1.一种基于深度学习的水下图像增强方法,其特征在于,应用于计算机设备,所述方法包括:在获得包括v个图像块序列的初始水下图像时,依据每个图像块序列的重要性评分以及重要性评分临界值,对所述v个图像块序列分别进行分类,得到所述初始水下图像对应的积极训练样例集和消极训练样例集;
获取第一初始调试网络;所述第一初始调试网络用于确定每个图像块序列分别对应的训练样例语义描述;所述初始水下图像对应的图像语义描述为基于所述每个图像块序列分别对应的训练样例语义描述确定得到;
从所述积极训练样例集中选取与预设增强范围匹配的图像块序列作为第一增强目标,依据所述第一增强目标中的图像块序列对应的训练样例语义描述,确定所述第一增强目标对应的第一增强目标语义描述;
从所述消极训练样例集中选取与所述预设增强范围匹配的图像块序列作为第二增强目标,依据所述第二增强目标中的图像块序列对应的训练样例语义描述,确定所述第二增强目标对应的第二增强目标语义描述;
依据所述第一增强目标语义描述、所述第二增强目标语义描述以及所述图像语义描述,对所述第一初始调试网络进行无监督调试,得到第二初始调试网络;所述第二初始调试网络用于执行水下图像增强操作。
2.根据权利要求1所述的方法,其特征在于,所述在获得包括v个图像块序列的初始水下图像时,在所述依据每个图像块序列的重要性评分以及重要性评分临界值,对所述v个图像块序列分别进行分类,得到所述初始水下图像对应的积极训练样例集和消极训练样例集之前,还包括:获取第一图像增强网络;
将所述v个图像块序列加载到所述第一图像增强网络,基于所述第一图像增强网络分别对每个图像块序列进行增强目标推理,得到每个图像块序列的重要性评分;
依据所述每个图像块序列的重要性评分以及重要性评分临界值,对所述v个图像块序列分别进行分类,得到所述初始水下图像对应的积极训练样例集和消极训练样例集。
3.根据权利要求2所述的方法,其特征在于,所述将所述v个图像块序列加载到所述第一图像增强网络,基于所述第一图像增强网络分别对每个图像块序列进行增强目标推理,得到每个图像块序列的重要性评分,包括:将所述v个图像块序列加载到所述第一图像增强网络,获取每个图像块序列分别对应的第一图像块序列嵌入,得到v个第一图像块序列嵌入;所述第一图像增强网络包括图像嵌入映射层以及图像生成映射层;
基于所述图像嵌入映射层以及所述v个第一图像块序列嵌入,对每个图像块序列分别进行嵌入映射,得到每个图像块序列分别对应的第二图像块序列嵌入;
将v个第二图像块序列嵌入加载到所述图像生成映射层,基于所述图像生成映射层以及所述v个第二图像块序列嵌入,对所述v个图像块序列分别进行生成映射,得到每个图像块序列的重要性评分。
4.根据权利要求3所述的方法,其特征在于,所述v个图像块序列包括图像块序列Dm;其中,m≤v;所述v个第一图像块序列嵌入包括所述图像块序列Dm对应的第一图像块序列嵌入Em;所述图像嵌入映射层包括第一图像嵌入映射层和第二图像嵌入映射层;所述基于所述图像嵌入映射层以及所述v个第一图像块序列嵌入,对每个图像块序列分别进行嵌入映射,得到每个图像块序列分别对应的第二图像块序列嵌入,包括:基于所述第一图像嵌入映射层和所述第一图像块序列嵌入Em,对所述图像块序列Dm进行第一嵌入映射,得到所述图像块序列Dm对应的第一嵌入描述数组;
在得到v个图像块序列分别对应的第一嵌入描述数组时,将v个第一嵌入描述数组加载到所述第二图像嵌入映射层,基于所述第二图像嵌入映射层和所述v个第一嵌入描述数组,对所述图像块序列Dm进行第二嵌入映射,得到所述图像块序列Dm对应的第二嵌入描述数组;
将所述图像块序列Dm对应的第二嵌入描述数组作为所述图像块序列Dm对应的第二图像块序列嵌入Fm。
5.根据权利要求2所述的方法,其特征在于,所述重要性评分临界值包括第一临界值;
所述依据所述每个图像块序列的重要性评分以及重要性评分临界值,对所述v个图像块序列分别进行分类,得到所述初始水下图像对应的积极训练样例集和消极训练样例集,包括:对所述v个图像块序列进行全局游走,将游走到的图像块序列确定为拟分类图像块序列;
如果所述拟分类图像块序列的重要性评分不小于所述第一临界值,则将所述拟分类图像块序列加入所述初始水下图像对应的积极训练样例集;
如果所述拟分类图像块序列的重要性评分小于所述第一临界值,则将所述拟分类图像块序列加入所述初始水下图像对应的消极训练样例集;
或者;
所述重要性评分临界值包括第二临界值和第三临界值;所述第二临界值大于所述第三临界值;所述依据所述每个图像块序列的重要性评分以及重要性评分临界值,对所述v个图像块序列分别进行分类,得到所述初始水下图像对应的积极训练样例集和消极训练样例集,包括:对所述v个图像块序列进行全局游走,将游走到的图像块序列确定为拟分类图像块序列;
如果所述拟分类图像块序列的重要性评分不小于所述第二临界值,则将所述拟分类图像块序列加入所述初始水下图像对应的积极训练样例集;
如果所述拟分类图像块序列的重要性评分小于所述第二临界值,且大于所述第三临界值,则将所述拟分类图像块序列进行筛除;
如果所述拟分类图像块序列的重要性评分小于或者等于所述第三临界值,则将所述拟分类图像块序列加入所述初始水下图像对应的消极训练样例集。
6.根据权利要求1所述的方法,其特征在于,所述v个图像块序列包括图像块序列Dm;其中,m≤v;所述方法还包括:将所述图像块序列Dm加载到所述第一初始调试网络;
依据所述图像块序列Dm中的每个图像块的图像块嵌入,确定所述图像块序列Dm对应的初始样例描述数组;一个图像块的图像块嵌入为基于所述一个图像块对应的自向嵌入、序列嵌入和图像块位置嵌入联合确定得到;
基于所述第一初始调试网络和所述图像块序列Dm对应的初始样例描述数组,对所述图像块序列Dm进行嵌入映射,得到所述图像块序列Dm对应的训练样例语义描述;
所述第一增强目标语义描述和所述第二增强目标语义描述均为均分增强目标语义描述,其中,所述均分增强目标语义描述是对图像块序列集合中,每个图像块序列的训练样例语义描述进行均值计算后获得的;所述图像块序列集合包括所述第一增强目标和所述第二增强目标。
7.根据权利要求1所述的方法,其特征在于,所述依据所述第一增强目标语义描述、所述第二增强目标语义描述以及所述图像语义描述,对所述第一初始调试网络进行无监督调试,得到第二初始调试网络,包括:获取无监督调试的网络误差函数;
依据所述第一增强目标语义描述、所述第二增强目标语义描述以及所述图像语义描述,确定所述网络误差函数对应的网络误差;
依据所述网络误差,对所述第一初始调试网络进行调试,得到网络调试结果;
如果所述网络调试结果表征调试完成的第一初始调试网络符合调试截止要求,则将符合所述调试截止要求的第一初始调试网络作为第二初始调试网络;
如果所述网络调试结果表征调试完成的第一初始调试网络未符合调试截止要求,则依据未符合所述调试截止要求的所述网络误差函数,对所述第一初始调试网络的网络可学习变量进行优化;
将优化网络可学习变量后的第一初始调试网络作为中间网络,对所述中间网络进行调试,当调试后的中间网络符合所述调试截止要求时,将符合所述调试截止要求的中间网络作为第二初始调试网络。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
依据所述第二初始调试网络,建立用于执行水下图像增强操作的基础图像增强网络;
获取针对所述基础图像增强网络的水下图像训练样例和所述水下图像训练样例对应的训练监督信息,所述训练监督信息用于指示所述水下图像训练样例的实际增强目标;
将所述水下图像训练样例加载到所述基础图像增强网络,基于所述基础图像增强网络对所述水下图像训练样例进行增强目标推理,得到所述水下图像训练样例对应的推理增强目标;
依据所述实际增强目标和所述推理增强目标,对所述基础图像增强网络进行细节优化,得到第二图像增强网络;所述第二图像增强网络用于确定水下图像的待增强目标。
9.根据权利要求1所述的方法,其特征在于,所述预设增强范围为u,其中,1≤u;所述方法还包括:依据所述第二初始调试网络,建立用于执行水下图像增强操作的基础图像增强网络;
获取针对所述基础图像增强网络的水下图像训练样例,基于所述基础图像增强网络对所述水下图像训练样例中的w个图像块序列分别进行嵌入映射,得到w个语义嵌入描述数组,其中,1≤w;
依据u个初始聚类中心,对所述w个语义嵌入描述数组进行划簇,得到u个数据簇;
依据所述u个数据簇对所述基础图像增强网络进行调试,得到第二图像增强网络,所述第二图像增强网络用于确定水下图像的待增强目标。
10.一种计算机设备,其特征在于,包括:
至少一个处理器;
以及与所述至少一个处理器通信连接的存储器;其中所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1 9中任一项所述的方法。
~