CN110543900A - 图像处理方法及装置、电子设备和存储介质 - Google Patents
图像处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110543900A CN110543900A CN201910774445.8A CN201910774445A CN110543900A CN 110543900 A CN110543900 A CN 110543900A CN 201910774445 A CN201910774445 A CN 201910774445A CN 110543900 A CN110543900 A CN 110543900A
- Authority
- CN
- China
- Prior art keywords
- network
- feature
- processing
- network block
- block
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
Abstract
本公开涉及一种图像处理方法及装置、电子设备和存储介质,其中所述方法包括:获取输入图像,将所述输入图像输入至神经网络,所述神经网络包括分组子网络,所述分组子网络包括至少一个网络块,所述网络块的通道被分成至少两个分组;利用所述神经网络对所述输入图像执行特征处理,得到图像处理结果;其中,在通过所述分组子网络执行所述特征处理的情况下,根据所述网络块对应的状态特征,对输入至所述网络块的特征图执行特征处理,所述状态特征包括表示所述网络块内的各所述分组分别对应的通道的特征处理是否被执行的状态。本公开实施例可以在提高图像处理精度的情况下,还能进一步提高处理效率。
Description
技术领域
本公开涉及神经网络优化领域,特别涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
计算机视觉领域中,为了得到更好的处理结果,通常情况下会采用更大更深的卷积神经网络模型来进行预测和处理,但这会同时带来计算复杂度增加的问题,从而限制了网络模型在很多平台上应用。目前解决该问题的方法一般是直接删除部分网络块的全部通道的运算,但是这种直接裁剪通道的方法不够灵活。
发明内容
本公开实施例提供了一种图像处理的技术方案。
根据本公开的一方面,提供了一种图像处理方法,包括:获取输入图像,将所述输入图像输入至神经网络,所述神经网络包括分组子网络,所述分组子网络包括至少一个网络块,所述网络块的通道被分成至少两个分组;利用所述神经网络对所述输入图像执行特征处理,得到图像处理结果;其中,在通过所述分组子网络执行所述特征处理的情况下,根据所述网络块对应的状态特征,对输入至所述网络块的特征图执行特征处理,所述状态特征包括表示所述网络块内的各所述分组分别对应的通道的特征处理是否被执行的状态。本公开实施例能够通过神经网络中的分组子网络执行输入图像的通道的特征的分组处理,其中可以根据网络块对应的状态特征,对输入至网络块的特征图执行特征处理的过程中,可以根据网络块中各分组分别对应的通道的特征处理是否被执行的状态,来有选择对输入至网络块的特征图进行特征处理,不仅可以提升神经网络的处理精度,还能够提高神经网络的处理效率。
在一些可能的实施方式中,所述方法还包括根据以下方式确定所述神经网络中的所述分组子网络:基于所述神经网络中生成相同分辨率的特征图的至少两个连续地网络层形成所述网络块;将形成的至少一个所述网络块构成的网络部分确定为所述分组子网络。本公开实施例可以灵活的配置分组子网络中的各网络块。
在一些可能的实施方式中,所述方法还包括根据以下方式对所述网络块的通道进行分组处理:按照所述网络块的通道数,将所述网络块的通道平均划分成预设数量个分组。本公开实施例可以简单方便的实现网络块对应通道的分组处理。
在一些可能的实施方式中,所述方法还包括根据以下方式对所述网络块的通道进行分组处理:将所述网络块中的通道划分成预设数量个第一分组;响应于分组后的神经网络执行所述特征处理产生的计算量与未分组的神经网络执行所述特征处理产生的计算量之间的差值小于计算量阈值,和/或分组后的神经网络的参数量与未分组的神经网络的参数量之间的差值小于参数量阈值,将所述预设数量个第一分组确定为所述网络块的所述至少两个分组。本公开实施例可以使得分组后的神经网络与分组前的神经网络保持相近的计算量和参数量,保证神经网络的稳定性和处理精度。
在一些可能的实施方式中,所述根据所述网络块对应的状态特征,对输入至所述网络块的特征图执行特征处理,包括:基于输入至所述分组子网络中的第i个网络块的特征图,确定所述第i个网络块的状态特征,i为小于或者等于M的正整数,M表示所述分组子网络中的网络块的数量;响应于所述第i个网络块的状态特征表示包括处于被执行的状态的分组,利用所述第i个网络块,对所述特征图中与处于被执行的状态的全部分组内的通道对应的图像特征,执行特征处理,得到所述第i个网络块的输出特征图。本公开实施例可以为每个网络块配置对应的状态特征,从而可以根据状态特征执行相应通道的特征处理。
在一些可能的实施方式中,所述基于输入至所述分组子网络中的第i个网络块的特征图,确定所述第i个网络块的状态特征,包括:获取输入至所述第i个网络块的特征图,以及第i-1个网络块的状态特征,其中i等于1时,第i-1个网络块的状态特征为初始状态特征;基于输入至所述第i个网络块的特征图,以及所述第i-1个的状态特征,确定所述第i个网络块的状态特征。本公开实施例可以根据前一网络块的输出特征以及状态特征,得到下一网络块的状态特征,提高网络块之间的关联性,提高状态特征的精确度。
在一些可能的实施方式中,所述基于输入至所述第i个网络块的特征图,以及所述第i-1个的状态特征,确定所述第i个网络块的状态特征,包括:对所述第i个网络块的特征图执行池化处理和全连接处理,得到新的特征图;对所述第i-1个网络块的状态特征执行全连接处理得到新的状态特征;基于所述新的特征图和所述新的状态特征得到所述第i个网络块的状态特征。本公开实施例可以通过池化和全连接的处理方式,增加网络块之间的关联性。
在一些可能的实施方式中,所述基于所述新的特征图和所述新的状态特征得到所述第i个网络块的状态特征,包括:对所述新的特征图和所述新的状态特征执行融合处理,得到所述第i个网络块的状态特征。本公开实施例可以通过特征融合的方式,增加网络块之间的关联性。
在一些可能的实施方式中,所述神经网络还包括基础子网络,所述利用所述神经网络对所述输入图像执行特征处理,得到图像处理结果,包括:利用所述基础子网络对所述输入图像执行特征处理,得到第一特征图;利用所述分组子网络对所述第一特征图执行特征处理,得到第二特征图;基于所述第二特征图,确定所述图像处理结果。本公开实施例通过基础子网络和分组子网络的分别配置,实现输入图像的精确处理,同时提高处理效率。
在一些可能的实施方式中,所述神经网络为用于执行特征提取或者目标检测的神经网络。
在一些可能的实施方式中,所述方法还包括训练所述神经网络的步骤,其包括:获取多个训练图像组,所述训练图像组中至少包括一个训练图像;
将训练图像组输入至所述神经网络,通过所述神经网络对所述训练图像组中的训练图像进行图像处理,得到预测结果;基于所述图像训练组中所述训练图像的所述预测结果,得到网络损失,并基于所述网络损失调整所述神经网络的参数,直至满足优化要求。本公开实施例通过对神经网络的训练,可以使得神经网络满足优化要求,提高神经网络的处理精度。
在一些可能的实施方式中,基于所述图像训练组中所述训练图像的所述预测结果,得到网络损失,包括:根据所述图像训练组中所述训练图像的所述预测结果,得到网络预测损失;根据所述神经网络中的各网络块的执行特征处理的执行率,确定执行率损失;根据所述神经网络对各所述图像训练组进行图像处理产生的计算量,确定计算量损失;根据各所述网络块的输出特征图,确定所述网络块的预测损失;基于所述网络预测损失、执行率损失、计算量损失和网络块的预测损失,确定所述网络损失。通过上述损失的设置,可以综合性的提高神经网络的预测精度,同时还可以使得神经网络的执行率、计算量都达到相应的要求,提高神经网络的适用性以及处理效率。
根据本公开的第二方面,提供了一种图像处理装置,其包括:获取模块,其用于获取输入图像,将所述输入图像输入至神经网络,所述神经网络包括分组子网络,所述分组子网络包括至少一个网络块,所述网络块的通道被分成至少两个分组;图像处理模块,其用于利用所述神经网络对所述输入图像执行特征处理,得到图像处理结果;其中,在通过所述分组子网络执行所述特征处理的情况下,根据所述网络块对应的状态特征,对输入至所述网络块的特征图执行特征处理,所述状态特征包括表示所述网络块内的各所述分组分别对应的通道的特征处理是否被执行的状态。本公开实施例能够通过神经网络中的分组子网络执行输入图像的通道的特征的分组处理,其中可以根据网络块对应的状态特征,对输入至网络块的特征图执行特征处理的过程中,可以根据网络块中各分组分别对应的通道的特征处理是否被执行的状态,来有选择对输入至网络块的特征图进行特征处理,不仅可以提升神经网络的处理精度,还能够提高神经网络的处理效率。
在一些可能的实施方式中,所述装置还包括确定模块,其用于根据以下方式确定所述神经网络中的所述分组子网络:基于所述神经网络中生成相同分辨率的特征图的至少两个连续地网络层形成所述网络块;将形成的至少一个所述网络块构成的网络部分确定为所述分组子网络。本公开实施例可以灵活的配置分组子网络中的各网络块。
在一些可能的实施方式中,所述装置还模块分组模块,其用于根据以下方式对所述网络块的通道进行分组处理:按照所述网络块的通道数,将所述网络块的通道平均划分成预设数量个分组。本公开实施例可以简单方便的实现网络块对应通道的分组处理。
在一些可能的实施方式中,所述装置还模块分组模块,其用于根据以下方式对所述网络块的通道进行分组处理:将所述网络块中的通道划分成预设数量个第一分组;在分组后的神经网络执行所述特征处理产生的计算量与未分组的神经网络执行所述特征处理产生的计算量之间的差值小于计算量阈值的情况下,和/或在分组后的神经网络的参数量与未分组的神经网络的参数量之间的差值小于参数量阈值的情况下,将所述预设数量个第一分组确定为所述网络块的所述至少两个分组。本公开实施例可以使得分组后的神经网络与分组前的神经网络保持相近的计算量和参数量,保证神经网络的稳定性和处理精度。
在一些可能的实施方式中,所述图像处理模块还包括:状态特征确定单元,其用于基于输入至所述分组子网络中的第i个网络块的特征图,确定所述第i个网络块的状态特征,i为小于或者等于M的正整数,M表示所述分组子网络中的网络块的数量;特征处理单元,其用于在所述第i个网络块的状态特征表示包括处于被执行的状态的分组的情况下,利用所述第i个网络块,对所述特征图中与处于被执行的状态的全部分组内的通道对应的图像特征,执行特征处理,得到所述第i个网络块的输出特征图。本公开实施例可以为每个网络块配置对应的状态特征,从而可以根据状态特征执行相应通道的特征处理。
在一些可能的实施方式中,所述状态特征确定单元还用于获取输入至所述第i个网络块的特征图,以及第i-1个网络块的状态特征,其中i等于1时,第i-1个网络块的状态特征为初始状态特征;基于输入至所述第i个网络块的特征图,以及所述第i-1个的状态特征,确定所述第i个网络块的状态特征。本公开实施例可以根据前一网络块的输出特征以及状态特征,得到下一网络块的状态特征,提高网络块之间的关联性,提高状态特征的精确度。
在一些可能的实施方式中,所述状态特征确定单元还用于对所述第i个网络块的特征图执行池化处理和全连接处理,得到新的特征图;对所述第i-1个网络块的状态特征执行全连接处理得到新的状态特征;基于所述新的特征图和所述新的状态特征得到所述第i个网络块的状态特征。本公开实施例可以通过池化和全连接的处理方式,增加网络块之间的关联性。
在一些可能的实施方式中,所述状态特征确定单元还用于对所述新的特征图和所述新的状态特征执行融合处理,得到所述第i个网络块的状态特征。本公开实施例可以通过特征融合的方式,增加网络块之间的关联性。
在一些可能的实施方式中,所述神经网络还包括基础子网络,所述图像处理模块还用于利用所述基础子网络对所述输入图像执行特征处理,得到第一特征图;利用所述分组子网络对所述第一特征图执行特征处理,得到第二特征图;基于所述第二特征图,确定所述图像处理结果。本公开实施例通过基础子网络和分组子网络的分别配置,实现输入图像的精确处理,同时提高处理效率。
在一些可能的实施方式中,所述神经网络为用于执行特征提取或者目标检测的神经网络。
在一些可能的实施方式中,所述装置还包括训练模块,其用于:获取多个训练图像组,所述训练图像组中至少包括一个训练图像;将训练图像组输入至所述神经网络,通过所述神经网络对所述训练图像组中的训练图像进行图像处理,得到预测结果;基于所述图像训练组中所述训练图像的所述预测结果,得到网络损失,并基于所述网络损失调整所述神经网络的参数,直至满足优化要求。本公开实施例通过对神经网络的训练,可以使得神经网络满足优化要求,提高神经网络的处理精度。
在一些可能的实施方式中,所述训练模块还用于根据所述图像训练组中所述训练图像的所述预测结果,得到网络预测损失;根据所述神经网络中的各网络块的执行特征处理的执行率,确定执行率损失;根据所述神经网络对各所述图像训练组进行图像处理产生的计算量,确定计算量损失;根据各所述网络块的输出特征图,确定所述网络块的预测损失;基于所述网络预测损失、执行率损失、计算量损失和网络块的预测损失,确定所述网络损失。通过上述损失的设置,可以综合性的提高神经网络的预测精度,同时还可以使得神经网络的执行率、计算量都达到相应的要求,提高神经网络的适用性以及处理效率。
根据本公开的第三方面,提供了一种电子设备,其包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为:执行第一方面中任意一项所述的方法。
根据本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现第一方面中任意一项所述的方法。
本公开实施例中输入图像可以在神经网络中进行处理,其中,神经网络包括具有至少一个网络块的分组子网络,其中网络块的通道可以被分成至少两个分组,其中,在根据网络块对应的状态特征,对输入至网络块的特征图执行特征处理的过程中,可以根据网络块中各分组分别对应的通道的特征处理是否被执行的状态,来有选择对输入至网络块的特征图进行特征处理,相对于现有技术直接跳过整个网络块的运算操作,本公开实施例可以根据分组对应的是否被执行的状态确定是否对分组内通道的特征处理,可以适应性的执行网络块内的各个分组对应的特征处理操作,不仅可以提升神经网络的处理精度,还能够提高神经网络的处理效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的一种图像处理方法的流程图;
图2示出根据本公开实施例中确定分组子网络的流程图;
图3示出根据本公开实施例的一种图像处理方法的中步骤S20的流程图;
图4示出本公开实施例的图像处理方法中步骤S201的流程图
图5示出根据本公开实施例的一种神经网络的结构图;
图6示出本公开实施例的一种图像处理方法中步骤S212的流程图;
图7示出根据本公开实施例的网络块内各分组的执行状态的结构示意图;
图8示出根据本公开实施例通过控制器控制各网络块的执行状态的结构示意图;
图9示出根据本公开实施例的一种神经网络的训练过程流程图;
图10示出根据本公开实施例的一种图像处理装置的框图;
图11示出根据本公开实施例的一种电子设备的框图;
图12示出根据本公开实施例的另一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
本公开实施例提供了一种图像处理方法,该方法可以应用在动态前馈神经网络中。本公开实施例提供的图像处理可以应用到任意的图像处理设备中,如手机、笔记本、PAD等便携式终端,智能手环、智能手表等智能佩戴设备,或者其他通过神经网络实现相应功能的电子设备或者服务器均可以应用本公开实施例提供的方法,本公开对此不作具体限定。
图1示出根据本公开实施例的一种图像处理方法的流程图,其中图像处理方法包括:
S10:获取输入图像,将输入图像输入至神经网络,神经网络包括分组子网络,分组子网络包括至少一个网络块,网络块的通道被分成至少两个分组;
在一些可能的实施方式中,神经网络可以为用于执行任意图像处理功能的网络结构,其中神经网络可以为卷积神经网络,如残差网络(Residual Neural Network,ResNet)、特征金字塔网络(Feature Pyramid Networks,FPN)等,本公开实施例的神经网络可以为执行目标检测、特征提取、实例分割、人脸识别、属性识别等至少一种功能的网络,在其他实施例中,神经网络也可以为其他能够执行图像处理的网络结构。其中,神经网络中可以包括不同数量或者结构的网络层,各网络层可以为卷积层、全连接层、池化层、上采样层、下采样层中的至少一种或多种,对于神经网络的类型和结构本公开不作具体限定。
在一些可能的实施方式中,本公开实施例的神经网络可以包括分组子网络,该分组子网络为神经网络中的至少一部分网络结构,分组子网络包括至少一个网络块,该网络块由至少一个网络层构成,网络块的通道被执行了分组处理,即分组子网络中的网络块的通道被分成至少两个分组,每个分组包括至少一个通道。在搭建神经网络之后,可以确定神经网络中的分组子网络,即可以确定被执行分组处理的网络块,以及还可以确定网络块的分组方式,而后经过训练和学习,优化网络参数,得到了本公开实施例能够执行图像处理相应功能的神经网络。
在一些可能的实施方式中,获取的输入图像可以为任意的图像,其可以根据神经网络的相应功能为不同的图像,例如,在神经网络为执行人脸识别的网络,则输入图像可以为包括人脸的图像,神经网络为执行目标检测的网络,则输入图像可以为包括目标对象的图像。其中获取输入图像的方式可以包括以下方式中的至少一种:接收传输的输入图像、从存储器中读取输入图像、对视频流执行选帧处理得到输入图像。
在一些可能的实施方式中,在得到输入图像的情况下,可以将输入图像输入至神经网络执行图像处理,进而最终得到处理结果。
S20:利用神经网络对输入图像执行特征处理,得到图像处理结果;其中,在通过分组子网络执行特征处理的情况下,根据网络块对应的状态特征,对输入至网络块的特征图执行特征处理,状态特征包括表示网络块内的各分组分别对应的通道的特征处理是否被执行的状态。
如上述实施例所述,在将输入图像输入到神经网络的情况下,即可以通过神经网络对输入图像执行图像处理,其中,本公开实施例在执行输入图像的图像处理的过程中,可以对输入图像的图像特征进行处理,即可以执行输入图像的特征处理。
另外,本公开实施例中神经网络可以包括基础子网络和分组子网络,基础子网络可以为神经网络的前K层网络,K为大于1的整数。也就是说,神经网络中除了包括上述分组子网络之外还可以包括其他的网络层,例如卷积层、池化层等等。其中分组子网络以外的其余网络层为不需要执行分组处理的网络层,而基础子网络可以为神经网络的前k层网络层。也就是说,本公开实施例对神经网络的k层及以上网络不执行上述分组处理,对于神经网络k层以下的网络层形成的网络块中的至少一个网络块执行分组处理,从而不影响神经网络的整体精度,其中k为大于1的整数。
示例性的,在利用神经网络对输入图像执行特征处理的过程中,可以首先通过基础子网络对输入图像执行特征处理,得到第一特征图,而后可以将第一特征图输入至分组子网络,通过分组子网络执行特征处理,得到第二特征图,而后基于该第二特征图得到处理结果。按照上述神经网络的特征处理过程,可以最终得到输入图像的处理结果。该处理结果可以根据神经网络的具体功能而不同。
例如,神经网络为用于执行分类的网络时,则输出结果则可以为输入图像中对象的分类结果,或者神经网络为用于执行目标检测的网络时,则输出结果可以为输入图像中目标对象的位置区域。在其他实施例中,输出结果也可以为其他形式,本公开对此不作具体限定。
另外,第一特征图和第二特征图可以为特征向量或者特征矩阵,而且得到的第一特征图的数量可以为一个也可以为多个,例如在残差网络中,可以得到多个尺度的第一特征图,同样,第二特征图也可以为一个或者多个。在得到第二特征图的情况下,可以基于第二特征图得到输入图像的处理结果。在一个示例中,可以直接将第二特征图作为处理结果,例如在用于执行特征提取的神经网络中,可以将第二特征图直接作为最后提取的特征图。或者,也可以通过对第二特征图执行后处理,得到最终的处理结果,该后处理可以包括以下方式中的至少一种:特征优化处理、分类处理以及目标检测处理。后处理的具体方式可以根据神经网络所要实现的具体功能和用途确定,本公开不作具体限定。
另外,如上述实施例所述,本公开实施例的神经网络的分组子网络中可以包括至少一个网络块,分组子网络中的每个网络块都可以具有相应的状态特征,该状态特征包括表示网络块内的各分组分别对应的通道的特征处理是否被执行的状态。即,状态特征可以用于表示网络块的哪些分组对应的通道需要执行特征处理,哪些分组的通道不需要执行特征处理。本公开实施例中各网络块的状态特征可以为预先配置的,也可以为根据对输入图像的特征处理的中间结果实时调整的,即可以根据输入图像的实时的调整网络块内各分组的状态特征,具有更好的灵活性。
在一些可能的实施方式中,在得到网络块的状态特征的情况下,可以通过网络块的状态特征执行输入到网络块的特征图的特征处理。如上述所述,状态特征可以表示包括网络块内各分组的通道数是否被执行的状态。即每个分组可以为被执行的状态或者为不被执行的状态。在一些实施例中,可以利用不同的标识表示不同的状态,例如第一标识“1”表示被执行的状态,第二标识“0”表示不被执行的状态。状态特征可以通过向量来表示,即可以通过各分组的状态的标识形成特征向量。
在得到网络块的状态特征的情况下,即可以按照该状态特征执行相应分组对应通道的特征处理操作,其中仅执行被标志为“被执行的状态”的分组内的通道的特征处理,跳过被标志为“不被执行的状态”的分组内的通道的特征处理,得到该网络块的输出特征图。神经网络可以进一步对该输出特征图执行后续的处理操作。
基于上述实施例,本公开实施例可以对神经网络中的网络块的通道进行分组,根据网络块的分组对应的状态处理输入图像,其中相对于现有技术直接跳过整个网络块的运算操作,本公开实施例可以适应性的执行网络块内的各个分组对应的通道的特征处理操作。
下面对本公开实施例的各过程进行详细说明。
如上述实施例所述,本公开实施例的神经网络中的分组子网络可以包括至少一个网络块,该网络块是指神经网络中被执行分组处理的网络块,在搭建神经网络之后,即可以确定神经网络中的分组子网络。图2示出根据本公开实施例中确定分组子网络的流程图,如图2所示,确定神经网络中的分组子网络,可以包括:
S101:基于神经网络中生成相同分辨率的特征图的至少两个连续地网络层形成网络块;
S102:将形成的至少一个网络块构成的网络部分确定分组子网络。
在一些可能的实施方式中,网络块(block)是由神经网络中生成相同分辨率的特征图的连续网络层的堆叠形成的,例如ResNet50网络中包括16个block。其中,相同分辨率的特征图是指网络层生成的尺度相同的特征图。神经网络在执行图像处理时,各个网络层可以在处理过程中输出相应的处理结果,该处理结果即可以表示为特征图,如果连续的至少两个网络层生成的特征图的尺度相同,该连续的至少两个网络层即可以构成网络块。其中,特征图可以为向量形式也可以为矩阵形式,本公开对此不做具体限定,例如可以将输出结果为256*256*3的特征图的至少两个连续网络层的堆叠形成一个网络块。上述仅为示例性说明,不作为分辨率和网络块数量的具体限定。
如上所述,神经网络中可以包括至少一个网络块,本公开实施例可以将网络块中的至少一个确定为需要执行分组处理的网络块。即可以将神经网络中所有的网络块或者所有的网络块中的一部分网络块确定为待执行分组处理的网络块,这些待执行分组处理的网络块构成的网络部分即可以确定为分组子网络。其中,可以根据预先设定的选择信息确定待执行分组处理的网络块,该选择信息可以包括需要执行分组处理的网络块的标识(如顺序号等)或数量,在选择信息包括被选择的网络块的标识时,可以根据标识确定待执行分组的网络块,其中可以预先按照网络块的顺序为各网络块分配相应的标识,但不作为本公开的具体限定,只要能够区分各网络块,即可以作为本公开实施例。在选择信息中仅包括被选择的网络块数量时,可以按照该数量从各网络块中选择出相应数量的网络块,其中可以随机选择,也可以按照网络块的连接顺序依次选择出相应数量的网络块。其中待执行分组处理的网络块的数量可以根据需求设定,本公开对此不作具体限定。
基于上述实施例,本公开可以确定神经网络中的分组子网络,其中既可以将全部的网络块用于形成分组子网络,也可以通过不同的方式从网络块中选择出一部分用于形成分组子网络,具有较好的灵活性和适用性。
另外,在确定待执行分组处理的网络块的情况下,还可以对该待执行分组处理的网络块的通道进行分组,即对分组子网络中的各网络块的通道进行分组,从而实现每个分组的通道的操作的单独控制。由于每个网络块中的网络层内生成的特征图的分辨率相同,因此可以分别对网络块中的各通道进行分组,例如一个网络块生成的特征图的尺度为256*256*128,其中,256*256表示特征图的长度和宽度,128表示特征图的通道数,对于网络块可以将128的通道数进行划分,形成N组通道,或者对于256*256*3的特征图,可以对3个通道进行分组,其中N为大于1的整数。
在一些可能的实施方式中,可以预先确定每个网络块中需要分出的组数,该组数可以为预先设定的数值,如2组、3组等等,对此本公开不作具体限定。在对各网络块中的通道进行分组时,可以按照每个网络块的通道数,将各网络块的通道平均划分成预设数量个分组。即本公开实施例可以采用平均分组的方式,将各网络块的通道数平均分成N组,从而对该N组通道分别执行控制。
或者,在另一些实施方式中,也可以根据每个网络块中针对各通道的计算量和/或参数量,将各网络块中的通道划分成预设数量个分组,使得分组后的神经网络与原神经网络满足分组要求。其中分组要求包括以下要求中的至少一种:分组后的神经网络执行图像处理产生的计算量与未分组的神经网络执行图像处理产生的计算量之间的差值小于计算量阈值;分组后的神经网络的参数量与对未分组的神经网络的参数量之间的差值小于参数量阈值。其中,计算量阈值以及参数量阈值可以根据需求设定。
示例性的,本公开实施例对网络块的通道进行分组处理还可以包括:将网络块中的通道划分成预设数量个第一分组;在分组后的神经网络执行特征处理产生的计算量与未分组的神经网络执行特征处理产生的计算量之间的差值小于计算量阈值的情况下,和/或分组后的神经网络的参数量与未分组的神经网络的参数量之间的差值小于参数量阈值的情况下,将预设数量个第一分组确定为网络块的至少两个分组。也就是说,本公开实施例可以根据分组得到的各第一分组是否满足分组要求来确定网络块的最终分组。
在对各网络块的通道进行分组时,可以在该分组的情况下,执行图像处理操作,由于在执行图像处理操作的过程中,可以根据相应分组的执行状态进行特征处理,因此神经网络的计算量会产生变化。本公开可以根据分组后的神经网络产生的计算量和未分组情况下神经网络的计算量来确定分组是否符合分组要求,其中未分组的神经网络的图像处理执行所有通道的运算处理。本公开实施例可以为神经网络中的每种运算操作配置相应的计算分值,进而可以得到每个网络块中针对各通道的运算操作对应的计算量(总计算分值)。在得到每个通道的计算量之后,即可以对各通道进行分组以及对应的执行状态,得到分组后的神经网络的计算量,在该计算量与未分组情况下的神经网络的计算量之间的差值小于或者等于计算量阈值的情况下,确定分组满足分组要求。其中计算量阈值可以为0,或者也可以为其他的设定的阈值,一般可以为较小的数值,通过该配置可以使得分组之后的网络和未分组的神经网络具有相似的计算量,从而在保证网络参数量和整体计算量与原始网络相近的条件下,将每个block拆分为若干个组,每个分组的执行状态被分别控制,这样图像处理的前馈过程中有了更多的前馈路径选择。
另外,本公开实施例还可以获得分组子网络中各网络块在执行运算处理时所使用的参数量,如卷积参数、卷积核个数等等,在执行分组之后,还需要保证分组后的各通道的参数量与未分组时的神经网络参数量相近,即使得分组后的神经网络的参数量与未分组的神经网络的参数量之间的差值小于参数量阈值。其中,神经网络的参数量可以为在对神经网络进行训练时所需要学习的参数的参数量,也就是说,不同的分组方式,神经网络所需学习的参数量可能不同。其中参数量阈值可以为0,或者也可以为其他的设定的阈值,一般可以为较小的数值,从而使得分组之后的网络和原神经网络具有相似的参数量。通过上述配置,可以实现神经网络的精度不受影响。
在确定了待执行分组子网络以及对分组子网络中各网络块执行分组的情况下,可以确定网络块中各分组的执行状态。本公开实施例可以通过对网络块中每个分组的单独控制而实现网络的优化处理,其中,本公开实施例并不会直接完全的跳过一整个网络块的所有通道的运算操作,而是根据网络块中每个分组的执行状态确定需要执行哪些分组的通道的特征处理,在提高网络处理精度的前提下,还能加快处理速度。
如上述实施例所述,在通过神经网络对图像进行特征处理的过程中,可以获得每个待执行分组处理的网络块对应的状态特征,该状态特征即为网络块内各分组对应的通道是否被执行特征处理的状态。本公开实施例中,各网络块的状态特征可以是根据神经网络的网络层执行输入图像的特征处理得到的特征图确定的,即本公开实施例可以结合输入图像的在特征处理过程中得到的特征图确定网络块的状态特征,进而执行与状态特征对应的运算处理,提高神经网络的适应性和灵活性。
图3示出根据本公开实施例的一种图像处理方法中步骤S20的流程图,根据网络块对应的状态特征,对输入至网络块的特征图执行特征处理,可以包括:
S21:基于输入至分组子网络中的第i个网络块的特征图,确定第i个网络块的状态特征,i为小于或者等于M的正整数,M表示分组子网络中的网络块的数量;
本公开实施例中,可以基于输入至每个网络块的特征图确定网络块的状态特征,也就是说,本公开实施例可以根据输入图像在神经网络的处理过程中,输入至分组子网络内各网络块的特征图,确定相应的网络块的状态特征,即确定网络块每个分组对应的通道的特征处理是否被执行的状态。进而,本公开实施例可以基于不同的输入图像的图像特征,适应性的确定网络块的状态特征,以通过由输入到网络块中的特征图确定的状态特征,执行特征图的特征处理。
在一些可能的实施方式中,分组子网络中的至少两个网络块之间可以是连续的,从而使得前一网络块输出的特征图可以作为下一网络块输入的特征图,建立网络块之间的关联性,提高状态特征的精确度。
S22:在第i个网络块的状态特征表示包括处于被执行的状态的分组的情况下,利用第i个网络块,对特征图中与处于被执行的状态的全部分组内的通道对应的图像特征,执行特征处理,得到第i个网络块的输出特征图。
如上述实施例,状态特征可以表示网络块内的分组对应的通道的特征处理是否被执行,本公开实施例,在网络块的状态特征可以表示网络块中存在至少一个分组对应的通道需要被执行特征处理的情况下,可以利用该网络块对需要被执行特征处理的通道的图像特征的特征处理,进而得到网络块的输出特征图。如上述实施例,神经网络各个网络层生成的特征图可以表示成L*W*Q,其中L和W可以分别表示特征图的长和高,Q表示通道数。可以将该Q个通道分配给预设数量个分组,如包括三个分组Q1、Q2和Q3,其中每个分组至少包括一个通道,例如,Q为3且包括的通道为R通道、G通道以及B通道的情况下,可以将该三个通道分别一一对应的分配给上述三个分组Q1、Q2和Q3,而后根据状态特征中该三个分组的执行状态确定是否执行对应的通道的特征处理。例如,网络块的状态特征可以表示为(0,1,0),其中,第一个0表示Q1内的通道对应的特征不被执行特征处理,第二个0表示Q3内的通道对应的特征不被执行特征处理,以及1表示Q2内的通道对应的特征被执行特征处理。对应的可以利用网络块中的各网络层根据该状态特征执行特征图中G通道的特征处理操作,得到输出特征图。
另外,如果网络块对应的状态特征表示该网络块内各分组对应的通道都不需要被执行特征处理,如状态特征为零向量,此时可以将输入该网络块的特征图直接输出至下一网络块,或者可以直接将输入特征图作为该网络块输出的特征图。
根据上述实施例,对于每个网络块,可以根据对应的状态特征执行输入到网络块内的特征图内的各通道的特征处理。
另外,如上述实施例,本公开实施例中各网络块的状态特征可以根据输入至网络块的特征图确定,在一个示例中,本公开实施例的网络块的状态特征可以根据输入至网络块的特征图以及该网络块的前一网络块的状态特征确定。图4示出本公开实施例的图像处理方法中步骤S201的流程图,其中,基于输入至分组子网络中的第i个网络块的特征图,确定第i个网络块的状态特征,可以包括:
S211:获取第i个网络块的特征图,以及第i-1个网络块的状态特征,其中i等于1时,第i-1个网络块的状态特征为初始状态特征;
S212:基于输入至第i个网络块的特征图,以及第i-1个的状态特征,确定第i个网络块的状态特征。
在一些可能的实施方式中,本公开实施例可以在通过神经网络对输入图像执行特征处理的过程中,实时的根据输入至分组子网络中各网络块的输入特征,以及网络块的前一网络块的状态特征,确定当前网络块的状态特征。其中,由于神经网络的至少一个网络块之前可能不存在其他的网络块,因此可以将前面不存在网络块的网络块的前一网络块的状态特征确定为初始状态特征,如由元素0组成的向量,即零向量。
其中,针对分组子网络中的每个网络块(第i个网络块),可以得到其输入特征图,例如,基础子网络输出的第一特征图可以输入至分组子网络的第一个网络块,该第一个网络块的前一网络块的状态特征可以为初始状态特征,如零向量。通过第一特征图和该初始状态特征可以得到第一个网络块的状态特征。从而可以利用第一个网络块基于确定的状态特征执行第一特征图的特征处理,得到第一个网络块的输出特征图。而后,将第一个网络块的输出特征图输入至第二个网络块作为第二个网络块的输入特征,基于该输入特征以及第一个网络块的状态特征,可以确定第二个网络块的状态特征,进而利用该第二个网络块基于确定的状态特征执行输入特征的特征处理,依次类推,可以得到分组子网络中每个网络块的状态特征,并利用状态特征执行相应的输入特征的特征处理操作。
本公开实施例可以根据神经网络在执行特征处理的过程中,生成的特征图以及前一网络块的状态特征实时的调整当前网络块的状态特征,可以有效的提高神经网络的适用性和处理精度。
下面简单举例说明上述状态特征的确定过程。图5示出根据本公开实施例的一种神经网络的结构图,其可以包括基础子网络和分组子网络,分组子网络可以包括B、C和D三个网络块,以及基础子网络包括连接在B网络块之前的至少一个网络层A。
其中,为了方便描述,神经网络的三个网络块B、C和D均作为执行分组处理的网络块,即用于形成分组子网络,在其他实施例中也可以仅包括其中的一个或两个,本公开对此不作具体限定。在对输入图像执行处理的过程中,可以将输入图像输入至该神经网络中,经过至少一个网络层A(基础子网络)处理后,得到特征图A1,基于特征图A1以及零向量确定网络块B的状态特征B1,并且网络块B可以通过确定的状态特征B1可以对A1进行处理,得到网络块B的输出结果,即特征图B2,根据特征图B2以及状态特征B1可以确定网络块C的状态特征C1,并且网络块C可以通过确定的状态特征C1可以对B2进行处理,得到网络块C的输出结果,即特征图C2,进一步地,根据特征图C2以及状态特征C1可以确定网络块D的状态特征D1,并且网络块D可以通过确定的状态特征D1可以对C2进行处理,得到网络块D的输出结果。以此类推,可以根据前一网络块的输出以及状态特征得到当前网络块的状态特征。
上述仅为示例性说明第一网络块的状态特征的确定过程,本公开对神经网络的结构和第一网络块的数量等不作具体限定。下面详细说明各状态特征的确定方式。
图6示出根据本公开实施例的一种图像处理方法中步骤S212的流程图。其中基于输入至第i个网络块的特征图,以及第i-1个的状态特征,确定第i个网络块的状态特征,包括:
S2121:对第i个网络块的特征图执行池化处理和全连接处理,得到新的特征图;
S2122:对第i-1个网络块的状态特征执行全连接处理得到新的状态特征;
S2123:基于新的特征图和新的状态特征得到第i个网络块的状态特征。
本公开实施例中,针对每个网络块(当前的网络块),可以得到该网络块的输入特征图经第一预处理后的新的特征图x以及前一网络块的状态特征经第二预处理后的新的状态特征h′,并可以根据得到的新的特征图和状态特征确定当前的网络块的状态特征。
例如,本公开实施例可以为每个网络块配置一控制器,该控制器可以用于确定相应网络块中各分组的执行状态,即可以用于执行步骤S2121-S2123,用于确定网络块的状态特征。其中,每个网络块的控制器可以有两个输入特征,其中一个特征为输入到控制器相应的网络块的特征图经第一预处理得到的新特征图x,其中第一预处理包括池化处理和全连接处理,另一个特征为控制器相应的网络块的前一网络块的状态特征经第二预处理得到的新的状态特征h′,其中第二预处理包括全连接处理,控制器的输出为其对应的网络块的状态特征h。
通过上述配置,每个block都可以被设置一个控制器模块去预测当前block所有分组对当前输入图像的特征的执行状态。控制器在作出预测的时候不仅能够考虑到当前网络块的网络层的信息也能考虑到历史控制器的状态,而且还可以将目标大类类别信息加入到控制器的监督学习当中,使得控制器具有类别估计能力从而能够作出更好的预测。
在一些可能的实施方式中,可以通过对新的特征图和新的状态特征执行融合处理,得到网络块的状态特征。该融合处理可以包括加和处理,即当前网络块的状态特征可以为新的状态特征和新的特征图之和,即h=x+h′,h表示当前网络块的状态特征。或者,在另一些实施方式中融合处理也可以为加权和处理,即也可以基于新的特征图和新的状态特征的加权和得到当前网络块的状态特征,其中新的特征图和新的状态特征的权值可以为小于1的数值,具体可以根据需求设定,如可以为0.6和0.4,本公开对此不作具体限定。
在此需要说明的是,本公开对步骤S2121和S2122的顺序不作具体限定,可以先执行步骤S2121也可以先执行步骤S2122,或者二者也可以同时执行。
通过上述方式,即可以实现每个网络块的状态特征的获取,在获取相应的网络块的状态特征h之后,即可以利用状态特征完成该网络块的对输入的特征图的处理。如上述实施例所述,状态特征可以为向量形式表示,其中各元素表示相应的分组的通道的特征处理是否被执行。在得到网络块的状态特征之后,即可以确定每个网络块中各分组的执行状态,例如执行标识为1的第一状态下的分组的通道的特征处理,跳过标识为0的第二状态下的分组的通道的特征处理,从而实现各网络块对特征图的处理操作。
图7示出根据本公开实施例的网络块内各分组的执行状态的结构示意图,其中,可以将神经网络中各网络块的通道划分成N组,N为大于1的正整数,每个分组相互独立,其中,颜色较深的实线框表示被执行的分组,即,可以执行对应通道的特征处理操作,颜色较浅的虚线框表示被跳过执行的分组,即不执行对应通道的特征处理操作。通过本公开实施例可以实现每个网络块中的每个分组的执行情况的单独控制。
图8示出根据本公开实施例通过控制器控制各网络块的执行状态的结构示意图。其中xl-1表示第l-1个网络块的状态特征,其中l为大于1且小于或者等于M+1的整数,M为网络块的数量。根据该状态特征xl-1可以对输入至第l-1个网络块的特征图执行特征处理,其中可以对状态为“被执行”的分组的通道执行特征处理,此时可以利用网络块对输入图像中该“被执行”状态分组内的通道对应的特征执行特征处理,得到相应的处理结果分组的处理结果(可以表示为特征图),以及对状态为“不被执行”的分组内的通道跳过执行特征处理,此时可以将输入的特征图中该“不被执行”的通道对应的特征作为相应分组的处理结果(同样也可以表示为特征图),进而可以得到各分组对应通道的特征的处理结果G1…GN,进一步地,基于各分组的处理结果的加和得到第l-1网络块输出的特征图,基于第l-1网络块输出的特征图以及xl-1可以得到下一个网络块的状态特征xl,按照上述过程可以完成每个网络块的状态特征的确定。
本公开实施例中,可以实时的根据输入图像的特征信息确定网络中网络块的内分组的执行状态,也就是说,可以根据输入图像的不同,执行不同的特征处理和运算过程,具有较好的灵活性。
在一些可能的实施方式中,本公开实施例还包括神经网络的训练过程。,进而可以提高神经网络的运算精度。图9示出根据本公开实施例的一种神经网络的训练过程的流程图,其中,训练神经网络的步骤包括:
S401:获取多个训练图像组,训练图像组中至少包括一个训练图像。
在一些可能的实施方式中,在确定了神经网络的分组子网络以及分组子网络中各网络块的通道的分组之后,可以对神经网络执行训练优化处理。
其中,可以首先获得多个训练图像组,每个训练图像组可以包括至少一个训练图像。其中,每个训练图像都可以具有相应的监督数据,该监督数据可以包括训练图像对应的真实结果、各网络块的分组的真实执行率、针对训练图像的目标计算量,以及每个网络块真实处理结果中的至少一种。
S402:将训练图像组输入至神经网络,通过神经网络对训练图像组中的训练图像执行图像处理,得到预测结果。
在一些可能的实施方式中,可以将训练图像组中的训练图像输入至神经网络中,得到神经网络的最终预测结果,以及各网络块的预测结果,还可以获得每个网络块的执行率以及计算量。
S403:基于图像训练组中训练图像的预测结果,得到网络损失,并基于网络损失调整神经网络的参数,直至满足优化要求。
本公开实施例可以基于各预测结果对应的损失确定神经网络的损失,进而反馈调整神经网络的参数,直至满足优化要求,其中优化要求可以包括得到的网络损失小于损失阈值,其中损失阈值可以为设定的阈值,如0.1,或者也可以为其他阈值,本公开对此不作具体限定。
在一些可能的实施方式中,可以根据目标执行率以及各网络块执行特征处理的执行率来确定执行率损失,执行率定义为e=(网络块处理的训练图像的个数)/(训练图像组中训练图像的总个数),其中例如训练图像组里面含有B个训练图像,每个block分为N组,第i组执行处理的训练图像数记为bi,则各网络块的执行率可以为对应的各该网络块的执行率损失即可以为其中z为目标执行率,L为网络的网络块block的个数,l为1到L之间的整数,el表示第l个网络块的执行率。
在一些可能的实施方式中,基于针对每组训练图像组的计算量与训练图像组对应的计算量之间的比值,可以得到计算量的损失,其中计算量损失可以表示为其中,M表示训练图像组的组数,rj表示第j组训练图像组的计算量与全部训练图像组对应的计算量之间的比值,t表示目标计算量,t为大于0且小于1的数值,j为1到M之间的整数。本公开实施例通过设定目标计算量,可以在每个训练图像组(mini-batch)的样本训练过程中计算当前图像组的计算量,以目标计算量和实际计算量之间的欧式距离作为计算量损失,使得训练出的网络具有设定的计算量。
在一些可能的实施方式中,可以针对每个网络块输出的特征图对应的预测结果得到每个网络块的预测损失,例如可以针对每个网络块的输出特征图执行分类预测,预测出该网络块的分类结果,并基于该分类结果与真实结果对应的分类损失得到每个网络块对应的损失。其中可以将每个网络块预测的分类结果和真实结果之间差值得到该网络块的预测损失,并根据各网络块的预测损失之和或者预测损失的平均值得到网络块的总的预测损失。
在一些可能的实施方式,可以得到神经网络最终的预测结果和真实结果之间的差值确定神经网络的网络预测损失。
在获得上述损失之后,可以根据网络预测损失、执行率损失、计算量损失和网络块的预测损失中各损失之间的加和得到神经网络的网络损失,或者,也可以根据每个损失的加权和得到神经网络的网络损失,其中各损失的权值可以为设定的权值,如可以为1,或者也可以为小于1的数值,本公开对此不作具体限定。在得到神经网络的网络损失之后,在该网络损失大于损失阈值的情况下,反馈调节神经网络的网络参数,如卷积参数等,重新执行样本数据的处理,直至神经网络的网络损失小于或者等于损失阈值,则可以确定为满足优化要求,此时可以得到满足要求的神经网络。
综上所述,本公开实施例中输入图像可以在神经网络中进行处理,其中,神经网络包括具有至少一个网络块的分组子网络,其中网络块的通道可以被分成至少两个分组,其中,在根据网络块对应的状态特征,对输入至网络块的特征图执行特征处理的过程中,可以根据网络块中各分组分别对应的通道的特征处理是否被执行的状态,来有选择对输入至网络块的特征图进行特征处理,相对于现有技术直接跳过整个网络块的运算操作,本公开实施例可以根据分组对应的是否被执行的状态确定是否对分组内通道的特征处理,可以适应性的执行网络块内的各个分组对应的特征处理操作,不仅可以提升神经网络的处理精度,还能够提高神经网络的处理效率。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种图像处理方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。图10示出根据本公开实施例的一种图像处理装置的框图,如图10所示,图像处理装置包括:
获取模块10,其用于获取输入图像,将输入图像输入至神经网络,神经网络包括分组子网络,分组子网络包括至少一个网络块,网络块的通道被分成至少两个分组;
图像处理模块20,其用于利用神经网络对输入图像执行特征处理,得到图像处理结果;其中,在通过分组子网络执行特征处理的情况下,根据网络块对应的状态特征,对输入至网络块的特征图执行特征处理,状态特征包括表示网络块内的各分组分别对应的通道的特征处理是否被执行的状态。本公开实施例能够通过神经网络中的分组子网络执行输入图像的通道的特征的分组处理,其中可以根据网络块对应的状态特征,对输入至网络块的特征图执行特征处理的过程中,可以根据网络块中各分组分别对应的通道的特征处理是否被执行的状态,来有选择对输入至网络块的特征图进行特征处理,不仅可以提升神经网络的处理精度,还能够提高神经网络的处理效率。
在一些可能的实施方式中,装置还包括确定模块,其用于根据以下方式确定神经网络中的分组子网络:基于神经网络中生成相同分辨率的特征图的至少两个连续地网络层形成网络块;将形成的至少一个网络块构成的网络部分确定为分组子网络。本公开实施例可以灵活的配置分组子网络中的各网络块。
在一些可能的实施方式中,装置还模块分组模块,其用于根据以下方式对网络块的通道进行分组处理:按照网络块的通道数,将网络块的通道平均划分成预设数量个分组。本公开实施例可以简单方便的实现网络块对应通道的分组处理。
在一些可能的实施方式中,装置还模块分组模块,其用于根据以下方式对网络块的通道进行分组处理:将网络块中的通道划分成预设数量个第一分组;在分组后的神经网络执行特征处理产生的计算量与未分组的神经网络执行特征处理产生的计算量之间的差值小于计算量阈值的情况下,和/或在分组后的神经网络的参数量与未分组的神经网络的参数量之间的差值小于参数量阈值的情况下,将预设数量个第一分组确定为网络块的至少两个分组。本公开实施例可以使得分组后的神经网络与分组前的神经网络保持相近的计算量和参数量,保证神经网络的稳定性和处理精度。
在一些可能的实施方式中,图像处理模块还包括:状态特征确定单元,其用于基于输入至分组子网络中的第i个网络块的特征图,确定第i个网络块的状态特征,i为小于或者等于M的正整数,M表示分组子网络中的网络块的数量;特征处理单元,其用于在第i个网络块的状态特征表示包括处于被执行的状态的分组的情况下,利用第i个网络块,对特征图中与处于被执行的状态的全部分组内的通道对应的图像特征,执行特征处理,得到第i个网络块的输出特征图。本公开实施例可以为每个网络块配置对应的状态特征,从而可以根据状态特征执行相应通道的特征处理。
在一些可能的实施方式中,状态特征确定单元还用于获取输入至第i个网络块的特征图,以及第i-1个网络块的状态特征,其中i等于1时,第i-1个网络块的状态特征为初始状态特征;基于输入至第i个网络块的特征图,以及第i-1个的状态特征,确定第i个网络块的状态特征。本公开实施例可以根据前一网络块的输出特征以及状态特征,得到下一网络块的状态特征,提高网络块之间的关联性,提高状态特征的精确度。
在一些可能的实施方式中,状态特征确定单元还用于对第i个网络块的特征图执行池化处理和全连接处理,得到新的特征图;对第i-1个网络块的状态特征执行全连接处理得到新的状态特征;基于新的特征图和新的状态特征得到第i个网络块的状态特征。本公开实施例可以通过池化和全连接的处理方式,增加网络块之间的关联性。
在一些可能的实施方式中,状态特征确定单元还用于对新的特征图和新的状态特征执行融合处理,得到第i个网络块的状态特征。本公开实施例可以通过特征融合的方式,增加网络块之间的关联性。
在一些可能的实施方式中,神经网络还包括基础子网络,图像处理模块还用于利用基础子网络对输入图像执行特征处理,得到第一特征图;利用分组子网络对第一特征图执行特征处理,得到第二特征图;基于第二特征图,确定图像处理结果。本公开实施例通过基础子网络和分组子网络的分别配置,实现输入图像的精确处理,同时提高处理效率。
在一些可能的实施方式中,神经网络为用于执行特征提取或者目标检测的神经网络。
在一些可能的实施方式中,装置还包括训练模块,其用于:获取多个训练图像组,训练图像组中至少包括一个训练图像;将训练图像组输入至神经网络,通过神经网络对训练图像组中的训练图像进行图像处理,得到预测结果;基于图像训练组中训练图像的预测结果,得到网络损失,并基于网络损失调整神经网络的参数,直至满足优化要求。本公开实施例通过对神经网络的训练,可以使得神经网络满足优化要求,提高神经网络的处理精度。
在一些可能的实施方式中,训练模块还用于根据图像训练组中训练图像的预测结果,得到网络预测损失;根据神经网络中的各网络块的执行特征处理的执行率,确定执行率损失;根据神经网络对各图像训练组进行图像处理产生的计算量,确定计算量损失;根据各网络块的输出特征图,确定网络块的预测损失;基于网络预测损失、执行率损失、计算量损失和网络块的预测损失,确定网络损失。通过上述损失的设置,可以综合性的提高神经网络的预测精度,同时还可以使得神经网络的执行率、计算量都达到相应的要求,提高神经网络的适用性以及处理效率。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图11示出根据本公开实施例的一种电子设备的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图11,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图12示出根据本公开实施例的另一种电子设备的框图。例如,电子设备1900可以被提供为一服务器。参照图12,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分,模块、程序段或指令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。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,两个连续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动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。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
获取输入图像,将所述输入图像输入至神经网络,所述神经网络包括分组子网络,所述分组子网络包括至少一个网络块,所述网络块的通道被分成至少两个分组;
利用所述神经网络对所述输入图像执行特征处理,得到图像处理结果;
其中,在通过所述分组子网络执行所述特征处理的情况下,根据所述网络块对应的状态特征,对输入至所述网络块的特征图执行特征处理,所述状态特征包括表示所述网络块内的各所述分组分别对应的通道的特征处理是否被执行的状态。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括根据以下方式确定所述神经网络中的所述分组子网络:
基于所述神经网络中生成相同分辨率的特征图的至少两个连续地网络层形成所述网络块;
将形成的至少一个所述网络块构成的网络部分确定为所述分组子网络。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括根据以下方式对所述网络块的通道进行分组处理:
按照所述网络块的通道数,将所述网络块的通道平均划分成预设数量个分组。
4.根据权利要求1或2所述的方法,其特征在于,所述方法还包括根据以下方式对所述网络块的通道进行分组处理:
将所述网络块中的通道划分成预设数量个第一分组;
响应于分组后的神经网络执行所述特征处理产生的计算量与未分组的神经网络执行所述特征处理产生的计算量之间的差值小于计算量阈值,和/或分组后的神经网络的参数量与未分组的神经网络的参数量之间的差值小于参数量阈值,将所述预设数量个第一分组确定为所述网络块的所述至少两个分组。
5.根据权利要求1-4中任意一项所述的方法,其特征在于,所述根据所述网络块对应的状态特征,对输入至所述网络块的特征图执行特征处理,包括:
基于输入至所述分组子网络中的第i个网络块的特征图,确定所述第i个网络块的状态特征,i为小于或者等于M的正整数,M表示所述分组子网络中的网络块的数量;
响应于所述第i个网络块的状态特征表示包括处于被执行的状态的分组,利用所述第i个网络块,对所述特征图中与处于被执行的状态的全部分组内的通道对应的图像特征,执行特征处理,得到所述第i个网络块的输出特征图。
6.根据权利要求5所述的方法,其特征在于,所述基于输入至所述分组子网络中的第i个网络块的特征图,确定所述第i个网络块的状态特征,包括:
获取输入至所述第i个网络块的特征图,以及第i-1个网络块的状态特征,其中i等于1时,第i-1个网络块的状态特征为初始状态特征;
基于输入至所述第i个网络块的特征图,以及所述第i-1个的状态特征,确定所述第i个网络块的状态特征。
7.根据权利要求6所述的方法,其特征在于,所述基于输入至所述第i个网络块的特征图,以及所述第i-1个的状态特征,确定所述第i个网络块的状态特征,包括:
对所述第i个网络块的特征图执行池化处理和全连接处理,得到新的特征图;
对所述第i-1个网络块的状态特征执行全连接处理得到新的状态特征;
基于所述新的特征图和所述新的状态特征得到所述第i个网络块的状态特征。
8.一种图像处理装置,其特征在于,包括:
获取模块,其用于获取输入图像,将所述输入图像输入至神经网络,所述神经网络包括分组子网络,所述分组子网络包括至少一个网络块,所述网络块的通道被分成至少两个分组;
图像处理模块,其用于利用所述神经网络对所述输入图像执行特征处理,得到图像处理结果;
其中,在通过所述分组子网络执行所述特征处理的情况下,根据所述网络块对应的状态特征,对输入至所述网络块的特征图执行特征处理,所述状态特征包括表示所述网络块内的各所述分组分别对应的通道的特征处理是否被执行的状态。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910774445.8A CN110543900A (zh) | 2019-08-21 | 2019-08-21 | 图像处理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910774445.8A CN110543900A (zh) | 2019-08-21 | 2019-08-21 | 图像处理方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110543900A true CN110543900A (zh) | 2019-12-06 |
Family
ID=68711744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910774445.8A Pending CN110543900A (zh) | 2019-08-21 | 2019-08-21 | 图像处理方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110543900A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222561A (zh) * | 2019-12-31 | 2020-06-02 | 深圳云天励飞技术有限公司 | 图像识别神经网络处理方法、装置与系统 |
CN112802012A (zh) * | 2021-03-09 | 2021-05-14 | 中南大学湘雅医院 | 病理图像检测方法、装置、计算机设备和存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009594A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于变分组卷积的图像识别方法 |
CN108596248A (zh) * | 2018-04-23 | 2018-09-28 | 上海海洋大学 | 一种基于改进深度卷积神经网络的遥感影像分类模型 |
CN108846445A (zh) * | 2018-06-26 | 2018-11-20 | 清华大学 | 一种基于相似性学习的卷积神经网络滤波器剪枝技术 |
CN108846420A (zh) * | 2018-05-28 | 2018-11-20 | 北京陌上花科技有限公司 | 网络结构以及客户端 |
US20180336425A1 (en) * | 2017-05-16 | 2018-11-22 | Nec Laboratories America, Inc. | Pruning filters for efficient convolutional neural networks for image recognition in vehicles |
CN109165723A (zh) * | 2018-08-03 | 2019-01-08 | 北京字节跳动网络技术有限公司 | 用于处理数据的方法和装置 |
CN109299722A (zh) * | 2018-08-16 | 2019-02-01 | 北京旷视科技有限公司 | 用于神经网络的特征图处理方法、装置和系统及存储介质 |
CN109344921A (zh) * | 2019-01-03 | 2019-02-15 | 湖南极点智能科技有限公司 | 一种基于深度神经网络模型的图像识别方法、装置及设备 |
CN109472801A (zh) * | 2018-11-22 | 2019-03-15 | 廖祥 | 一种用于多尺度的神经形态检测和分割方法 |
CN109711532A (zh) * | 2018-12-06 | 2019-05-03 | 东南大学 | 一种针对硬件实现稀疏化卷积神经网络推断的加速方法 |
CN109978142A (zh) * | 2019-03-29 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 神经网络模型的压缩方法和装置 |
CN109993297A (zh) * | 2019-04-02 | 2019-07-09 | 南京吉相传感成像技术研究院有限公司 | 一种负载均衡的稀疏卷积神经网络加速器及其加速方法 |
-
2019
- 2019-08-21 CN CN201910774445.8A patent/CN110543900A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180336425A1 (en) * | 2017-05-16 | 2018-11-22 | Nec Laboratories America, Inc. | Pruning filters for efficient convolutional neural networks for image recognition in vehicles |
CN108009594A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于变分组卷积的图像识别方法 |
CN108596248A (zh) * | 2018-04-23 | 2018-09-28 | 上海海洋大学 | 一种基于改进深度卷积神经网络的遥感影像分类模型 |
CN108846420A (zh) * | 2018-05-28 | 2018-11-20 | 北京陌上花科技有限公司 | 网络结构以及客户端 |
CN108846445A (zh) * | 2018-06-26 | 2018-11-20 | 清华大学 | 一种基于相似性学习的卷积神经网络滤波器剪枝技术 |
CN109165723A (zh) * | 2018-08-03 | 2019-01-08 | 北京字节跳动网络技术有限公司 | 用于处理数据的方法和装置 |
CN109299722A (zh) * | 2018-08-16 | 2019-02-01 | 北京旷视科技有限公司 | 用于神经网络的特征图处理方法、装置和系统及存储介质 |
CN109472801A (zh) * | 2018-11-22 | 2019-03-15 | 廖祥 | 一种用于多尺度的神经形态检测和分割方法 |
CN109711532A (zh) * | 2018-12-06 | 2019-05-03 | 东南大学 | 一种针对硬件实现稀疏化卷积神经网络推断的加速方法 |
CN109344921A (zh) * | 2019-01-03 | 2019-02-15 | 湖南极点智能科技有限公司 | 一种基于深度神经网络模型的图像识别方法、装置及设备 |
CN109978142A (zh) * | 2019-03-29 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 神经网络模型的压缩方法和装置 |
CN109993297A (zh) * | 2019-04-02 | 2019-07-09 | 南京吉相传感成像技术研究院有限公司 | 一种负载均衡的稀疏卷积神经网络加速器及其加速方法 |
Non-Patent Citations (2)
Title |
---|
YIHUI HE 等: "Channel Pruning for Accelerating Very Deep Neural Networks", 《ARXIV:1707.06168V2》 * |
YINGCHENG SU 等: "Dynamic Multi-path Neural Network", 《ARXIV:1902.10949V3》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222561A (zh) * | 2019-12-31 | 2020-06-02 | 深圳云天励飞技术有限公司 | 图像识别神经网络处理方法、装置与系统 |
CN112802012A (zh) * | 2021-03-09 | 2021-05-14 | 中南大学湘雅医院 | 病理图像检测方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210535B (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN110647834B (zh) | 人脸和人手关联检测方法及装置、电子设备和存储介质 | |
CN109800737B (zh) | 面部识别方法及装置、电子设备和存储介质 | |
CN109522910B (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN109697734B (zh) | 位姿估计方法及装置、电子设备和存储介质 | |
WO2020093837A1 (zh) | 人体骨骼关键点的检测方法、装置、电子设备及存储介质 | |
JP7125541B2 (ja) | ビデオ修復方法および装置、電子機器、ならびに記憶媒体 | |
CN111462268B (zh) | 图像重建方法及装置、电子设备和存储介质 | |
CN110837761B (zh) | 多模型知识蒸馏方法及装置、电子设备和存储介质 | |
CN109766954B (zh) | 一种目标对象处理方法、装置、电子设备及存储介质 | |
CN109919300B (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN110909815B (zh) | 神经网络训练、图像处理方法、装置及电子设备 | |
CN107832836B (zh) | 无模型深度增强学习探索方法及装置 | |
CN110458218B (zh) | 图像分类方法及装置、分类网络训练方法及装置 | |
CN109902738B (zh) | 网络模块和分配方法及装置、电子设备和存储介质 | |
CN111310616A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN111340731B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN108960283B (zh) | 分类任务增量处理方法及装置、电子设备和存储介质 | |
CN109858614B (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
CN111062237A (zh) | 识别图像中的序列的方法及装置、电子设备和存储介质 | |
CN107967459B (zh) | 卷积处理方法、装置及存储介质 | |
CN107341509B (zh) | 卷积神经网络的训练方法、装置及可读存储介质 | |
CN110533105B (zh) | 一种目标检测方法及装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191206 |