摘要
本发明涉及一种基于深度学习的图像处理方法、装置、计算机设备和存储介质,解决因数据偏差和模型公平性不足导致的分类不准确和不公平问题。首先,获取多样性和全面性的目标图像数据,为模型提供丰富的训练和测试样本。然后,将数据输入到包含多层卷积神经网络结构的模型中,该模型的损失函数引入了公平性损失项,确保结果的一致和公正。这样,模型不仅关注整体准确性,还特别优化了不同群体间的公平性。最后,获取经过改进的模型输出的图像处理结果数据,提高模型在实际应用中的可靠性和公平性。总之,通过引入公平性损失项,有效缓解因训练数据中存在偏差而导致的分类不公问题,显著提升模型在各类图像处理任务中的表现和应用的公平性和可靠性。
技术关键词
多层卷积神经网络
图像处理模型
图像类别
图像处理方法
图像处理基础
图像数据处理
样本
计算机设备
参数
图像处理装置
偏差
处理器
矫正
可读存储介质
处理单元
存储器
标签
系统为您推荐了相关专利信息
特征点集合
芯片系统
图像处理方法
电子设备
计算机程序代码
量监测系统
能量杯
分析模块
数据采集模块
杯体内液体
车辆行驶信息
图像处理方法
车机
电子终端
图像处理装置
训练样本图像
高斯分布模型
噪声数据
图像分类模型
图像分类方法
数据采集设备
图像处理模型
车辆周围环境
对象
告警系统