CN111488964A - 图像处理方法及装置、神经网络训练方法及装置 - Google Patents

Abstract

本公开涉及一种图像处理方法及装置、神经网络训练方法及装置，所述方法包括：将待处理图像输入第一神经网络中的卷积层以进行特征提取，得到第一特征图；将第一特征图输入第一神经网络中与卷积层连接的合并卷积层以进行特征提取，得到第二特征图；经第一神经网络中与合并卷积层连接的至少一其他网络层对第二特征图进行处理，得到待处理图像的处理结果。各平行卷积层合并后得到的合并卷积层可以同时提取到多个尺度的特征。第一神经网络在使用时不用花费过多的测试时间，可以提取到各平行卷积层提取的特征，提取到的特征更加完整，提高了基于神经网络的图像处理效率。

Description

图像处理方法及装置、神经网络训练方法及装置

技术领域

本公开涉及机器学习技术领域，尤其涉及一种图像处理方法及装置、神经网络训练方法及装置。

背景技术

在不同的应用场景中，神经网络中的卷积层可以作为特征提取器，在数据中提取特征，以使神经网络中的其它层可以利用提取的特征进行分类、分割等任务，最终得到神经网络的检测结果。卷积层提取特征的多少可以影响到神经网络的检测结果的准确率。传统的神经网络生成方法生成的神经网络中包括一系列堆叠的卷积层，各层提取的特征越来越抽象，神经网络提取的特征单一，导致神经网络的检测结果准确率低、图像处理结果不准确。

发明内容

本公开提出了一种图像处理技术方案。

根据本公开的一方面，提供了一种图像处理方法，所述方法包括：

将待处理图像输入第一神经网络中的卷积层以进行特征提取，得到第一特征图；

将所述第一特征图输入所述第一神经网络中与所述卷积层连接的合并卷积层以进行特征提取，得到第二特征图；其中，所述合并卷积层由预先训练完成的多个平行卷积层合并得到，各所述平行卷积层分别用于提取所输入图像的不同特征；

经所述第一神经网络中与所述合并卷积层连接的至少一其他网络层对所述第二特征图进行处理，得到所述待处理图像的处理结果。

在一种可能的实现方式中，所述将待处理图像输入第一神经网络中的卷积层以进行特征提取之前，还包括：

基于样本图像对第二神经网络进行训练，其中，所述第二神经网络包括：卷积层、分别与所述卷积层连接的多个平行卷积层、以及分别与所述多个平行卷积层连接的至少一其他网络层；

将训练完成后的所述第二神经网络中的多个平行卷积层合并为所述合并卷积层，得到所述第一神经网络。

在一种可能的实现方式中，所述多个平行卷积层中至少二个平行卷积层的网络参数相同；或者，

所述多个平行卷积层中至少二个平行卷积层的网络参数不同。

在一种可能的实现方式中，所述基于样本图像对第二神经网络进行训练，包括：

对所述第二神经网络中的多个平行卷积层中至少一平行卷积层进行部分通道关闭处理；基于样本图像对部分通道关闭处理后的第二神经网络进行训练。

在一种可能的实现方式中，所述对所述第二神经网络中的多个平行卷积层中至少一平行卷积层进行部分通道关闭处理，包括：

对所述第二神经网络中的多个平行卷积层中各平行卷积层随机进行部分通道关闭处理。

在一种可能的实现方式中，各所述平行卷积层的输出通道数相等，各所述平行卷积层输出的特征图大小相等。

在一种可能的实现方式中，各所述平行卷积层的卷积核的尺寸包括以下尺寸中的任意一种或两种：M×N，1×1，其中M和N是大于1的正整数。

根据本公开的一方面，提供了一种神经网络训练方法，所述方法包括：

将样本图像输入第二神经网络中的卷积层以进行特征提取，得到第一样本特征图；

将所述第一样本特征图输入所述第二神经网络中与所述卷积层连接的多个平行卷积层以进行特征提取，得到多个第二样本特征图；其中，各所述平行卷积层分别用于提取所输入图像的不同特征；

经所述第二神经网络中与所述多个平行卷积层连接的至少一其他网络层对所述第二特征图进行处理，得到所述样本图像的预测结果；

根据所述预测结果和所述样本图像的实际标识，确定所述第二神经网络的损失，向所述第二神经网络反向传播所述损失，以调整所述第二神经网络的参数；

将训练好的所述第二神经网络中的各所述平行卷积层合并得到合并卷积层；

根据所述第二神经网络中的所述卷积层、所述合并卷积层和所述第二神经网络中的所述至少一其他网络层，得到第一神经网络。

在一种可能的实现方式中，所述多个平行卷积层中至少二个平行卷积层的网络参数相同；或者，

所述多个平行卷积层中至少二个平行卷积层的网络参数不同。

在一种可能的实现方式中，所述将所述第一样本特征图输入所述第二神经网络中与所述卷积层连接的多个平行卷积层以进行特征提取，得到多个第二样本特征图，包括：

对所述第二神经网络中的所述多个平行卷积层中至少一平行卷积层的进行部分通道关闭处理；

将所述第一样本特征图输入部分通道关闭处理后的所述多个平行卷积层以进行特征提取，得到多个第二样本特征图。

在一种可能的实现方式中，所述对所述第二神经网络中的所述多个平行卷积层中至少一平行卷积层进行部分通道关闭处理，包括：

对所述第二神经网络中的所述多个平行卷积层中各平行卷积层随机进行部分通道关闭处理。

在一种可能的实现方式中，各所述平行卷积层的输出通道数相等，各所述平行卷积层输出的特征图大小相等。

在一种可能的实现方式中，各所述平行卷积层的卷积核的尺寸包括以下尺寸中的任意一种或两种：M×N，1×1，其中M和N是大于1的正整数。

根据本公开的一方面，提供了一种图像处理装置，所述装置包括：

第一特征图提取模块，用于将待处理图像输入第一神经网络中的卷积层以进行特征提取，得到第一特征图；

第二特征图提取模块，用于将所述第一特征图输入所述第一神经网络中与所述卷积层连接的合并卷积层以进行特征提取，得到第二特征图；其中，所述合并卷积层由预先训练完成的多个平行卷积层合并得到，各所述平行卷积层分别用于提取所输入图像的不同特征；

处理结果获取模块，用于经所述第一神经网络中与所述合并卷积层连接的至少一其他网络层对所述第二特征图进行处理，得到所述待处理图像的处理结果。

在一种可能的实现方式中，所述装置还包括：

训练模块，用于基于样本图像对第二神经网络进行训练，其中，所述第二神经网络包括：卷积层、分别与所述卷积层连接的多个平行卷积层、以及分别与所述多个平行卷积层连接的至少一其他网络层；

合并模块，用于将训练完成后的所述第二神经网络中的多个平行卷积层合并为所述合并卷积层，得到所述第一神经网络。

在一种可能的实现方式中，所述多个平行卷积层中至少二个平行卷积层的网络参数相同；或者，

所述多个平行卷积层中至少二个平行卷积层的网络参数不同。

在一种可能的实现方式中，所述训练模块，包括：

部分关闭子模块，用于对所述第二神经网络中的多个平行卷积层中至少一平行卷积层进行部分通道关闭处理；基于样本图像对部分通道关闭处理后的第二神经网络进行训练。

在一种可能的实现方式中，所述部分关闭子模块，用于：

对所述第二神经网络中的多个平行卷积层中各平行卷积层随机进行部分通道关闭处理。

在一种可能的实现方式中，各所述平行卷积层的输出通道数相等，各所述平行卷积层输出的特征图大小相等。

在一种可能的实现方式中，各所述平行卷积层的卷积核的尺寸包括以下尺寸中的任意一种或两种：M×N，1×1，其中M和N是大于1的正整数。

根据本公开的一方面，提供了一种神经网络训练装置，所述装置包括：

第一特征提取模块，用于将样本图像输入第二神经网络中的卷积层以进行特征提取，得到第一样本特征图；

第二特征提取模块，用于将所述第一样本特征图输入所述第二神经网络中与所述卷积层连接的多个平行卷积层以进行特征提取，得到多个第二样本特征图；其中，各所述平行卷积层分别用于提取所输入图像的不同特征；

结果获取模块，用于经所述第二神经网络中与所述多个平行卷积层连接的至少一其他网络层对所述第二特征图进行处理，得到所述样本图像的预测结果；

反向传播模块，用于根据所述预测结果和所述样本图像的实际标识，确定所述第二神经网络的损失，向所述第二神经网络反向传播所述损失，以调整所述第二神经网络的参数；

合并模块，用于将训练好的所述第二神经网络中的各所述平行卷积层合并得到合并卷积层；

第一神经网络获取模块，用于根据所述第二神经网络中的所述卷积层、所述合并卷积层和所述第二神经网络中的所述至少一其他网络层，得到第一神经网络。

在一种可能的实现方式中，所述多个平行卷积层中至少二个平行卷积层的网络参数相同；或者，

所述多个平行卷积层中至少二个平行卷积层的网络参数不同。

在一种可能的实现方式中，所述第二特征提取模块，包括：

通道关闭子模块，用于对所述第二神经网络中的所述多个平行卷积层中至少一平行卷积层的进行部分通道关闭处理；

第二特征提取子模块，用于将所述第一样本特征图输入部分通道关闭处理后的所述多个平行卷积层以进行特征提取，得到多个第二样本特征图。

在一种可能的实现方式中，所述第二特征提取子模块，用于：

对所述第二神经网络中的所述多个平行卷积层中各平行卷积层随机进行部分通道关闭处理。

在一种可能的实现方式中，各所述平行卷积层的输出通道数相等，各所述平行卷积层输出的特征图大小相等。

在一种可能的实现方式中，各所述平行卷积层的卷积核的尺寸包括以下尺寸中的任意一种或两种：M×N，1×1，其中M和N是大于1的正整数。

根据本公开的一方面，提供了一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行上述任意一项所述的方法。

根据本公开的一方面，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上述任意一项所述的方法。

在本实施例中，将待处理图像输入第一神经网络中的卷积层以进行特征提取，得到第一特征图；将第一特征图输入第一神经网络中与卷积层连接的合并卷积层以进行特征提取，得到第二特征图；其中，合并卷积层由预先训练完成的多个平行卷积层合并得到，各平行卷积层分别用于提取所输入图像的不同特征；经第一神经网络中与合并卷积层连接的至少一其他网络层对第二特征图进行处理，得到待处理图像的处理结果。第一神经网络在使用时不用花费过多的测试时间，可以提取到各平行卷积层提取的特征，提取到的特征更加完整，提高了基于神经网络的图像处理效率。

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图像处理方法的流程图；

图2示出根据本公开实施例的图像处理方法的流程图；

图3示出根据本公开实施例的图像处理方法的流程图；

图4示出根据本公开实施例的神经网络训练方法中第二神经网络的结构框图；

图5示出根据本公开实施例的神经网络训练方法中第一神经网络的结构框图；

图6示出根据本公开实施例的图像处理装置的框图；

图7示出根据本公开实施例的图像处理装置的框图；

图8是根据一示例性实施例示出的一种电子设备的框图；

图9是根据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

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。

图1示出根据本公开实施例的图像处理方法的流程图，如图1所示，所述图像处理方法包括：

步骤S10，将待处理图像输入第一神经网络中的卷积层以进行特征提取，得到第一特征图。

在一种可能的实现方式中，卷积层可以用于提取待处理图像中的特征，包括提取图像中的颜色特征、纹理特征、形状特征和空间关系特征等。第一神经网络中可以包括卷积层，用于根据预设的卷积核参数等，提取待处理图像中的特征得到第一特征图。

步骤S20，将所述第一特征图输入所述第一神经网络中与所述卷积层连接的合并卷积层以进行特征提取，得到第二特征图；其中，所述合并卷积层由预先训练完成的多个平行卷积层合并得到，各所述平行卷积层分别用于提取所输入图像的不同特征。

在一种可能的实现方式中，可以训练包括卷积层和多个平行卷积的第二神经网络。第二神经网络中多个平行卷积层平行连接至卷积层，各平行卷积层可以用于提取所输入图像的不同特征。例如，第二神经网络可以包括三个并列的平行卷积层，分别为平行卷积层1、平行卷积层2和平行卷积层3。可以将平行卷积层1可以用于提取所输入图像A的特征向量1，平行卷积层2可以用于提取所输入图像A的特征向量2，平行卷积层3可以用于提取所输入图像A的的特征向量3。特征向量1、特征向量2和特征向量3不同。

在第二神经网络训练完成后，可以将多个平行卷积层合并，得到合并卷积层。可以根据卷积层和合并卷积层得到第一神经网络。可以将第一特征图输入合并卷积层进行特征提取，得到第二特征图。多个平行卷积层合并得到的合并卷积层，可以用于提取到各平行卷积层所提取的特征，第二特征图可以包括多个维度的特征。

步骤S30，经所述第一神经网络中与所述合并卷积层连接的至少一其他网络层对所述第二特征图进行处理，得到所述待处理图像的处理结果。

在一种可能的实现方式中，所述图像处理可以包括以下图像处理中的至少一种：图像识别、图像分割、图像语义分割、图像分类、对象检测。可以根据图像处理的需求，确定与合并卷积层连接的其他网络层。例如，当图像处理为图像分类时，第一神经网络中与合并卷积层连接的至少一其他网络层可以为全连接层。可以将第二特征图输入全连接层，得到图像分类结果。其他网络层也可以为卷积层等，本公开对此不做限定。

在本实施例中，将待处理图像输入第一神经网络中的卷积层以进行特征提取，得到第一特征图；将第一特征图输入第一神经网络中与卷积层连接的合并卷积层以进行特征提取，得到第二特征图；其中，合并卷积层由预先训练完成的多个平行卷积层合并得到，各平行卷积层分别用于提取所输入图像的不同特征；经第一神经网络中与合并卷积层连接的至少一其他网络层对第二特征图进行处理，得到待处理图像的处理结果。第一神经网络在使用时不用花费过多的测试时间，可以提取到各平行卷积层提取的特征，提取到的特征更加完整，提高了基于神经网络的图像处理效率。

图2示出根据本公开实施例的图像处理方法的流程图，如图2所示，所述图像处理方法还包括：

步骤S40，基于样本图像对第二神经网络进行训练，其中，所述第二神经网络包括：卷积层、分别与所述卷积层连接的多个平行卷积层、以及分别与所述多个平行卷积层连接的至少一其他网络层；

步骤S50，将训练完成后的所述第二神经网络中的多个平行卷积层合并为所述合并卷积层，得到所述第一神经网络。

在一种可能的实现方式中，可以对各所述平行卷积层的权重进行训练。在所述第二神经网络完成训练的情况下，根据所述权重合并各所述平行卷积层得到合并卷积层。

在一种可能的实现方式中，可以为各平行卷积层分别设置权重。在第二神经网络的训练过程中，可以对个平行卷积层的权重分别进行训练。可以将各平行卷层输出的特征，与各平行卷积层对应的权重相乘后得到加权特征，可以将各平行卷积层的加权特征合并后用于后续第二神经网络的运算，完成一次第二神经网络的训练过程。例如，可以将第N个样本图像输入第二神经网络，根据最终得到的第二神经网络对于第N个样本图像的损失，对第二神经网络进行反向传播，在反向传播的过程中，调整各平行卷积层的参数，同时调整各平行卷积层的权重。可以将第N+1个样本图像输入反向传播后的第二神经网络，并重复迭代训练过程。当第二神经网络完成训练时，可以得到各平行卷积层的参数，以及各平行卷积层的权重。根据权重的不同，各平行卷积层输出的特征可以在第二神经网络的输出结果中得到不同程度的体现，使得第二神经网络的输出结果更加符合样本图像的实际标识。

在一种可能的实现方式中，在第二神经网络完成训练后，可以将各平行卷积层的参数和权重相乘后，得到各平行卷积层的待合并参数。可以将各平行卷积层的待合并参数进行合并，得到合并卷积层的参数，最终得到合并卷积层。可以对各平行卷积层的权重进行训练。在第二神经网络完成训练的情况下，根据权重合并各平行卷积层得到合并卷积层。根据各平行卷积层的权重得到的合并卷积层，能够提高第一神经网络的准确率。

在本实施例中，基于样本图像对第二神经网络进行训练，其中，第二神经网络包括：卷积层、分别与所述卷积层连接的多个平行卷积层、以及分别与所述多个平行卷积层连接的至少一其他网络层；将训练完成后的第二神经网络中的多个平行卷积层合并为合并卷积层，得到所述第一神经网络。根据平行卷积层合并得到的合并卷积层，可以用于学习到各平行卷积的不同特征，提高第一神经网络的特征提取效率。

在一种可能的实现方式中，所述多个平行卷积层中至少二个平行卷积层的网络参数相同；或者，所述多个平行卷积层中至少二个平行卷积层的网络参数不同。

在一种可能的实现方式中，网络参数可以包括通道数和/或卷积核大小参数等。本公开对网络参数的具体内容不做限定。

在一种可能的实现方式中，各所述平行卷积层的输出通道数相等，各所述平行卷积层输出的特征图大小相等。

在一种可能的实现方式中，卷积层的输出通道数可以包括所述卷积层的图像的色彩通道。各平行卷积层之间的输出通道数相等，输出的特征图大小相等。各平行卷积层可以将输入的特征图像进行卷积处理，得到与输入的特征图像大小相等的特征图。

在一种可能的实现方式中，各平行卷积层的输出通道数相等，各输出的特征图大小相等，表示各平行卷积层的参数相同，各平行卷积层可以被合并后得到合并卷积层。合并卷积层的输出通道数可以与各平行卷层的输出通道数相等，合并卷积层输出的特征图的大小可以与各平行卷积层输出的特征图的大小相等。

在一种可能的实现方式中，各平行卷积层的卷积核的尺寸可以包括以下尺寸中的任意一种或两种：M×N，1×1，其中M和N是大于1的正整数。由此满足对图像不同感受野的特征提取处理。

在一种可能的实现方式中，各平行卷积层的卷积核的尺寸可以为M×N，M与N可以相等也可以不等。例如，三个平行卷积层的卷积核的尺寸可以为4×3、4×3、4×3。或三个平行卷积层的卷积核的尺寸可以为3×3、3×3、3×3。

在一种可能的实现方式中，三个平行卷积层的卷积核的尺寸可以为1×1、1×1、1×1。

在一种可能的实现方式中，各平行卷积层的卷积核的尺寸可以为M×N和1×1。例如，三个平行卷积层的卷积核的尺寸可以为4×3、4×3、1×1。或三个平行卷积层的卷积核的尺寸可以为4×3、1×1、1×1。或三个平行卷积层的卷积核的尺寸可以为3×3、1×1、1×1。或三个平行卷积层的卷积核的尺寸可以为3×3、3×3、1×1。

在一种可能的实现方式中，在所述第二神经网络完成训练的情况下，合并各所述平行卷积层的参数得到合并参数，根据所述合并参数得到合并卷积层。

在一种可能的实现方式中，在第二神经网络完成训练的情况下，可以得到第二神经网路中各层的参数，包括得到各平行卷积层的参数。平行卷积层的参数可以包括卷积核的尺寸、输入通道数、输出通道数。

例如，三个平行卷积层的参数分别为：

第一个平行卷积层的卷积核尺寸为3x3，该平行卷积层的输入为256，56，56(输入通道数为256，宽为56，高为56)；

第二个平行卷积层的卷积核尺寸为3x3，该平行卷积层的输入为256，56，56(输入通道数为256，宽为56，高为56)；

第三个平行卷积层的卷积核尺寸为1x1，该平行卷积层的输入为256，56，56(输入通道数为256，宽为56，高为56)；

则三个平行卷积层合并后的合并卷积层的参数为512x3x3x256。可以根据合并卷积层的参数得到合并卷积层。

在本实施例中，多个平行卷积层中至少二个平行卷积层的网络参数相同；或者，多个平行卷积层中至少二个平行卷积层的网络参数不同。平行卷积层的网络参数相同或不同，可以使得根据平行卷积层得到的合并卷积层，能够根据需求提取不同的特征，灵活性高，适用范围广。

在一种可能的实现方式中，所述基于样本图像对第二神经网络进行训练，包括：

对所述第二神经网络中的多个平行卷积层中至少一平行卷积层进行部分通道关闭处理；基于样本图像对部分通道关闭处理后的第二神经网络进行训练。

在一种可能的实现方式中，可以对第二神经网络中的多个平行卷积层中，随机确定至少一平行卷积层进行部分通道关闭处理。例如，第二神经网络包括4个平行卷积层：平行卷积层1、平行卷积层2、平行卷积层3和平行卷积层4。可以随机确定平行卷积层1和平行卷积层2进行部分通道关闭处理，也可以随机确定平行卷积层2、平行卷积层3和平行卷积层4进行部分通道关闭处理。本公开对此不做限定。

在一种可能的实现方式中，所述对所述第二神经网络中的多个平行卷积层中至少一平行卷积层的进行部分通道关闭处理，包括：

对所述第二神经网络中的多个平行卷积层中各平行卷积层随机进行部分通道关闭处理。

在一种可能的实现方式中，各平行卷积层可以分别提取到所输入图像中的不同特征。在第二神经网络的训练过程中，可能出现多次训练后，各平行卷积层中有一个平行卷积层被使用的情况。可以在第二神经网络的每次训练过程中，将各平行卷积层中部分通道按照一定的概率暂时丢弃(dropout)，相当于对部分通道进行关闭处理。可以随机将各平行卷积层中一定比例的通道进行暂时丢弃，以使各平行卷积层都能可以能够学习，防止第二神经网络的过拟合。

在本实施例中，基于样本图像对第二神经网络进行训练，包括：对所述第二神经网络中的多个平行卷积层中至少一平行卷积层进行部分通道关闭处理；基于样本图像对部分通道关闭处理后的第二神经网络进行训练。对部分平行卷积层或部分通道进行关闭处理，可以使得第二神经网络中的各平行卷积层进行都能够充分学习，防止第二神经网络过拟合，以使根据各平行卷积层合并得到的合并卷积层能够提取到多维度的特征。

图3示出根据本公开实施例的神经网络训练方法的流程图，如图3所示，所述神经网络训练方法包括：

步骤S100，将样本图像输入第二神经网络中的卷积层以进行特征提取，得到第一样本特征图。

步骤S200，将所述第一样本特征图输入所述第二神经网络中与所述卷积层连接的多个平行卷积层以进行特征提取，得到多个第二样本特征图；其中，各所述平行卷积层分别用于提取所输入图像的不同特征。

步骤S300，经所述第二神经网络中与所述多个平行卷积层连接的至少一其他网络层对所述第二特征图进行处理，得到所述样本图像的预测结果。

步骤S400，根据所述预测结果和所述样本图像的实际标识，确定所述第二神经网络的损失，向所述第二神经网络反向传播所述损失，以调整所述第二神经网络的参数。

步骤S500，将训练好的所述第二神经网络中的各所述平行卷积层合并得到合并卷积层。

步骤S600，根据所述第二神经网络中的所述卷积层、所述合并卷积层和所述第二神经网络中的所述至少一其他网络层，得到第一神经网络。

在一种可能的实现方式中，第二神经网络中可以包括卷积层、与卷积层连接的多个平行卷积层，以及与各平行卷积层连接的至少一其他层。

图4示出根据本公开实施例的神经网络训练方法中第二神经网络的结构框图，如图4所示，第二神经网络包括卷积层，与卷积层连接的多个平行卷积层，以及与多个平行卷积层连接的其他网络层。可以基于样本图像对第二神经网络进行训练，在满足设定的迭代次数或满足其他阈值时可以停止训练得到训练好的第二神经网络。可以将训练好的第二神经网络中的各平行卷积层进行合并，得到合并卷积层。可以根据第二神经网络中的卷积层、合并卷积层和至少一其他网络层，得到第一神经网络。图5示出根据本公开实施例的神经网络训练方法中第一神经网络的结构框图，如图5所示，第一神经网络包括卷积层、合并卷积层和其他网络层。

在一种可能的实现方式中，所述多个平行卷积层中至少二个平行卷积层的网络参数相同；或者，

所述多个平行卷积层中至少二个平行卷积层的网络参数不同。

在一种可能的实现方式中，所述将所述第一样本特征图输入所述第二神经网络中与所述卷积层连接的多个平行卷积层以进行特征提取，得到多个第二样本特征图，包括：

对所述第二神经网络中的所述多个平行卷积层中至少一平行卷积层的进行部分通道关闭处理；

将所述第一样本特征图输入部分通道关闭处理后的所述多个平行卷积层以进行特征提取，得到多个第二样本特征图。

在一种可能的实现方式中，所述对所述第二神经网络中的所述多个平行卷积层中至少一平行卷积层的进行部分通道关闭处理，包括：

对所述第二神经网络中的所述多个平行卷积层中各平行卷积层随机进行部分通道关闭处理。

在一种可能的实现方式中，各所述平行卷积层的输出通道数相等，各所述平行卷积层输出的特征图大小相等。

在一种可能的实现方式中，各所述平行卷积层的卷积核的尺寸包括以下尺寸中的任意一种或两种：M×N，1×1，其中M和N是大于1的正整数。

可以参照上述实施例中的相关描述，不再赘述。

在一种可能的实现方式中，在所述第二神经网络的训练过程中，将各所述平行卷积层进行正则化处理。

在一种可能的实现方式中，正则化处理包括L1正则化处理、L2正则化处理等。正则化处理可以通过约束参数的范数使其不要过大，以减少过拟合的情况。L1正则化处理，可以将参数中所有元素绝对值的和进行约束。L2正则化处理，可以将参数中所有元素的平方和再开根的结果进行约束。在第二神经网络的每次训练过程中，可以对各平行卷积层进行正则化处理，防止各平行卷积层过拟合。

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。

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。

图6示出根据本公开实施例的图像处理装置的框图，如图6所示，所述图像处理装置包括：

第一特征图提取模块10，用于将待处理图像输入第一神经网络中的卷积层以进行特征提取，得到第一特征图；

第二特征图提取模块20，用于将所述第一特征图输入所述第一神经网络中与所述卷积层连接的合并卷积层以进行特征提取，得到第二特征图；其中，所述合并卷积层由预先训练完成的多个平行卷积层合并得到，各所述平行卷积层分别用于提取所输入图像的不同特征；

处理结果获取模块30，用于经所述第一神经网络中与所述合并卷积层连接的至少一其他网络层对所述第二特征图进行处理，得到所述待处理图像的处理结果。

在一种可能的实现方式中，所述装置还包括：

训练模块，用于基于样本图像对第二神经网络进行训练，其中，所述第二神经网络包括：卷积层、分别与所述卷积层连接的多个平行卷积层、以及分别与所述多个平行卷积层连接的至少一其他网络层；

合并模块，用于将训练完成后的所述第二神经网络中的多个平行卷积层合并为所述合并卷积层，得到所述第一神经网络。

在一种可能的实现方式中，所述多个平行卷积层中至少二个平行卷积层的网络参数相同；或者，

所述多个平行卷积层中至少二个平行卷积层的网络参数不同。

在一种可能的实现方式中，所述训练模块，包括：

部分关闭子模块，用于对所述第二神经网络中的多个平行卷积层中至少一平行卷积层进行部分通道关闭处理；基于样本图像对部分通道关闭处理后的第二神经网络进行训练。

在一种可能的实现方式中，所述部分关闭子模块，用于：

对所述第二神经网络中的多个平行卷积层中各平行卷积层随机进行部分通道关闭处理。

在一种可能的实现方式中，各所述平行卷积层的输出通道数相等，各所述平行卷积层输出的特征图大小相等。

在一种可能的实现方式中，各所述平行卷积层的卷积核的尺寸包括以下尺寸中的任意一种或两种：M×N，1×1，其中M和N是大于1的正整数。

图7示出根据本公开实施例的图像处理装置的框图，如图7所示，所述图像处理装置包括：

第一特征提取模块100，用于将样本图像输入第二神经网络中的卷积层以进行特征提取，得到第一样本特征图；

第二特征提取模块200，用于将所述第一样本特征图输入所述第二神经网络中与所述卷积层连接的多个平行卷积层以进行特征提取，得到多个第二样本特征图；其中，各所述平行卷积层分别用于提取所输入图像的不同特征；

结果获取模块300，用于经所述第二神经网络中与所述多个平行卷积层连接的至少一其他网络层对所述第二特征图进行处理，得到所述样本图像的预测结果；

反向传播模块400，用于根据所述预测结果和所述样本图像的实际标识，确定所述第二神经网络的损失，向所述第二神经网络反向传播所述损失，以调整所述第二神经网络的参数；

合并模块500，用于将训练好的所述第二神经网络中的各所述平行卷积层合并得到合并卷积层；

第一神经网络获取模块600，用于根据所述第二神经网络中的所述卷积层、所述合并卷积层和所述第二神经网络中的所述至少一其他网络层，得到第一神经网络。

在一种可能的实现方式中，所述多个平行卷积层中至少二个平行卷积层的网络参数相同；或者，

所述多个平行卷积层中至少二个平行卷积层的网络参数不同。

在一种可能的实现方式中，所述第二特征提取模块，包括：

通道关闭子模块，用于对所述第二神经网络中的所述多个平行卷积层中至少一平行卷积层的进行部分通道关闭处理；

第二特征提取子模块，用于将所述第一样本特征图输入部分通道关闭处理后的所述多个平行卷积层以进行特征提取，得到多个第二样本特征图。

在一种可能的实现方式中，所述第二特征提取子模块，用于：

对所述第二神经网络中的所述多个平行卷积层中各平行卷积层随机进行部分通道关闭处理。

在一种可能的实现方式中，各所述平行卷积层的输出通道数相等，各所述平行卷积层输出的特征图大小相等。

在一种可能的实现方式中，各所述平行卷积层的卷积核的尺寸包括以下尺寸中的任意一种或两种：M×N，1×1，其中M和N是大于1的正整数。

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，所述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，所述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7是根据一示例性实施例示出的一种电子设备800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7，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包括在所述电子设备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。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述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，例如所述组件为电子设备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，所述通信组件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8是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图8，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，所述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，所述模块、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，所述方法包括：

将待处理图像输入第一神经网络中的卷积层以进行特征提取，得到第一特征图；

将所述第一特征图输入所述第一神经网络中与所述卷积层连接的合并卷积层以进行特征提取，得到第二特征图；其中，所述合并卷积层由预先训练完成的多个平行卷积层合并得到，各所述平行卷积层分别用于提取所输入图像的不同特征；

经所述第一神经网络中与所述合并卷积层连接的至少一其他网络层对所述第二特征图进行处理，得到所述待处理图像的处理结果。

2.根据权利要求1所述的方法，其特征在于，所述将待处理图像输入第一神经网络中的卷积层以进行特征提取之前，还包括：

基于样本图像对第二神经网络进行训练，其中，所述第二神经网络包括：卷积层、分别与所述卷积层连接的多个平行卷积层、以及分别与所述多个平行卷积层连接的至少一其他网络层；

将训练完成后的所述第二神经网络中的多个平行卷积层合并为所述合并卷积层，得到所述第一神经网络。

3.一种神经网络训练方法，其特征在于，所述方法包括：

将样本图像输入第二神经网络中的卷积层以进行特征提取，得到第一样本特征图；

将所述第一样本特征图输入所述第二神经网络中与所述卷积层连接的多个平行卷积层以进行特征提取，得到多个第二样本特征图；其中，各所述平行卷积层分别用于提取所输入图像的不同特征；

经所述第二神经网络中与所述多个平行卷积层连接的至少一其他网络层对所述第二特征图进行处理，得到所述样本图像的预测结果；

根据所述预测结果和所述样本图像的实际标识，确定所述第二神经网络的损失，向所述第二神经网络反向传播所述损失，以调整所述第二神经网络的参数；

将训练好的所述第二神经网络中的各所述平行卷积层合并得到合并卷积层；

根据所述第二神经网络中的所述卷积层、所述合并卷积层和所述第二神经网络中的所述至少一其他网络层，得到第一神经网络。

4.根据权利要求3所述的方法，其特征在于，所述多个平行卷积层中至少二个平行卷积层的网络参数相同；或者，

所述多个平行卷积层中至少二个平行卷积层的网络参数不同。

5.一种图像处理装置，其特征在于，所述装置包括：

第一特征图提取模块，用于将待处理图像输入第一神经网络中的卷积层以进行特征提取，得到第一特征图；

第二特征图提取模块，用于将所述第一特征图输入所述第一神经网络中与所述卷积层连接的合并卷积层以进行特征提取，得到第二特征图；其中，所述合并卷积层由预先训练完成的多个平行卷积层合并得到，各所述平行卷积层分别用于提取所输入图像的不同特征；

处理结果获取模块，用于经所述第一神经网络中与所述合并卷积层连接的至少一其他网络层对所述第二特征图进行处理，得到所述待处理图像的处理结果。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：

训练模块，用于基于样本图像对第二神经网络进行训练，其中，所述第二神经网络包括：卷积层、分别与所述卷积层连接的多个平行卷积层、以及分别与所述多个平行卷积层连接的至少一其他网络层；

合并模块，用于将训练完成后的所述第二神经网络中的多个平行卷积层合并为所述合并卷积层，得到所述第一神经网络。

7.一种神经网络训练装置，其特征在于，所述装置包括：

第一特征提取模块，用于将样本图像输入第二神经网络中的卷积层以进行特征提取，得到第一样本特征图；

第二特征提取模块，用于将所述第一样本特征图输入所述第二神经网络中与所述卷积层连接的多个平行卷积层以进行特征提取，得到多个第二样本特征图；其中，各所述平行卷积层分别用于提取所输入图像的不同特征；

结果获取模块，用于经所述第二神经网络中与所述多个平行卷积层连接的至少一其他网络层对所述第二特征图进行处理，得到所述样本图像的预测结果；

反向传播模块，用于根据所述预测结果和所述样本图像的实际标识，确定所述第二神经网络的损失，向所述第二神经网络反向传播所述损失，以调整所述第二神经网络的参数；

合并模块，用于将训练好的所述第二神经网络中的各所述平行卷积层合并得到合并卷积层；

第一神经网络获取模块，用于根据所述第二神经网络中的所述卷积层、所述合并卷积层和所述第二神经网络中的所述至少一其他网络层，得到第一神经网络。

8.根据权利要求7所述的装置，其特征在于，所述多个平行卷积层中至少二个平行卷积层的网络参数相同；或者，

所述多个平行卷积层中至少二个平行卷积层的网络参数不同。

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4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4中任意一项所述的方法。

Images