图像样本的类型标签,调整初始分类模型。 在这里,第二图像样本的类型标签可以指示图像点击率。 在这里,图像点击率的确定,可以采用各种方式,在此不做限定。例如,可以从历史搜索展现结果中,确定图像点击率。 需要说明的是,采用指示图像点击率的类型标签,训练初始分类模型得到分类模型,可以利用图像点击率与用户注意力的关联关系,提高分类模型可以对于用户较为关注图像的特征提取能力。换句话说,显著性区域检测的目的是找出用户可能关注的图像区域,用户点击率能够一定程度反映用户对图像的关注程度。由此,采用指示图像点击率的类型标签训练得到的分类模型,可以对用户可能关注的区域进行准确提取,从而提高确定显著性区域的准确率。 在一些实施例中,上述第二图像样本和对应的类型标签,可以通过第二步骤生成。在这里,第二步骤可以包括:将候选图像导入点击模型,得到预估点击率;根据预估点击率,从候选图像中确定第二图像样本,以及生成第二图像样本对应的类型标签。 在这里,候选图像的数量可以是多个。点击模型可以各个候选图像,得到各个候选图像对应的预估点击率。 在这里,点击模型(Click Model)是对用户点击行为的建模。根据用户的历史点击信息,对用户的兴趣和行为进行建模,以对用户的未来点击行为进行预测,提高相关性。 需要说明的是,采用点击模型选取第二图像样本,以及根据预估点击率生成第二图像样本的类型标签,可以利用点击模型对于用户关注程度的预测能力,对未展示过的第二图像样本进行预测,由此,可以将候选图像范围扩大。另一方面,采用点击模型选取第二图像样本和生成类型标签,可以减少人工处理量,提供处理速度,以及节省时间和人力成本。 在一些实施例中,上述步骤根据预估点击率,从候选图像中确定所述第二图像样本,以及生成第二图像样本对应的类型标签,可以包括:将预估点击率大于第一点击率阈值的候选图像,确定为与第一类型标签对应的第二候选图像;将预估点击率小于第二点击率阈值的候选图像,确定为与第二类型标签对应的第二候选图像。 在这里,第一点击率阈值可以不小于第二点击率阈值。换句话说,第一点击率阈值可以大于或者等于第二点击率阈值。第一点击率阈值和第二点击率阈值的确定,可以根据实际应用场景设置,在此不做限定。作为示例,大于第一点击率阈值的预估点击率对应的候选图像,可以占候选图像总数的30%;小于第二点击率阈值的预估点击率对应的候选图像,可以占候选图像总数的30%。 在这里,第一类型标签可以指示较高点击率。第二类型标签可以指示较低点击率。 需要说明的是,采用设置点击率阈值,确定两种类型标签的方式,可以使得第二候选图像和对应的类型标签较为简单,在保证所训练的分类模型的准确度的同时,降低利用第二候选图像训练分类模型的难度。 在一些实施例中,上述方法还可以包括:将待处理图像导入预先训练的显著性检测模型,得到显著性区域指示信息;基于显著性区域指示信息,对待处理图像进行裁剪,得到待处理图像对应的裁剪后图像。 在这里,上述显著性检测模型,可以利用第一图像样本和显著性区域标签训练得到。 在这里,上述显著性区域指示信息,可以指示待处理图像中的显著性区域。 在这里,可以以显著性区域指示信息为基础,对待处理图像进行裁剪,得到裁剪后图像。 需要说明的是,由于显著性检测模型利用第一图像样本和显著性区域标签训练得到,采用显著性检测模型确定的显著性区域,可以提高所确定的显著性区域的准确性。 在一些实施例中,可以采用各种方式,基于显著性区域指示信息对待处理图像进行裁剪。 在一些实施例中,上述步骤基于显著性区域指示信息,对所述待处理图像进行裁剪,得到所述待处理图像对应的裁剪后图像,可以包括:根据显著性区域信息指示的显著性区域尺寸和目标尺寸,确定裁剪保留区域;根据所确定的裁剪保留区域,对待处理图像进行裁剪。 在这里,目标尺寸可以是期望得到的处理后图像的尺寸。 在这里,裁剪保留区域,可以指裁剪待处理图像的时候需要保留的区域。 可选的,如果显著性区域尺寸大于目标尺寸,可以以显著性区域的中心开始裁剪,以目标尺寸为界限进行裁剪,得到裁剪后图像。 可选的,如果显著性区域尺寸不大于目标尺寸,可以对显著性区域进行补边,将显著性区域的尺寸补到目标尺寸,得到裁剪后图像。 需要说明的是,根据显著性区域尺寸和目标尺寸确定裁剪保留区域,可以两者的大小设置合适的裁剪保留区域,保证满足目标尺寸需求,提高对待处理图像进行裁剪的准确性。 在一些实施例中,显著性检测模型可以通过第三步骤训练得到。第三步骤可以包括:将第一图像样本导入初始显著性检测模型,得到检测结果;根据第一图像样本对应的显著性区域标签和检测结果,调整初始显著性检测模型。 在这里,初始显著性检测模型,可以是未经训练的或者未训练完成的神经网络。初始显著性检测模型的具体结果,可以根据实际应用场景设置,在此不做限定。 在这里,检测结果可以指示预测显著性区域。 在这里,可以计算显著性区域标签和检测结果之间的损失,根据损失调整初始显著性检测模型的参数。 需要说明的是,采用第一图像样本训练显著性检测模型,由于第一图像样本具有标签准确性高和样本成本较低的特点,因此可以获取大量第一图像样本进行训练,从而不仅可以从单个样本准确性高的角度提高模型准确率,而且可以从样本数量较多的角度提高模型准确率。 在一些应用场景中,请参考图3,其示出了根据本申请的实施例的应用场景。 点击模型可以对候选图像进行处理,得到第二图像样本和第二图像样本的类型标签。 第二图像样本和对应的类型标签,可以用于训练初始分类模型,得到分类模型。 分类模型可以用于处理第一图像样本,得到显著性区域标签。 第一图像样本和显著性区域标签,可以用于训练初始显著性检测模型,得到显著性检测模型。 显著性检测模型,可以用于处理待处理图像,得到待处理图像的显著性区域指示信息。 基于显著性区域指示信息,可以对待处理图像进行裁剪,得到裁剪后图像。 进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种图像样本生成装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。 如图4所示,本实施例的图像样本生成装置包括:导入单元401、确定单元402和建立单元403。其中,导入单元,用于将第一图像样本导入预先训练的分类模型,其中,所述分类模型包括至少一个特征提取层,分类模型用于表征图像与预定义类型之间的对应关系;确定单元,用于根据特征提取层输出的特征图,确定第一图像样本中的显著性区域;建立单元,用于将指示所述显著性区域的显著性区域标签,与所述第一图像样本建立对应关系,其中,所述显著性区域标签和所述第一图像样本用于训练得到显著性检测模型。 在本实施例中,图像样本生成装置的导入单元401、确定单元402和建立单元403的具体处理及其所带来的技术效果可分别参考图1对应实施例中步骤101、步骤102和步骤103的相关说明,在此不再赘述。 在一些实施例中,所述根据特征提取层输出的特征图,确定第一图像样本中的显著性区域,包括:从所述特征图中,确定响应得分率大于预设响应得分率阈值的区域,其中,响应得分率为该区域的响应得分与特征图中响应总得分之间的比值;根据所确定的区域,确定显著性区域。 在一些实施例中,所述分类模型通过第一步骤训练得到,第一步骤包括:将第二图像样本导入初始分类模型,得到分类结果;基于分类结果与第二图像样本的类型标签,调整所述初始分类模型,其中,类型标签用于指示图像点击率。 在一些实施例中,第二图像样本和对应的类型标签通过第二步骤生成,其中,第二步骤包括:将候选图像导入点击模型,得到预估点击率,其中,所述点击模型用于表征图像与预估点击率之间的对应关系;根据预估点击率,从候选图像中确定所述第二图像样本,以及生成第二图像样本对应的类型标签。 在一些实施例中,所述根据预估点击率,从候选图像中确定所述第二图像样本,以及生成第二图像样本对应的类型标签,包括:将预估点击率大于第一点击率阈值的候选图像,确定为与第一类型标签对应的第二候选图像;将预估点击率小于第二点击率阈值的候选图像,确定为与第二类型标签对应的第二候选图像,其中,第一点击率阈值不小于第二点击率阈值。 在一些实施例中,所述装置还用于:将待处理图像导入预先训练的显著性检测模型,得到显著性区域指示信息,其中,所述显著性检测模型利用第一图像样本和显著性区域标签训练得到;基于显著性区域指示信息,对所述待处理图像进行裁剪,得到所述待处理图像对应的裁剪后图像。 在一些实施例中,所述基于显著性区域指示信息,对所述待处理图像进行裁剪,得到所述待处理图像对应的裁剪后图像,包括:根据显著性区域指示信息指示的显著性区域尺寸和目标尺寸,确定裁剪保留区域;根据所确定的裁剪保留区域,对待处理图像进行裁剪。 在一些实施例中,所述显著性检测模型通过第三步骤训练得到,其中,第三步骤包括:将第一图像样本导入初始显著性检测模型,得到检测结果;根据第一图像样本对应的显著区域标签和检测结果,调整初始显著性检测模型。 请参考图5,图5示出了本公开的一个实施例的图像样本生成方法可以应用于其中的示例性系统架构。 如图5所示,系统架构可以包括终端设备501、502、503,网络504,服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。 终端设备501、502、503可以通过网络504与服务器505交互,以接收或发送消息等。终端设备501、502、503上可以安装有各种客户端应用,例如网页浏览器应用、搜索类应用、新闻资讯类应用。终端设备501、502、503中的客户端应用可以接收用户的指令,并根据用户的指令完成相应的功能,例如根据用户的指令在信息中添加相应信息。 终端设备501、502、503可以是硬件,也可以是软件。当终端设备501、502、503为硬件时,可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备501、502、503为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。 服务器505可以是提供各种服务的服务器,例如接收终端设备501、502、503发送的信息获取请求,根据信息获取请求通过各种方式获取信息获取请求对应的展示信息。并展示信息的相关数据发送给终端设备501、502、503。 需要说明的是,本公开实施例所提供的图像样本生成方法可以由终端设备执行,相应地,图像样本生成装置可以设置在终端设备501、502、503中。此外,本公开实施例所提供的图像样本生成方法还可以由服务器505执行,相应地,图像样本生成装置可以设置于服务器505中。 应该理解,图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。 下面参考图6,其示出了适于用来实现本公开实施例的电子设备(例如图5中的终端设备或服务器)的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。 如图6所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。 通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。 特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。 需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。 在一些实施方式中,客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。 上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。 上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:将第一图像样本导入预先训练的分类模型,其中,所述分类模型包括至少一个特征提取层,分类模型用于表征图像与预定义类型之间的对应关系;根据特征提取层输出的特征图,确定第一图像样本中的显著性区域;将指示所述显著性区域的显著性区域标签,与所述第一图像样本建立对应关系,其中,所述显著性区域标签和所述第一图像样本用于训练得到显著性检测模型。 可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。 附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。 描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,导入单元还可以被描述为“将第一图像样本导入预先训练的分类模型的单元”。 本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(A SSP)、片上系统(SO C)、复杂可编程逻辑设备(CPLD)等等。 在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。 以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。 此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。 尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。