CN111950723A

CN111950723A - 神经网络模型训练方法、图像处理方法、装置及终端设备

Info

Publication number: CN111950723A
Application number: CN201910416442.7A
Authority: CN
Inventors: 汪浩
Original assignee: Wuhan TCL Group Industrial Research Institute Co Ltd
Current assignee: Wuhan TCL Group Industrial Research Institute Co Ltd
Priority date: 2019-05-16
Filing date: 2019-05-16
Publication date: 2020-11-17

Abstract

本申请适用于数据处理技术领域，提供了一种神经网络模型训练方法、图像处理方法、装置及终端设备，神经网络模型训练方法包括：获取训练样本图像帧；将训练样本图像帧输入预置神经网络模型中，得到训练样本图像帧的识别场景信息，其中，预置神经网络模型的隐藏层中包含一个或多个深度可分离卷积结构；根据训练样本图像帧的场景信息和识别场景信息计算预置神经网络模型的损失值；根据损失值更新预置神经网络模型的网络权重参数，重复进行训练，直至损失值符合预置停止条件时停止训练，得到经过训练的预置神经网络。本申请可以解决现有的图像处理方法中，当使用神经网络进行图像场景识别时，神经网络的模型较大，难以应用在低算力的终端的问题。

Description

神经网络模型训练方法、图像处理方法、装置及终端设备

技术领域

本申请属于数据处理技术领域，尤其涉及一种神经网络模型训练方法、图像处理方法、装置及终端设备。

背景技术

随着科技的发展，人们对电视、手机、电脑等终端设备的画质有了更高的要求，图像画质的调整优化技术拥有着越来越高的价值。

当前的图像画质调整优化(例如电视画面调整)主要根据当前画面的亮度、色彩分布、饱和度和对比度等特征自适应地调整参数，进而对画面的画质进行优化。然而，这种调整仅仅是通过简单的统计特征和固定的通用调整方法实现的，画质优化效果不佳。

对此，当前提出了根据图像的场景等高层抽象信息对不同画面采用不同的方法进行精细化调整的方案。这种方案需要图像场景识别技术做支撑，当前已有使用神经网络进行图像场景识别的技术，但是这些神经网络模型通常为了追求高正确率使得模型较大，为了确保画质优化的实时性，对终端的算力存在较高的要求，难以适应一些低算力的终端(例如电视)的应用需求。

综上，现有的图像处理方法中，当使用神经网络进行图像场景识别时，神经网络的模型较大，难以应用在低算力的终端。

发明内容

有鉴于此，本申请实施例提供了一种神经网络模型训练方法、图像处理方法、装置及终端设备，以解决现有的图像处理方法中，当使用神经网络进行图像场景识别时，神经网络的模型较大，难以应用在低算力的终端的问题。

本申请实施例的第一方面提供了一种神经网络模型训练方法，包括：

获取训练样本图像帧，所述训练样本图像帧为已标注场景信息的图像帧；

将所述训练样本图像帧输入预置神经网络模型中，得到所述训练样本图像帧的识别场景信息，其中，所述预置神经网络模型的隐藏层中包含一个或多个深度可分离卷积结构；

根据所述训练样本图像帧的所述场景信息和所述识别场景信息计算所述预置神经网络模型的损失值；

根据所述损失值更新所述预置神经网络模型的网络权重参数，重复进行训练，直至所述损失值符合预置停止条件时停止训练，得到所述经过训练的预置神经网络。

本申请实施例的第二方面提供了一种图像处理方法，包括：

获取第一图像帧；

将所述第一图像帧输入经过训练的预置神经网络模型，得到所述第一图像帧的识别场景信息，其中，所述经过训练的预置神经网络模型通过上述神经网络模型训练方法训练得到；

获取与所述第一图像帧的识别场景信息对应的优化参数，根据所述优化参数调节所述第一图像帧的图像数据。

本申请实施例的第三方面提供了一种神经网络模型训练装置，包括：

样本获取模块，用于获取训练样本图像帧，所述训练样本图像帧为已标注场景信息的图像帧；

样本识别模块，用于将所述训练样本图像帧输入预置神经网络模型中，得到所述训练样本图像帧的识别场景信息，其中，所述预置神经网络模型的隐藏层中包含一个或多个深度可分离卷积结构；

损失计算模块，用于根据所述训练样本图像帧的所述场景信息和所述识别场景信息计算所述预置神经网络模型的损失值；

权重更新模块，用于根据所述损失值更新所述预置神经网络模型的网络权重参数，重复进行训练，直至所述损失值符合预置停止条件时停止训练，得到所述经过训练的预置神经网络。

本申请实施例的第四方面提供了一种图像处理装置，包括：

图像获取模块，用于获取第一图像帧；

场景识别模块，用于将所述第一图像帧输入经过训练的预置神经网络模型，得到所述第一图像帧的识别场景信息，其中，所述经过训练的预置神经网络模型通过上述神经网络模型训练装置训练得到；

画质优化模块，用于获取与所述第一图像帧的识别场景信息对应的优化参数，根据所述优化参数调节所述第一图像帧的图像数据。

本申请实施例的第五方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。

本申请实施例的第六方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。

本申请实施例与现有技术相比存在的有益效果是：

本申请的神经网络模型训练方法中，预置神经网络模型中使用深度可分离卷积结构，与常规的卷积层相比，可分离卷积结构的卷积层可以将三维矩阵分解成二维矩阵乘法，极大地减少卷积层的参数量，从而减少卷积层提取特征时的计算量，降低对终端设备的算力要求，解决了现有的图像处理方法中，当使用神经网络进行图像场景识别时，神经网络的模型较大，难以应用在低算力的终端的问题。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种神经网络模型训练方法的实现流程示意图；

图2是本申请实施例提供的一种图像处理方法的实现流程示意图；

图3是本申请实施例提供的一种神经网络模型训练装置的示意图；

图4是本申请实施例提供的一种图像处理装置的示意图；

图5是本申请实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例一：

下面对本申请实施例一提供的一种神经网络模型训练方法进行描述，请参阅附图1，本申请实施例一中的神经网络模型训练方法包括：

步骤S101、获取训练样本图像帧，所述训练样本图像帧为已标注场景信息的图像帧；

在训练预置神经网络模型时，先获取训练样本图像帧，标注训练样本图像帧的场景信息。

在获取到训练样本图像帧时，可以先使用归一化或标准化等图像预处理方式对训练样本图像帧进行预处理，以便后续进行模型训练。

此外，还可以对训练样本图像帧进行随机裁剪一定比例并缩放至固定大小，然后对训练样本图像帧进行亮度、对比度、饱和度等图像参数进行随机调整，扩充训练样本图像帧的数量，并且可以提高预置神经网络模型对复杂图像的识别能力。

步骤S102、将所述训练样本图像帧输入预置神经网络模型中，得到所述训练样本图像帧的识别场景信息，其中，所述预置神经网络模型的隐藏层中包含一个或多个深度可分离卷积结构；

将训练样本图像帧输入预置神经网络模型中，预置神经网络模型会对训练样本图像帧进行特征提取和编码分类，输出训练样本图像帧的识别场景信息。

预置神经网络模型中可以在全连层或flatten层对卷积层提取的图像特征进行编码和分类，分类器可以选用softmax函数，softmax函数的表达式为：

其中，i表示第i类场景分类，j表示场景分类的总类别数，eⁱ表示第i个元素，S_i表示第i类场景的概率。

预置神经网络模型的类型和规模可以根据实际情况进行设置，在预置神经网络模型的隐藏层中，使用卷积层进行图像特征提取，能够提取具有显著代表性的局部特征，大幅度提升场景识别的准确率。

当前使用卷积层的神经网络模型往往具有百万以上的参数数量，模型庞大，难以在低算力的终端达到实时检测的效果，本实施例的预置神经网络模型中，用深度可分离卷积结构的卷积层替代常规的卷积层，深度可分离卷积结构将标准的卷积操作因式分解成一个depthwise卷积操作和一个pointwise卷积操作，depthwise卷积操作的每个滤波器只与该滤波器对应的输入通道进行卷积，由pointwise卷积操作将各个输入通道的depthwise卷积输出的特征图像进行组合，大幅度减少模型参数，以达到计算量压缩的目的，例如，将滤波器的卷积核尺寸设置为3*3，对于输入通道16，输出通道32的卷积层而言，如果采取常规的卷积层，需要的参数为(3*3*16)*32＝4068，如果采用深度可分离卷积结构，则需要的参数为(3*3*1)*16+(1*1*16)*32＝656，所以当采用深度可分离卷积结构的卷积层代替常规的卷积层时，可以极大地降低预置神经网络模型的参数数量，提高预置神经网络模型的运算速度，降低对算力的要求。

步骤S103、根据所述训练样本图像帧的所述场景信息和所述识别场景信息计算所述预置神经网络模型的损失值；

得到训练样本图像帧的识别场景信息后，可以根据训练样本图像帧的场景信息和识别场景信息计算预置神经网络模型的损失值。

步骤S104、根据所述损失值更新所述预置神经网络模型的网络权重参数，重复进行训练，直至所述损失值符合预置停止条件时停止训练，得到所述经过训练的预置神经网络。

通过损失函数计算得到损失值之后，可以通过反向传播和梯度下降算法更新预置神经网络模型的网络权重参数，梯度下降算法可以根据实际情况进行选择，例如可以选用随机梯度下降算法。

当使用反向传播(BP)和随机梯度下降算法(SGD)对网络权重参数进行更新时，网络权重参数更新的表达式为：

其中，ω_j是更新前的网络权重参数，ω’_j是更新后的网络权重参数，M(momentum)是为了寻优加入了“惯性”的影响因子，当误差曲面存在平坦区时，SGD可以以更快的速度学习，ν是更新速率，ε是学习率。

对预置神经网络模型的网络权重参数进行更新后，返回步骤S101重复进行训练，直至损失值符合预置停止条件时立即停止训练，中止循环，不再更新预置神经网络模型的网络权重参数，得到经过训练的预置神经网络模型。

进一步地，所述根据所述训练样本图像帧的所述场景信息和所述识别场景信息计算所述预置神经网络模型的损失值具体包括：

A1、根据所述训练样本图像帧的所述场景信息和所述识别场景信息，通过聚焦损失函数计算所述预置神经网络模型的损失值。

由于深度学习的训练过程需要大量的数据作为支撑，所以数据的采集成为了一个难点，当今大多数的数据集都是单场景的数据集，数据集内的数据多样性较差，图中只有一个明显的场景而且必定属于某个场景，正负样本比例严重失衡，对于视频画面中多场景、无场景及其他极端情况难以适应。因此，本实施例中可以选用聚焦损失函数计算损失值，聚焦损失函数降低了大量简单负样本在训练中所占的权重，可以解决视频画面中多场景和其他极端场景的识别问题，大幅度提高准确率，更精确地进行画质优化调整。

聚焦损失函数的表达式为：

其中，L_f为聚焦损失函数，y’为分类正确的概率，α为平衡正负样本比例不均衡的平衡因子，γ为调节简单样本和困难样本权重的调制系数。

进一步地，所述经过训练的预置神经网络模型的训练方法还包括：

B1、根据预置网络剪枝算法对所述经过训练的预置神经网络进行网络剪枝处理，得到新的经过训练的预置神经网络。

通过预置网络剪枝算法可以裁剪经过训练的预置神经网络中对提取关键特征影响较小的网络结构，减少网络复杂度，提高网络运算效率。

裁剪粒度可以根据实际需求进行设置，可以采用细粒度的网络剪枝算法也可以采用粗粒度的网络剪枝算法。

C1、对所述经过训练的预置神经网络进行整型化处理，得到新的经过训练的预置神经网络。

由于终端设备对整数类型计算速度较快，因此可以对预置神经网络的网络权重参数和提取的特征进行整型化处理，从而达到计算加速的目的。

本实施例一提供的神经网络模型训练方法中，预置神经网络模型中使用深度可分离卷积结构，与常规的卷积层相比，可分离卷积结构的卷积层可以将三维矩阵分解成二维矩阵乘法，极大地减少卷积层的参数量，从而减少卷积层提取特征时的计算量，降低对终端设备的算力要求，解决了现有的图像处理方法中，当使用神经网络进行图像场景识别时，神经网络的模型较大，难以应用在低算力的终端的问题。

在计算损失函数的过程中，使用聚焦损失函数计算预置神经网络模型的损失值，降低了大量简单负样本在训练中所占的权重，可以解决视频画面中多场景和其他极端场景的识别问题，大幅度提高准确率，更精确地进行画质优化调整。

此外，还可以对经过训练的预置神经网络模型进行网络剪枝处理和整型化处理，裁剪对提取关键特征影响的网络结构，降低网络复杂度，提高网络运算效率，达到计算加速的目的。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

实施例二：

下面对本申请实施例二提供的一种图像处理方法进行描述，请参阅附图2，本申请实施例二中的图像处理方法包括：

步骤S201、获取第一图像帧；

在对图像画质进行优化时，先获取待优化的第一图像帧。

步骤S202、将所述第一图像帧输入经过训练的预置神经网络模型，得到所述第一图像帧的识别场景信息，其中，所述预置神经网络模型通过上述实施例一中任一种神经网络模型训练方法训练得到；

获取到第一图像帧之后，将第一图像帧输入经过训练的预置神经网络模型中，得到第一图像帧的识别场景信息。

但是当前使用卷积层的神经网络模型往往具有百万以上的参数数量，模型庞大，难以在低算力的终端达到实时检测的效果，本实施例的预置神经网络模型中，用深度可分离卷积结构的卷积层替代常规的卷积层，深度可分离卷积结构将标准的卷积操作因式分解成一个depthwise卷积操作和一个pointwise卷积操作，depthwise卷积操作的每个滤波器只与该滤波器对应的输入通道进行卷积，由pointwise卷积操作将各个输入通道的depthwise卷积输出的特征图像进行组合，大幅度减少模型参数，以达到计算量压缩的目的，例如，将滤波器的卷积核尺寸设置为3*3，对于输入通道16，输出通道32的卷积层而言，如果采取常规的卷积层，需要的参数为(3*3*16)*32＝4068，如果采用深度可分离卷积结构，则需要的参数为(3*3*1)*16+(1*1*16)*32＝656，所以当采用深度可分离卷积结构的卷积层代替常规的卷积层时，可以极大地降低预置神经网络模型的参数数量，提高预置神经网络模型的运算速度，降低对算力的要求。

步骤S203、获取与所述第一图像帧的识别场景信息对应的优化参数，根据所述优化参数调节所述第一图像帧的图像数据。

现有的画质优化方案中，往往只是根据统计数据设置一套通用的画质优化方案，针对性差，优化效果不佳。

本实施例的画质优化方案中，可以针对不同的场景设置对应的画质优化方案，针对性强，当检测到第一图像帧的识别场景信息时，确定与识别场景信息对应的优化参数，根据优化参数调节第一图像帧的图像数据。

其中，优化参数可以包括色彩优化参数、信号幅度优化参数、清晰度优化参数、画面层次优化参数、画面情景优化参数中的一种或多种。在优化的过程中，获取到优化参数后，根据优化参数可以对色彩、信号幅度、清晰度、画面层次、画面情景中的一个或多个维度的图像数据进行调整，从而得到优化后的第一图像帧，例如，当检测到场景信息为运动场景信息时，可以采用“运动”情景优化参数将第一图像帧的画面情景调整到“运动”图效模式，当检测到场景信息为电影场景信息时，可以采用“电影”情景优化参数将第一图像帧的画面情景调整到“电影”图效模式，从而实现对第一图像帧的画质优化。

进一步地，所述将所述第一图像帧输入经过训练的预置神经网络模型，得到所述第一图像帧的识别场景信息具体包括：

D1、计算所述第一图像帧与第二图像帧的相似度，判断所述相似度是否小于预置相似度阈值，其中，所述第二图像帧为所述第一图像帧之前的图像帧，所述第二图像帧与所述第一图像帧的帧数间隔小于或等于预置帧数阈值；

为了进一步减小对终端设备的算力要求，可以不对每一帧第一图像帧都进行场景识别。

当获取到第一图像帧时，可以先计算第一图像帧和第二图像帧的相似度，相似度可以通过颜色直方图或亮度直方图进行计算。

第二图像帧为第一图像帧之前的图像帧，第二图像帧与第一图像帧的帧数间隔应小于或等于预置帧数阈值，预置帧数阈值可以根据实际情况进行设置，例如预置帧数阈值可以设置为1，则只获取第一图像帧的前一帧作为第二图像帧进行比较，预置帧数阈值设置为5，则从第一图像帧的前五帧图像中选取一帧或多帧图像作为第二图像帧。

此外，还可以设置上一次场景变化之前的图像帧为第三图像帧，第二图像帧为第一图像帧和第三图像帧之间的图像帧，例如，第一图像帧之前的第五帧图像和第四帧图像的识别场景信息为运动场景信息，第一图像帧之前的第三帧图像、第二帧图像和第一帧图像的识别场景信息为电影场景信息，则上一次场景变化是在第一图像帧之前的第四帧图像和第三帧图像之间，则第二图像帧为第一图像帧之前的第三帧图像、第二帧图像和第一帧图像。

D2、当所述相似度小于所述预置相似度阈值时，将所述第一图像帧输入经过训练的预置神经网络模型，得到所述第一图像帧的识别场景信息；

当相似度小于预置相似度阈值时，表示第一图像帧和第二图像帧的场景信息可能存在差异，第一图像帧无法沿用第二图像帧的识别场景信息。

此时可以将第一图像帧输入经过训练的预置神经网络模型中，得到第一图像帧的识别场景信息。

此外，为了进一步准确判断第一图像帧与第二图像帧是否存在场景切换，可以在将第一图像帧输入经过训练的预置神经网络模型之前，提取第一图像帧和第二图像帧的轮廓信息并计算轮廓信息的距离，提取轮廓信息的算子可以根据实际情况进行选择，例如可以选择Sobel算子、Canny算子、Reborts算子等算子中的一种。

当上述距离小于预置距离阈值时，表示第一图像帧出现场景切换，需要重新检测场景信息，将第一图像帧输入经过训练的预置神经网络模型；当上述距离大于或等于预置距离阈值时，表示第一图像帧未出现场景切换，将第二图像帧的识别场景信息作为第一图像帧的识别场景信息。

D3、当所述相似度大于或等于所述相似度阈值时，以所述第二图像帧的识别场景信息作为所述第一图像帧的识别场景信息。

当相似度大于或等于相似度阈值时，表示场景未进行切换，可以将第二图像帧的识别场景信息作为第一图像帧的识别场景信息。

本实施例一提供的图像处理方法中，采用上述实施例一中的经过训练的预置神经网络模型进行场景识别，降低对终端设备的算力要求，解决了现有的图像处理方法中，当使用神经网络进行图像场景识别时，神经网络的模型较大，难以应用在低算力的终端的问题。

同时，还可以有选择地进行场景识别，自动检测当前第一图像帧与前一帧或多帧画面的场景是否进行切换，如果没有切换，则不进行场景识别，沿用前一帧或多帧画面的识别场景信息作为第一图像帧的识别场景信息；如果发生切换，则对第一图像帧进行场景识别，从而提高第一图像帧场景识别的效率。

实施例三：

本申请实施例三提供了一种神经网络模型训练装置，为便于说明，仅示出与本申请相关的部分，如图3所示，神经网络模型训练装置包括，

样本获取模块301，用于获取训练样本图像帧，所述训练样本图像帧为已标注场景信息的图像帧；

样本识别模块302，用于将所述训练样本图像帧输入预置神经网络模型中，得到所述训练样本图像帧的识别场景信息，其中，所述预置神经网络模型的隐藏层中包含一个或多个深度可分离卷积结构；

损失计算模块303，用于根据所述训练样本图像帧的所述场景信息和所述识别场景信息计算所述预置神经网络模型的损失值；

权重更新模块304，用于根据所述损失值更新所述预置神经网络模型的网络权重参数，重复进行训练，直至所述损失值符合预置停止条件时停止训练，得到所述经过训练的预置神经网络。

进一步地，所述损失计算模块303，具体用于根据所述训练样本图像帧的所述场景信息和所述识别场景信息，通过聚焦损失函数计算所述预置神经网络模型的损失值。

进一步地，所述装置还包括：

网络剪枝模块，用于根据预置网络剪枝算法对所述经过训练的预置神经网络进行网络剪枝处理，得到新的经过训练的预置神经网络。

进一步地，所述装置还包括：

整型化模块，用于对所述经过训练的预置神经网络进行整型化处理，得到新的经过训练的预置神经网络。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

实施例四：

本申请实施例四提供了一种图像处理装置，为便于说明，仅示出与本申请相关的部分，如图4所示，图像处理装置包括，

图像获取模块401，用于获取第一图像帧；

场景识别模块402，用于将所述第一图像帧输入经过训练的预置神经网络模型，得到所述第一图像帧的识别场景信息，其中，所述经过训练的预置神经网络模型通过上述实施例三中任一种神经网络模型训练装置训练得到；

画质优化模块403，用于获取与所述第一图像帧的识别场景信息对应的优化参数，根据所述优化参数调节所述第一图像帧的图像数据。

进一步地，所述场景识别模块402，具体包括：

阈值子模块，用于计算所述第一图像帧与第二图像帧的相似度，判断所述相似度是否小于预置相似度阈值，其中，所述第二图像帧为所述第一图像帧之前的图像帧，所述第二图像帧与所述第一图像帧的帧数间隔小于或等于预置帧数阈值；

识别子模块，用于当所述相似度小于所述预置相似度阈值时，将所述第一图像帧输入经过训练的预置神经网络模型，得到所述第一图像帧的识别场景信息，其中，所述预置神经网络模型的隐藏层中包含一个或多个深度可分离卷积结构；

继承子模块，用于当所述相似度大于或等于所述相似度阈值时，以所述第二图像帧的识别场景信息作为所述第一图像帧的识别场景信息。

进一步地，所述优化参数具体包括色彩优化参数、信号幅度优化参数、清晰度优化参数、画面层次优化参数、画面情景优化参数中的一种或多种。

实施例五：

图5是本申请实施例五提供的终端设备的示意图。如图5所示，该实施例的终端设备5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述图像处理方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块301至304的功能。

示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述终端设备5中的执行过程。例如，所述计算机程序52可以被分割成样本获取模块、样本识别模块、损失计算模块以及权重更新模块，各模块具体功能如下：

所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的示例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims

1.一种神经网络模型训练方法，其特征在于，方法包括：

2.如权利要求1所述的神经网络模型训练方法，其特征在于，所述根据所述训练样本图像帧的所述场景信息和所述识别场景信息计算所述预置神经网络模型的损失值具体包括：

根据所述训练样本图像帧的所述场景信息和所述识别场景信息，通过聚焦损失函数计算所述预置神经网络模型的损失值。

3.如权利要求1所述的神经网络模型训练方法，其特征在于，所述方法还包括：

根据预置网络剪枝算法对所述经过训练的预置神经网络进行网络剪枝处理，得到新的经过训练的预置神经网络。

4.如权利要求1至3中任一项所述的神经网络模型训练方法，其特征在于，所述方法还包括：

对所述经过训练的预置神经网络进行整型化处理，得到新的经过训练的预置神经网络。

5.一种图像处理方法，其特征在于，包括：

获取第一图像帧；

将所述第一图像帧输入经过训练的预置神经网络模型，得到所述第一图像帧的识别场景信息，其中，所述经过训练的预置神经网络模型通过权利要求1至4中任一种神经网络模型训练方法训练得到；

6.如权利要求5所述的图像处理方法，其特征在于，所述将所述第一图像帧输入经过训练的预置神经网络模型，得到所述第一图像帧的识别场景信息具体包括：

计算所述第一图像帧与第二图像帧的相似度，判断所述相似度是否小于预置相似度阈值，其中，所述第二图像帧为所述第一图像帧之前的图像帧，所述第二图像帧与所述第一图像帧的帧数间隔小于或等于预置帧数阈值；

当所述相似度小于所述预置相似度阈值时，将所述第一图像帧输入经过训练的预置神经网络模型，得到所述第一图像帧的识别场景信息；

当所述相似度大于或等于所述相似度阈值时，以所述第二图像帧的识别场景信息作为所述第一图像帧的识别场景信息。

7.如权利要求5所述的图像处理方法，其特征在于，所述优化参数具体包括色彩优化参数、信号幅度优化参数、清晰度优化参数、画面层次优化参数、画面情景优化参数中的一种或多种。

8.一种神经网络模型训练装置，其特征在于，包括：

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤，或执行所述计算机程序时实现如权利要求5至7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤，或执行所述计算机程序时实现如权利要求5至7任一项所述方法的步骤。