图像处理方法、装置、存储介质及电子设备

技术领域

本公开涉及图像处理技术领域，具体地，涉及一种图像处理方法、装置、存储介质及电子设备。

背景技术

图像处理领域中，池化可以将小邻域内的特征点整合得到新的特征，也被称为特征聚合。相关技术中池化方式包括最大值池化(max-pooling)、k-最大值池化(k-maxpooling)、均值池化(average pooling)等方式。实际应用中，需要针对图像特征提取器的类型人工选取对应的池化方式，当图像特征提取器的类型发生变化时，需要重新选择对应的池化方式，耗费人力和时间。以k-最大值池化为例，需要多次实验尝试不同k值来找出最优特征聚合函数，调参开销大。

发明内容

提供该发明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。该发明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，本公开提供一种图像处理方法，所述方法包括：

获取待处理的目标图像中对应的目标图像特征；

确定长度与所述目标图像特征长度一致的位置向量，所述位置向量包括依次排列的多个位置编号，所述位置编号与所述目标图像特征一一对应；

将所述位置向量转换为二维的位置编码向量，其中，每一所述位置编码向量各不相同，且所述位置编码向量的排列顺序与对应的所述位置向量的排列顺序一致；

根据所述位置编码向量和序列模型确定所述目标图像特征的池化系数；

将所述池化系数与所述目标图像特征进行点乘，以得到所述目标图像的图像池化结果。

第二方面，本公开提供一种图像处理装置，所述装置包括：

获取模块，用于获取待处理的目标图像中对应的目标图像特征；

第一确定模块，用于确定长度与所述目标图像特征长度一致的位置向量，所述位置向量包括依次排列的多个位置编号，所述位置编号与所述目标图像特征一一对应；

转换模块，用于将所述位置向量转换为二维的位置编码向量，其中，每一所述位置编码向量各不相同，且所述位置编码向量的排列顺序与对应的所述位置向量的排列顺序一致；

第二确定模块，用于根据所述位置编码向量和序列模型确定所述目标图像特征的池化系数；

点乘模块，用于将所述池化系数与所述目标图像特征进行点乘，以得到所述目标图像的图像池化结果。

第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面中所述方法的步骤。

第四方面，本公开提供一种电子设备，其特征在于，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面中所述方法的步骤。

通过上述技术方案，通过上述方式，可以确定长度与目标图像特征长度一致的位置向量，然后将位置向量转换为二维的位置编码向量，从而根据该二维的位置编码向量确定池化系数，进而得到目标图像的图像池化结果。由此，池化系数可以根据目标图像特征自适应变化，当特征提取器类型发生变化导致提取出的图像特征发生变化时，无需重新确定池化方式，可以避免多次实验调参搜索，从而减少图像池化过程中的耗费的人力和时间。并且，池化系数可以根据目标图像特征的长度自适应变化，从而可以支持对变长特征的自适应池化，灵活地对不同长度的图像特征进行池化处理，满足不同场景下的池化需求。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

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。在附图中：

图1是根据本公开一示例性实施例示出的一种图像处理方法的流程图；

图2是根据本公开一示例性实施例示出的一种图像处理方法的过程示意图；

图3是根据本公开一示例性实施例示出的一种图像处理装置的框图；

图4是根据本公开一示例性实施例示出的一种电子设备的框图。

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。另外需要注意，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。

图像处理领域中，池化可以将小邻域内的特征点整合得到新的特征，也被称为特征聚合。广义的图像池化可以这样理解：对于特征提取器提取得到的特征集F，维度记为N×D，其中N为特征集F中的特征元素数量(对于图片特征而言，N可以是特征的网格的个数，即N＝H×W，H为图像特征图的高度，W为图像特征图的宽度；对于视频而言，N可以是视频帧数；对于文本而言，N可以是文字或分词个数)，D表示特征通道数，图像池化算子φ可以定义为：

通过对特征集F的N个D维特征向量，在特征元素个数(N)这个维度进行特征聚合(即池化处理)，可以得到一个全局的特征向量。

池化被广泛应用于各种图像处理过程。比如，在利用图像与文本的相关性来学习视觉表征与文本表征的图文嵌入模型中，首先分别对输入的图像与输入的文本进行特征提取，再将图像模态和文本模态的特征分别进行聚合(即池化处理)，并将聚合后的特征映射到一个共享的低维空间中，从而实现图文嵌入模型的训练。由此，训练后的图文嵌入模型可以直接应用于图文匹配、检索等场景，如给定查询文本，找出数据库中与该文本最相关的图片。或者，训练得到的图片表征和文本表征可以为推荐系统提供高质量的内容侧特征，以提升推荐系统的性能，缓解冷启动问题。又或者，作为一个多模态预训练任务，可以将训练后的图片特征提取器或文本特征提取器(如卷积神经网络、序列模型等)迁移至其他视觉或文本任务(如图片物体识别、文本分类等)，作为初始特征提取器，以降低训练难度。

发明人在实验中发现，特征聚合方式对图文嵌入模型的性能影响较大。同时，仔细调参后选出的无可学习参数的池化方式往往能比目前常用的一些带有可学习参数的复杂特征池化方式效果更好，速度更快。但是，目前在训练图文嵌入模型时，需要对两侧模态特征的所有可能的池化方式进行两两组合的网格搜索(grid search)，进行大量重复实验，才能确保找到最佳设定，最大化整体模型的性能。值得注意的是，视频、图片、文本这些模态的数据各有特点，且有的模态的特征天然是变长的，已有的池化方式不具备通用性，不存在一个能在不同的模态上都达到最佳效果的通用池化方式。而且在同一模态内，不同的特征提取器提取出来的特征集的分布也可能存在明显差异，在一种特征提取器上最适用的池化模块，并不一定能在另一种特征提取器上也获得最好的效果。举个例子，对于图像特征模态，存在循环神经网络类特征提取器(如GRU、LSTM等)和Transformer类特征提取器(如BERT等)，这两种不同特征提取器原理不同，对应的最合适的池化方式也不同，已有的池化方式无法做到同时在这两种不同特征提取器上都得到最优效果。因此，我们需要一种灵活的能根据特征模态类型、特征提取器类型自动调整池化形式的自适应池化模块。

此外，发明人还研究发现，相关技术中的池化方法只适用于在训练时能保证特征长度不变的图片数据，但输入特征长度发生变化时，无法得到较好的池化效果。因此，我们也需要一个能更好地支持变长特征的池化方式。

有鉴于此，本公开提供一种图像处理方法、装置、存储介质及电子设备，以提供支持变长特征的自适应池化方式，减少图像处理过程中池化操作所需的人力和时间，提高图像池化效率，进而提高图像处理效率。

图1是根据本公开一示例性实施例示出的一种图像处理方法的流程图。参照图1，该图像处理方法包括：

步骤101，获取待处理的目标图像中对应的目标图像特征。

步骤102，确定长度与目标图像特征长度一致的位置向量，该位置向量包括依次排列的多个位置编号，该位置编号与目标图像特征一一对应。

步骤103，将位置向量转换为二维的位置编码向量，其中，每一位置编码向量各不相同，且位置编码向量的排列顺序与对应的位置向量的排列顺序一致。

步骤104，根据位置编码向量和序列模型确定目标图像特征的池化系数；

步骤105，将池化系数与目标图像特征进行点乘，以得到目标图像的图像池化结果。

通过上述方式，可以确定长度与目标图像特征长度一致的位置向量，然后将位置向量转换为二维的位置编码向量，从而根据该二维的位置编码向量确定池化系数，进而得到目标图像的图像池化结果。由此，池化系数可以根据目标图像特征自适应变化，当特征提取器类型发生变化导致提取出的图像特征发生变化时，无需重新确定池化方式，可以避免多次实验调参搜索，从而减少图像池化过程中的耗费的人力和时间。并且，池化系数可以根据目标图像特征的长度自适应变化，从而可以支持对变长特征的自适应池化，灵活地对不同长度的图像特征进行池化处理，满足不同场景下的池化需求。

为了使得本领域技术人员更加理解本公开提供的图像处理方式，下面对上述各步骤进行详细举例说明。

示例地，在图文匹配场景下，比如通过图片检索对应文本的场景下，获取待处理的目标图像可以是响应于用户触发的图像输入操作，获取用户输入的图像，或者可以是在用户授权的情况下获取电子设备实时拍摄的图像，等等。当然，在其他图像处理场景下，获取待处理的目标图像还可以是其他任意可能的图像获取方式，比如从网络上下载公开的图像，或者获取每一帧视频中的帧图像作为目标图像，等等，本公开实施例对此不作限定。

在获取待处理的目标图像之后，可以通过图像特征提取器(比如卷积神经网络、序列模型等)提取目标图像中的图像特征。或者，在目标图像为视频帧图像的情况下，提取目标图像中的图像特征可以是通过视频特征提取器提取每一帧视频的图像特征，以得到目标图像特征。由此，可以将本公开实施例提供的图像处理方法应用于视频文本匹配过程中对从视频提取出的帧图像特征进行池化处理。

在可能的方式中，可以将提取到的所有图像特征作为目标图像特征进行后续的处理。此外，发明人研究发现，在模型训练阶段，在池化前将特征元素进行随机丢弃(如对于图片特征，随机丢弃特征网格中的某些格子)可以提升训练得到的模型的泛化能力。因此，在另一可能的方式中，可以先获取待处理的目标图像对应的全部图像特征，然后对全部图像特征中的至少一个图像特征进行随机丢弃，以得到目标图像对应的目标图像特征。

然后，可以确定长度与目标图像特征长度一致的位置向量，该位置向量包括依次排列的多个位置编号，位置编号与目标图像特征一一对应。比如，特征提取器提取得到的特征集F中特征元素数量为N，若将该特征集中的全部图像特征作为目标图像特征，即目标图像特征长度为N，则可以确定位置向量

之后，可以将位置向量转换为二维的位置编码向量，比如上述举例中，可以将位置向量

在可能的方式中，获取待处理的目标图像对应的目标图像特征可以是：获取待处理的目标图像中至少一个通道对应的目标图像特征。相应地，将位置向量转换为二维的位置编码向量可以是：针对位置向量中的每一位置编号，确定该位置编号对应的、维度与目标图像特征的通道数一致的一维向量，以得到位置向量对应的二维位置编码向量。

比如，对于特征提取器提取得到的特征集F，维度记为N×D，其中N为特征集F中的特征元素数量，即特征长度，D表示特征通道数。在每一通道目标图像特征长度均为N的情况下，每一通道目标图像特征对应的位置向量

应当理解的是，确定位置编码向量中每个一维向量的具体取值可以根据预设的位置编码函数实现，或者可以给每个位置编号一个可学习向量作为其位置编码向量，让模型在训练过程中学习每个位置编号的位置编码向量。当然，还可以根据其他可能的方式将位置向量转换为二维的位置编码向量，本公开实施例对此不作限定。下面对上述提及的两种可能方式进行说明。

在可能的方式中，确定位置编号对应的、维度与目标图像特征的通道数一致的一维向量可以是：根据位置编码函数确定位置编号对应的、维度与目标图像特征的通道数一致的一维向量，该位置编码函数用于通过第一转换计算确定一维向量中奇数位置的元素值，并通过第二转换计算确定一维向量中偶数位置的元素值。

例如，对于特征提取器提取得到的特征集F，维度记为N×D，其中N为特征集F中的特征元素数量，即特征长度，D表示特征通道数。在每一通道目标图像特征长度均为N的情况下，每一通道目标图像特征对应的位置向量

其中，

对于一维向量中偶数位置的元素值，通过第一转换计算sin(w

通过上述方式，位置编码函数可以将特征根据大小排序后的位置编号转化为连续向量，并保留了位置编号中的顺序、相对距离信息，能有效减轻后续序列模型的学习难度和处理难度。

在另一可能的方式中，本公开实施例提供的图像处理方法可以封装在图像处理模型中，确定位置编号对应的、维度与目标图像特征的通道数一致的一维向量可以是：根据图像处理模型的预训练参数确定位置编号对应的、维度与目标图像特征的通道数一致的一维向量。该图像处理模型的预训练参数可以通过如下方式训练得到的：针对长度与样本图像特征的长度一致的样本位置向量中每一位置编号确定样本向量，以得到样本位置编码向量，该样本向量为维度与所述样本图像特征的通道数相同的样本一维向量。然后，根据样本位置编码向量对样本图像特征进行池化处理，并根据池化处理后的样本图像特征，确定图像处理结果。根据图像处理结果与样本图像特征对应的样本图像中预先标注的样本图像处理结果，调整图像处理模型的参数。

示例地，图像处理模型可以为图文匹配模型，则样本图像处理结果可以是样本图像对应的文本匹配结果，或者图像处理模型可以为图像分类模型，则样本图像处理结果为样本图像对应的图像分类结果，等等，本公开实施例对于图像处理模型不作限定。

以图文匹配模型为例，其训练过程可以包括如下过程：

1、将样本数据集中每个互相匹配的图像模态样本x

2、对每个配对样本(x

2.1、通过图像特征提取器提取图像模态样本x

2.2、对特征集

2.3、对特征集F

2.4、通过图像特征提取器提取图像模态样本x

2.5、对特征集

2.6、对特征集F

2.7采样不匹配的图像模态样本x

3、对步骤2中的每个样本对(比如(x

在步骤2.3中，可以针对长度与样本图像特征的长度一致的样本位置向量中每一位置编号确定样本向量，以得到样本位置编码向量，然后根据样本位置编码向量对样本图像特征进行池化处理。由此，在后续过程中，通过随机梯度下降算法训练至模型收敛的过程中，模型可以自动调整参数，以得到更加准确的样本编码向量。在模型应用阶段，则可以根据模型的预训练参数确定位置编号对应的、维度与目标图像特征的通道数一致的一维向量，以将目标图像特征对应的位置向量转换为位置编码向量，便于后续图像处理。

在得到位置编码向量后，可以根据位置编码向量和序列模型确定目标图像特征的池化系数。在可能的方式中，可以将位置编码向量输入序列模型，以得到序列处理结果，然后归一化序列处理结果，以得到目标图像特征的池化系数。

示例地，序列模型可以包括双向门控循环神经网络模型，即双向GRU模型。应当理解的是，双向GRU模型是一种简单高效的序列模型，既有足够的模型表达能力来确保其能在训练过程中找到适合的池化系数，又不会带来过多的计算开销。当然，在其他可能的方式中，序列模型可以包括Transformer、LSTM(Long Short-Term Memory，长短期记忆网络)等，本公开实施例对此不作限定。

以双向GRU模型为例，在得到位置编码向量p为

最后，可以将池化系数与目标图像特征进行点乘，以得到目标图像的图像池化结果。比如，可以将至少一个通道对应的目标图像特征进行排序。针对每个排序后的特征通道

例如，参照图2，通道数D为3，目标图像特征的长度为N。先对每一通道的目标图像特征进行排序。比如，对于第一通道排序前为8、9、4，排序后为9、8、4。对于池化系数的确定，可以参照图2下半部分。先确定长度与目标图像特征长度一致的位置向量(1,…,k,…,N)。然后通过位置编码函数将该位置向量转换为位置编码向量

通过上述方式，可以通过位置编码函数保留各个位置编号的顺序信息，以便后续模型使用该信息来为不同位置的特征值产生池化系数。同时，双向GRU模型可以处理任意长度的输入序列，并且有能力在训练中拟合包括最大值池化、均值池化、k-最大值池化在内的任意池化操作。由此，池化系数可以根据目标图像特征的长度自适应变化，避免多次实验调参搜索，从而减少图像池化过程中的耗费的人力和时间。

此外，将本公开实施例中提供的图像处理方式应用于图像处理模型，可以在提升图像处理结果准确性的同时，减少调参开销，实现对变长图像特征的自适应池化。

例如，图像处理模型为图文匹配模型，图文数据集COCO-caption上进行图文匹配的实验。该数据集训练集大小为约12万张图片，测试集大小为5000张图片，其中每张图片有5句对应的描述图片内容的文本。采用VSE++作为基础图文匹配方法(使用均值池化)，在其基础上加入本公开提供的池化方式。同时，采用更复杂的图文匹配方法进行比较，包括SCAN和VSRN。其中，VSE++是多模态嵌入模型的经典方法，常用于语图片文本匹配、视频文本匹配，其通过在损失函数中挖掘更难的负样本来提升多模态特征匹配模型的性能。SCAN是一种使用注意力机制对文本中的词语信息和图片中的物体信息进行跨模态建模的图文匹配方法。VSRN是一种使用神经网络来对图片中的物体、语义信息进行聚合，再和文本信息进行匹配的图文匹配方法。应当理解的是，实验中各方法执行过程中的其他因素，比如图片特征提取器(使用了在COCO物体检测上预训练过的Faster-RCNN)、文本特征提取器(使用了双向GRU)、输入图片的大小(测试时图片大小均为600x1000)等完全相同。最终，可以得到表1所示的结果：

表1

参照表1可知，结合本公开提供的池化方式可以显著提升基础图文匹配模型在标准数据集上的性能，只增加非常小的额外计算开销，便可以使简单的基础方法VSE++超越近年来被提出的更复杂的方法SCAN和VSRN，而且无需任何额外的调参过程，可以提升效率。

又例如，以视频文本匹配场景为例，即针对从视频提取到的每一帧图像的图像特征执行本公开提供的池化方式，并将得到的视频文本匹配结果与未执行本公开提供的池化方式进行比对。具体地，视频文本数据集MSR-VTT上进行了视频文本匹配实验。该数据集训练集包含6573段视频，测试集包含2990段视频，剩余视频属于验证集。其中每个视频有20句对应的描述视频内容的文本。采用VSE++和HGR作为视频文本匹配的基础方法，并在它们各自的模型设计上替换本公开提供的特征池化方式，作为视频和文本的特征聚合函数。其中，HGR是一种通过不同粒度的跨模态信息匹配来进行视频文本匹配的方法。应当理解的是，实验中各方法执行过程中的其他因素，比如视频特征提取器(都使用了ResNet-152来提取每一帧视频的图片特征)、文本特征提取器(都使用了双向GRU)、视频采样率等完全相同。最终，可以得到表2所示的结果：

表2

参照表2可知，本公开提供的池化方式不仅可以避免多次实验调参搜索，支持对变长特征的自适应池化，而且可以稳定提升两种基础视频文本匹配方法在标准数据集上的性能。

基于同一发明构思，本公开实施例还提供一种图像处理装置。参照图3，该图像处理装置300包括：

获取模块301，用于获取待处理的目标图像中对应的目标图像特征；

第一确定模块302，用于确定长度与所述目标图像特征长度一致的位置向量，所述位置向量包括依次排列的多个位置编号，所述位置编号与所述目标图像特征一一对应；

转换模块303，用于将所述位置向量转换为二维的位置编码向量，其中，每一所述位置编码向量各不相同，且所述位置编码向量的排列顺序与对应的所述位置向量的排列顺序一致；

第二确定模块304，用于根据所述位置编码向量和序列模型确定所述目标图像特征的池化系数；

点乘模块305，用于将所述池化系数与所述目标图像特征进行点乘，以得到所述目标图像的图像池化结果。

可选地，所述获取模块301用于：

获取待处理的目标图像中至少一个通道对应的目标图像特征；

所述转换模块303用于：

针对所述位置向量中的每一位置编号，确定所述位置编号对应的、维度与所述目标图像特征的通道数一致的一维向量，以得到所述位置向量对应的二维位置编码向量。

可选地，所述转换模块303用于：

根据位置编码函数确定所述位置编号对应的、维度与所述目标图像特征的通道数一致的一维向量，所述位置编码函数用于通过第一转换计算确定所述一维向量中奇数位置的元素值，并通过第二转换计算确定所述一维向量中偶数位置的元素值。

可选地，所述转换模块303用于：

根据所述图像处理模型的预训练参数确定所述位置编号对应的、维度与所述目标图像特征的通道数一致的一维向量，所述图像处理模型的预训练参数是通过如下方式训练得到的：

针对长度与样本图像特征的长度一致的样本位置向量中每一位置编号确定样本向量，以得到样本位置编码向量，所述样本向量为维度与所述样本图像特征的通道数相同的样本一维向量；

根据所述样本位置编码向量对所述样本图像特征进行池化处理，并根据池化处理后的所述样本图像特征，确定图像处理结果；

根据所述图像处理结果与所述样本图像特征对应的样本图像中预先标注的样本图像处理结果，调整所述图像处理模型的参数。

可选地，所述获取模块301用于：

获取待处理的目标图像对应的全部图像特征；

对所述全部图像特征中的至少一个图像特征进行随机丢弃，以得到所述目标图像对应的目标图像特征。

可选地，所述第二确定模块304用于：

将所述位置编码向量输入序列模型，以得到序列处理结果；

归一化所述序列处理结果，以得到所述目标图像特征的池化系数。

可选地，所述序列模型包括双向门控循环神经网络模型。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

基于同一发明构思，本公开实施例还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现上述任一图像处理方法的步骤。

基于同一发明构思，本公开实施例还提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现上述任一图像处理方法的步骤。

下面参考图4，其示出了适于用来实现本公开实施例的电子设备400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4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4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：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406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，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409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401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，可以利用诸如HTTP(HyperText Transfer Protocol，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：获取待处理的目标图像中对应的目标图像特征；确定长度与所述目标图像特征长度一致的位置向量，所述位置向量包括依次排列的多个位置编号，所述位置编号与所述目标图像特征一一对应；将所述位置向量转换为二维的位置编码向量，其中，每一所述位置编码向量各不相同，且所述位置编码向量的排列顺序与对应的所述位置向量的排列顺序一致；根据所述位置编码向量和序列模型确定所述目标图像特征的池化系数；将所述池化系数与所述目标图像特征进行点乘，以得到所述目标图像的图像池化结果。

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模块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，模块的名称在某种情况下并不构成对该模块本身的限定。

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(ASSP)、片上系统(SOC)、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。

根据本公开的一个或多个实施例，示例1提供了一种图像处理方法，所述方法包括：

获取待处理的目标图像中对应的目标图像特征；

确定长度与所述目标图像特征长度一致的位置向量，所述位置向量包括依次排列的多个位置编号，所述位置编号与所述目标图像特征一一对应；

将所述位置向量转换为二维的位置编码向量，其中，每一所述位置编码向量各不相同，且所述位置编码向量的排列顺序与对应的所述位置向量的排列顺序一致；

根据所述位置编码向量和序列模型确定所述目标图像特征的池化系数；

将所述池化系数与所述目标图像特征进行点乘，以得到所述目标图像的图像池化结果。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述获取待处理的目标图像对应的目标图像特征，包括：

获取待处理的目标图像中至少一个通道对应的目标图像特征；

所述将所述位置向量转换为二维的位置编码向量，包括：

针对所述位置向量中的每一位置编号，确定所述位置编号对应的、维度与所述目标图像特征的通道数一致的一维向量，以得到所述位置向量对应的二维位置编码向量。

根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述确定所述位置编号对应的、维度与所述目标图像特征的通道数一致的一维向量，包括：

根据位置编码函数确定所述位置编号对应的、维度与所述目标图像特征的通道数一致的一维向量，所述位置编码函数用于通过第一转换计算确定所述一维向量中奇数位置的元素值，并通过第二转换计算确定所述一维向量中偶数位置的元素值。

根据本公开的一个或多个实施例，示例4提供了示例2的方法，所述方法封装在图像处理模型中，所述确定所述位置编号对应的、维度与所述目标图像特征的通道数一致的一维向量，包括：

根据所述图像处理模型的预训练参数确定所述位置编号对应的、维度与所述目标图像特征的通道数一致的一维向量，所述图像处理模型的预训练参数是通过如下方式训练得到的：

针对长度与样本图像特征的长度一致的样本位置向量中每一位置编号确定样本向量，以得到样本位置编码向量，所述样本向量为维度与所述样本图像特征的通道数相同的样本一维向量；

根据所述样本位置编码向量对所述样本图像特征进行池化处理，并根据池化处理后的所述样本图像特征，确定图像处理结果；

根据所述图像处理结果与所述样本图像特征对应的样本图像中预先标注的样本图像处理结果，调整所述图像处理模型的参数。

根据本公开的一个或多个实施例，示例5提供了示例1-4任一项的方法，所述获取待处理的目标图像对应的目标图像特征，包括：

获取待处理的目标图像对应的全部图像特征；

对所述全部图像特征中的至少一个图像特征进行随机丢弃，以得到所述目标图像对应的目标图像特征。

根据本公开的一个或多个实施例，示例6提供了示例1-4任一项的方法，所述根据所述位置编码向量和序列模型确定所述目标图像特征的池化系数，包括：

将所述位置编码向量输入序列模型，以得到序列处理结果；

归一化所述序列处理结果，以得到所述目标图像特征的池化系数。

根据本公开的一个或多个实施例，示例7提供了示例1-4任一项的方法，所述序列模型包括双向门控循环神经网络模型。

根据本公开的一个或多个实施例，示例8提供了一种图像处理装置，所述装置包括：

获取模块，用于获取待处理的目标图像中对应的目标图像特征；

第一确定模块，用于确定长度与所述目标图像特征长度一致的位置向量，所述位置向量包括依次排列的多个位置编号，所述位置编号与所述目标图像特征一一对应；

转换模块，用于将所述位置向量转换为二维的位置编码向量，其中，每一所述位置编码向量各不相同，且所述位置编码向量的排列顺序与对应的所述位置向量的排列顺序一致；

第二确定模块，用于根据所述位置编码向量和序列模型确定所述目标图像特征的池化系数；

点乘模块，用于将所述池化系数与所述目标图像特征进行点乘，以得到所述目标图像的图像池化结果。

根据本公开的一个或多个实施例，示例9提供了示例8的装置，所述获取模块用于：

获取待处理的目标图像中至少一个通道对应的目标图像特征；

所述转换模块303用于：

针对所述位置向量中的每一位置编号，确定所述位置编号对应的、维度与所述目标图像特征的通道数一致的一维向量，以得到所述位置向量对应的二维位置编码向量。

根据本公开的一个或多个实施例，示例10提供了示例9的装置，所述转换模块用于：

根据位置编码函数确定所述位置编号对应的、维度与所述目标图像特征的通道数一致的一维向量，所述位置编码函数用于通过第一转换计算确定所述一维向量中奇数位置的元素值，并通过第二转换计算确定所述一维向量中偶数位置的元素值。

根据本公开的一个或多个实施例，示例11提供了示例9的装置，所述转换模块用于：

根据所述图像处理模型的预训练参数确定所述位置编号对应的、维度与所述目标图像特征的通道数一致的一维向量，所述图像处理模型的预训练参数是通过如下方式训练得到的：

针对长度与样本图像特征的长度一致的样本位置向量中每一位置编号确定样本向量，以得到样本位置编码向量，所述样本向量为维度与所述样本图像特征的通道数相同的样本一维向量；

根据所述样本位置编码向量对所述样本图像特征进行池化处理，并根据池化处理后的所述样本图像特征，确定图像处理结果；

根据所述图像处理结果与所述样本图像特征对应的样本图像中预先标注的样本图像处理结果，调整所述图像处理模型的参数。

根据本公开的一个或多个实施例，示例12提供了示例8-11任一项的装置，所述获取模块用于：

获取待处理的目标图像对应的全部图像特征；

对所述全部图像特征中的至少一个图像特征进行随机丢弃，以得到所述目标图像对应的目标图像特征。

根据本公开的一个或多个实施例，示例13提供了示例8-11任一项的装置，所述第二确定模块用于：

将所述位置编码向量输入序列模型，以得到序列处理结果；

归一化所述序列处理结果，以得到所述目标图像特征的池化系数。

根据本公开的一个或多个实施例，示例14提供了示例8-11任一项的装置，所述序列模型包括双向门控循环神经网络模型。

根据本公开的一个或多个实施例，示例15提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-7中任一项所述方法的步骤。

根据本公开的一个或多个实施例，示例16提供了一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-7中任一项所述方法的步骤。

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。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。