CN113240107A - 图像处理方法、装置和电子设备 - Google Patents

Abstract

本公开实施例公开了的图像处理方法、装置和电子设备，在采用初始高分辨率网络模型处理至少一个训练图像后，获得初始高分辨网络模型的各图像处理阶段的处理时长，并可以根据各处理阶段的处理时长，生成简化方式信息，并根据简化方式信息所指示的简化处理方式，获得至少一个候选高分辨率网络模型，并可以从至少一个候选高分辨率网络模型中确定目标高分辨率网络模型，并利用目标高分辨率网络模型处理图像。由于目标高分辨率网络模型是初始高分辨率网络模型经过简化处理方式而获得的，因此，部署目标高分辨率模型相较于部署初始高分辨率网络模型，所占用的存储空间更小，从而可以提升利用目标高分辨率网络模型进行图像处理的效率。

Description

图像处理方法、装置和电子设备

技术领域

本公开涉及互联网技术领域，尤其涉及一种图像处理方法、装置和电子设备。

背景技术

随着科学技术的发展，越来越多的领域可能需要用到高分辨率网络，例如，图像分类、目标检测、关键点检测、姿态估计、语意分割等多种视觉任务中均可能运用到高分辨率网络。

而高分辨率网络相较于残差网络等以前的卷积神经网络模型，高分辨率网络具有更强的表达能力和判断能力。相应的，为了获得更强的表达能力和判断能力，高分辨率网络的模型相较于残差网络等以前的卷积神经网络模型更为复杂，因此，利用高分辨率网络进行计算时，花费时间较长。

发明内容

提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开实施例提供了一种图像处理方法、装置和电子设备，可以有效的简化高分辨率的模型结构，并可以提升高分辨率的图像处理效率。

第一方面，本公开实施例提供了一种图像处理方法，包括：采用初始高分辨率网络模型处理至少一个训练图像，以及获得上述初始高分辨网络模型的各图像处理阶段的处理时长；基于各图像处理阶段的处理时长，生成简化方式信息，其中，上述简化方式信息用于指示对上述初始高分辨率网络模型的简化处理方式；基于上述简化方式信息，对上述初始高分辨率网络模型进行简化，获得至少一个候选高分辨率网络模型；从上述至少一个候选高分辨率网络模型中，确定目标高分辨率网络模型，其中，上述目标高分辨率网络模型用于处理图像。

第二方面，本公开实施例提供了一种图像处理装置，包括：获得单元，用于采用初始高分辨率网络模型处理至少一个训练图像，以及获得上述初始高分辨网络模型的各图像处理阶段的处理时长；生成单元，用于基于各图像处理阶段的处理时长，生成简化方式信息，其中，上述简化方式信息用于指示对上述初始高分辨率网络模型的简化处理方式；简化单元，用于基于上述简化方式信息，对上述初始高分辨率网络模型进行简化，获得至少一个候选高分辨率网络模型；确定单元，用于从上述至少一个候选高分辨率网络模型中，确定目标高分辨率网络模型，其中，上述目标高分辨率网络模型用于处理图像。

第三方面，本公开实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面上述的图像处理方法。

第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面上述的图像处理方法的步骤。

本公开实施例提供的图像处理方法、装置和电子设备，在采用初始高分辨率网络模型处理至少一个训练图像后，获得初始高分辨网络模型的各图像处理阶段的处理时长，并可以根据各处理阶段的处理时长，生成简化方式信息，并根据简化方式信息所指示的简化处理方式，获得至少一个候选高分辨率网络模型，并可以从至少一个候选高分辨率网络模型中确定目标高分辨率网络模型，并利用目标高分辨率网络模型处理图像。由于目标高分辨率网络模型是初始高分辨率网络模型经过简化处理方式而获得的，因此，部署目标高分辨率模型相较于部署初始高分辨率网络模型，所占用的存储空间更小，相应的，运行目标高分辨率网络模型所消耗的计算资源要小于运行初始高分辨率网络模型所消耗的计算资源，从而可以提升利用目标高分辨率网络模型进行图像处理的效率。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标识表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1是根据本公开的图像处理方法的一个实施例的流程图；

图2是根据本公开的图像处理方法的一个实施例的高分辨率网络模型的模型结构示意图；

图3是根据本公开的图像处理装置的一个实施例的结构示意图；

图4是本公开的一个实施例的图像处理方法可以应用于其中的示例性系统架构；

图5是根据本公开实施例提供的电子设备的基本结构的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

请参考图1，其示出了根据本公开图像处理方法的一个实施例的流程。该图像处理方法可以应用于终端设备或服务器。如图1所示该图像处理方法，包括以下步骤：

步骤101，采用初始高分辨率网络模型处理至少一个训练图像，以及获得初始高分辨网络模型的各图像处理阶段的处理时长。

在这里，至少一个训练图像可以理解为训练初始高分辨率网络模型所使用的训练图像。

作为示例，高分辨率网络可以用于对图像中的姿态特征进行提取，则可以利用包括姿态特征的图像作为初始高分辨率网络模型的训练样本，而为了保证初始高分辨率网络在应用中，对图像处理拥有较高的准确性，因此训练样本的数量通常较多。而至少一个训练图像可以理解为初始高分辨率网络对应的训练样本集群中的部分或全部训练样本。

在这里，高分辨率网络模型可以理解为：在进行图像提取特征提取的过程中，特征图始终保持高分辨率，并在高分辨率特征图主网络逐渐并行加入低分辨率特征图子网络的一类网络模型。也即，在利用高分辨率网络模型处理图像时，并不会降低图像对应特征图的分辨率。换言之，‘高分辨率’并不明确指示分辨率高于具体某个值，而是用于指示在处理特征图时，不会降低特征图的分辨率。

为了便于理解，可以结合图2进行说明，图2为某类高分辨率网络的模型结构示意图，高分辨率网络可以包括多个并行分支，高分辨率网络在处理图像过程中，会通过下采样技术，获得不同分别率的分支，图2中的各个方形实线框可以看作特征图，箭头可以表征特征图之间的信息交互通道。而图2中箭头204还可以表征进行了下采样技术，获得了一个更低频率的特征图；同理，箭头205和箭头206也可以表征采用了下采样技术，从而可以获得一个频率更低的特征图。而每新加入一个分支，则可以看作开启一个新的图像处理阶段。如图2中的虚线框201可以看作一个图像处理阶段，而虚线框202又可以看作一个图像处理阶段，虚线框203也可看作一个图像处理阶段。

进一步结合图2进行说明，由于高分辨率网络的处理过程可以分为多个图像处理阶段，则可以看出不同图像处理阶段内处理的特征图的数量，特征图之间的信息交互方式等均可能不同，因此，高分辨率网络的各个图像处理阶段的图像处理时长可能不同。

在这里，初始高分辨网络模型的各图像处理阶段的处理时长可以理解为：各图像处理阶段处理至少一个训练图像所花费的总时长或各图像处理阶段处理至少一个训练图像所花费的平均时长。

在这里，获得初始高分辨网络模型的各图像处理阶段的处理时长的方式有许多，在此并不对获得初始高分辨网络模型的各图像处理阶段的处理时长的具体方式进行限定，仅需根据实际情况进行合理选取即可。作为示例，可以将初始高分辨网络模型进行模型转换，获得与初始高分辨网络模型对应的神经网络推理引擎，并可以利用神经网络推理引擎获得各图像处理阶段的处理时长。

步骤102，基于各图像处理阶段的处理时长，生成简化方式信息。

在这里，简化方式信息用于指示对初始高分辨率网络模型的简化处理方式。

作为示例，根据简化方式信息的指示，可以有针对性的对初始高分辨率网络进行调节。例如，某些图像处理阶段的处理时长较长，则可以减少对该图像阶段内模块的数量，或者减少模块之间的通道数量(模块之间的通道可以用于特征图进行特征信息传递)。也可以理解为，简化初始高分辨率网络的模型结构，从而加快简化后的初始高分辨率网络模型对图像处理的效率。可以这样理解，初始高分辨率网络模型的模型结构简化之后，则会简化高分辨率网络模型对图像的处理方式，从而也就提升了高分辨率网络模型对图像的处理效率。需要说明的是，模块可以用于对特征图进行处理(特征提取处理，以及特征之间的交互处理)，模块的数量越多，则可以表征需要处理的特征图较多，模块之间的通道数量越多，也可以表征需要交互的特征信息较多。换言之，可以通过改变模块数量和/或模块之间的连接关系，可以改变高分辨率网络处理图像的时间。

一般而言，简化处理方式至少可以包括以下任一：减少初始高分辨率网络模型中的模块数量、减少初始高分辨率网络模型中模块的通道数量、减少初始高分辨率网络模型中模块的厚度(初始高分辨率网络模型中的模块厚度通常与处理时长成正比，也即，若某个模块较厚，则该模块的处理时长可能较长)等。

步骤103，基于简化方式信息，对初始高分辨率网络模型进行简化，获得至少一个候选高分辨率网络模型。

在这里，由于简化方式信息用于指示简化处理方式，因此，可以根据简化方式信息对初始高分辨率网络模型进行简化。

作为示例，简化方式信息可能包括了多种类别的指示信息，不同类别的指示信息可能指示不同的简化处理方式，也即，简化方式信息可能指示了多种简化处理方式。例如，简化方式信息中可以包括用于指示减少初始高分辨率网络模型的模块数量的信息、还可以包括用于指示减少初始高分辨率网络模型中的通道数量的信息等。而在这里，减少模块数量和减少通道数量则可以理解为简化处理方式。

一般而言，减少模块数量又可以包括：减少第二图像处理阶段内的模块数量、减少第三图像处理阶段内的模块数量等。而减少通道数量也可以包括：减少第二图像处理阶段内模块之间的通道数量、减少第三图像处理阶段内模块之间的通道数量等。也即，每种简化处理方式可能对应了多个处理结果，而每一个处理结果均可以看作一个候选高分辨率网络模型。

因此，根据简化方式信息对初始高分辨率网络模型进行简化可以获得至少一个候选高分辨率网络模型。

步骤104，从至少一个候选高分辨率网络模型中，确定目标高分辨率网络模型。

在这里，目标高分辨率网络模型用于处理图像。

作为示例，由于各候选高分辨率网络模型均是对初始高分辨率网络进行一定简化之后获得的，因此，各候选高分辨率网络模型的网络模型结构相较于初始高分辨率网络模型更简单，从而所需的计算资源也就更少。而由于对初始高分辨率网络可以进行不同形式的简化处理方式，且每种简化处理方式还可以包括多种具体子简化方式(例如，简化处理方式为减少模块之间的通道数量，而子简化方式则可以为减少第二阶段中的模块A和模块C之间的通道数量，也可以为减少第二阶段中的模块B和模块C之间的通道数量等)。也即，对初始高分辨率网络模型进行简化之后，可以获得至少一个候选高分辨率网络模型之间的模型结构也不同。

因此，不同候选高分辨率网络模型处理至少一个训练图像所花费的时间也就可能不同，相应地，不同候选高分辨率网络模型所消耗的内存也可能不同，不同候选高分辨率网络模型所需要的计算资源也不同。

在这里，可以根据具体应用场景，从至少一个候选高分辨率网络模型中确定目标高分辨率网络模型。作为示例，若需要选出的目标高分辨率网络模型具有较高的处理效率时，则可以将处理效率最高的候选高分辨率网络模型确定为目标高分辨率网络模型，也即，可以将处理至少一个训练图像所花费的时间最短的候选高分辨率网络模型确定为目标高分辨率网络模型。若需要选出的目标高分辨率网络模型具有较小的内存时，则可以将所占内存最小的候选高分辨率网络模型确定为目标高分辨率网络模型。

可以看出，在本公开实施例中，在采用初始高分辨率网络模型处理至少一个训练图像后，获得初始高分辨网络模型的各图像处理阶段的处理时长，并可以根据各处理阶段的处理时长，生成简化方式信息，并根据简化方式信息所指示的简化处理方式，获得至少一个候选高分辨率网络模型，并可以从至少一个候选高分辨率网络模型中确定目标高分辨率网络模型，并利用目标高分辨率网络模型处理图像。由于目标高分辨率网络模型是初始高分辨率网络模型经过简化处理方式而获得的，因此，部署目标高分辨率模型相较于部署初始高分辨率网络模型，所占用的存储空间更小，相应的，运行目标高分辨率网络模型所消耗的计算资源要小于运行初始高分辨率网络模型所消耗的计算资源，从而可以提升利用目标高分辨率网络模型进行图像处理的效率。

在一些实施例中，步骤102(基于各图像处理阶段的处理时长，生成简化方式信息)，具体可以包括：根据各图像处理阶段的处理时长，确定待调整图像处理阶段；根据待调整图像处理阶段中的模块数量和/或模块间的通道数量，生成简化方式信息。

作为示例，各图像处理阶段生成的模块数量可能不同，且各图像处理阶段中模块之间的通道数量也不同，从而使得各图像处理阶段的处理时长不同。

一般来说，模块数量越多、模量之间的通道数越多，则处理时长越长。当不同图像处理阶段的处理时长不同时，可以仅将处理时长较长的推理阶段确定为待调整推理阶段，从而可能会有效减少高分辨率网络模型的处理时长(如，图像处理阶段A完成一次处理需要7秒，而图像处理阶段B完成一次处理仅需1秒，则可以将图像处理阶段A确定为待调整图像处理阶段，也即，当对图像处理阶段A进行调整之后，可能会有效减少图像处理阶段A完成一次处理所需的时间，例如调整之后的图像处理阶段A完成一次处理仅需5秒)，

可以看出，通过确定待调整图像处理阶段，不仅可以有效减少高分辨率网络模型的处理时长，且可以减小对初始高分辨率网络模型的模型结构的更改量。

在这里，在确定待调整图像处理阶段之后，则可以获取待调整图像处理阶段中的模块数量和/或模块之间的连接关系。例如，图像处理阶段A中有12个模块，则简化指示信息可以报告用于指示图像处理阶段A仅保留10个模块。但是，图像处理阶段A仅保存10个模块的方式有很多，也即，根据该指示信息，则可以获得多个候选高分辨率网络模型。

一般而言，模块数量、模块之间的通道数量等会影响高分辨率网络模型的处理效率。因此，获取待调整图像处理阶段的模块数量和/或模块之间的连接关系，可以更加准确的指示对初始高分辨率网络模型的调整方式，从而可以高效的获得候选高分辨率网络模型。

在一些实施例中，也可以根据各图像处理阶段的处理时长，在总处理时长中的占比关系，确定待调整图像处理阶段。例如，初始高分辨率网络处理至少一个训练图像花费了1小时，而第一图像处理阶段一共花费了2分钟，第二图像处理阶段花费了3分钟，第三图像处理阶段花费了15分钟，第四图像处理阶段花费了40分钟，则可以看出，第三图像处理阶段和第四图像处理阶段处理时长的占比较高，进而可以将第三处理阶段和第四处理阶段确定为待调整图像处理阶段。

在一些实施例中，当确定待调整图像处理阶段后，可以根据各图像处理阶段中各模块的处理时长，生成简化方式信息。例如，某些模块处理特征图花费的时间较长，则可以将该模块删除，或者，减少该模块的厚度(减少模块文档厚度之后，该模块也就会减少与其它模块之间的通道数量，也可以理解为减少了该模块与其它模块进行特征信息传递的数量，从而也就减少了处理时长)。

在一些实施例中，简化方式信息至少包括以下任一：减少模块信息、减少通道信息等。

在这里，减少模块信息用于指示初始高分辨率模型的模块数量、减少通道信息用于指示减少初始高分辨率网络模型的通道数量等。

在这里，可以理解为简化方式信息包括至少一类用于指示减少高分辨率网络的模型结构的信息。作为示例，具体减少那些模型结构，则可以根据各图像处理阶段的处理时长进行确定。

在一些实施例中，步骤104(从至少一个候选高分辨率网络模型中，确定目标高分辨率网络模型)，具体可以包括：采用候选高分辨率网络处理至少一个训练图像，获得每个候选高分辨率网络的处理时长，基于每个候选高分辨率网络的处理时长，确定目标高分辨率网络模型。

在这里，可以将处理时长最短的候选高分辨率网络模型确定为目标高分辨率网络模型，从而可以使得目标高分辨率网络模型具备较高效的图像处理效率。

在这里，采用候选高分辨率网络处理至少一个训练图像，可以较为直观的对比出：目标高分辨率网络模型相较于初始高分辨率网络模型提升了多少效率。例如，初始高分辨率网络模型处理完成至少一个训练图像花费了90秒，而目标高分辨率网络模型处理完目标高分辨率网络模型45秒，则目标高分辨率网络模型相较于初始高分辨率网络模型提升了200％的效率。

一般来说，可以创建一个用于记录每个候选高分辨率网络模型处理训练图像的时间表，例如，在时间表中可以记录每个候选高分辨率网络模型处理每个训练图像的时间，以及处理完至少一个训练图像所花费的总时间。从而可以通过时间表，可高效地从至少一个候选高分辨率网络模型中，确定目标高分辨率网络模型。

当然，在一些实现方式中，也可以记录每个候选高分辨率网络模型的各图像处理阶段的处理时长，或者，记录候选高分辨率网络模型中每个模块的处理时长，从而可以还可以有针对性的对候选高分辨率网络模型进行在调整，在这里，对候选高分辨率网络模型进行在调整获得的模型，也可以理解为候选高分辨率网络模型。而通过这种方式，可以更高效的确定出目标高分辨率网络模型。

在一些实施例中，还可以确定各候选高分辨率网络模型的处理精度；还可以根据各候选高分辨率网络模型的处理精度和处理时长，从至少一个候选高分辨率网络模型中确定目标高分辨率网络模型。

在这里，处理精度可以理解为：高分辨率网络处理完图像，获得的特征图所指示的内容与实际内容的差异性。例如，利用高分辨率网络处理位姿图像，获得用于表征位姿的特征图，该特征图所指示的位姿与位姿图像所指示位姿的差异性则可以理解为处理精度。换言之，处理精度可以表征高分辨率网络模型进行图像特征提取的准确性。

在这里，可以将至少一个候选高分辨率网络模型中，处理时长较短，且处理精度较高的候选高分辨率网络模型确定为目标高分辨率网络模型。

作为示例，可以为处理精度和处理时长设置相应的权重值，从而可以计算每个候选高分辨率网络模型的权重数值，并可以将权重数值较大的候选高分辨率网络模型确定为目标高分辨率网络模型。需要说明的是，在具体实施方式中，从至少一个候选高分辨率网络模型中，筛选出处理精度较高且处理时长较短的目标高分辨率网络模型的方式还有很多，为了说明书的简洁，在此不再进行一一赘述，仅需根据实际情况进行合理设定即可。

可以看出，根据各候选高分辨率网络模型的处理精度和处理时长，从至少一个候选高分辨率网络模型中确定目标高分辨率网络模型，可以使得确定出的目标高分辨率网络模型不仅可以提升图像处理效率，且可以使得目标高分辨率网络模型拥有较高的处理精度。

在一些实施例中，响应于确定目标高分辨率网络模型的处理精度小于预设精度阈值，获取与初始高分辨率网络模型对应的预设训练图像集群，并可以利用子训练图像集群对目标高分辨率网络模型进行训练。

在这里，预设训练图像集群包括至少一个训练图像。

在这里，子训练图像集群为预设训练图像集群中除至少一个训练图像外的其它训练图像所构成的集群。

一般而言，至少一个训练图像的总量仅为初始高分辨率网络模型对应的训练图像集群中的部分图像，从而提升筛选出目标高分辨率网络模型的效率。举例说明：初始高分辨率网络模型的训练图像集合包括1000张训练图像，若至少一个训练图像为这1000张训练图像，则至少一个候选高分辨率网络模型中的每个模型都需要处理这1000张训练图像，从而，可能会使得需要花费大量的时间才能从至少一个候选高分辨率网络模型中确定出目标候选网络高分辨率网络模型。

因此，为了提升从少一个候选高分辨率网络模型中确定出目标候选网络高分辨率网络模型的效率，至少一个训练图像可以仅为训练图像集合中的部分图像。例如，可以从训练图像集合筛选出40％(当然，也可以是30％、50％等，仅需根据实际情况进行合理设定)的训练图像，获得至少一个训练图像。

在这里，当目标高分辨率网络模型的处理精度小于预设精度阈值时，则可能为目标高分辨率网络模型还未训练完成，因此，可以利用子训练图像集群中的训练图像继续对目标高分辨率网络模型进行训练，从而可以提升目标高分辨率网络的处理精度。

可以看出，当目标高分辨率模型的处理精度小于预设精度阈值时，可以利用子训练图像集群对目标高分辨率网络模型进行训练，以提升目标高分辨率模型的处理精度。

在一些实施例中，响应于确定目标高分辨率网络模型的处理精度小于预设精度阈值，可以获取初始高分辨率网络模型的至少一个超参数组合，以及确定当前超参数组合；并可以根据目标高分辨率网络模型采用至少一个超参数组合中各超参数组合时的处理精度，确定至少一个超参数中是否包括目标超参数组合，响应于确定至少一个超参数组合中包括目标超参数组合，根据目标超参数组合，配置目标高分辨率网络模型的超参数。

在这里，目标高分辨率网络模型采用目标超参数组合时的处理精度，高于目标高分辨率网络模型采用当前超参数组合时的处理精度。

在这里，超参数可以理解为模型学习过程之前，为模型所设置的参数，而设置的这些参数的总和则可以理解为超参数组合。

一般而言，高分辨率网络模型的超参数可能会一定程度上影响高分辨率网络模型的性能，也即，初始高分辨率网络模型所适配的超参数可能并不适配目标高分辨率网络模型。从而可能使得目标高分辨率网络模型的推理精度较低。

在这里，当目标高分辨率模型的处理精度小于预设精度阈值，则可以表征目标高分辨率模型可能还需要优化，因此，可以获得与初始高分辨率网络模型的至少一个超参数组合，并可以获取目标高分辨率网络在采用各个超参数组合时的处理精度，以判断是否存在目标超参数组合，当存在目标超参数组合时，可以根据目标超参数组合配置目标高分辨率网络模型的超参数。

可以看出，当目标高分辨率网络模型的处理精度小于预设精度阈值时，还可以通过更改高分辨率网络超参数的方式，进一步提升目标待验证高分辨率网络模型的图像处理性能(包括：处理时长和处理精度)。

也即，当目标高分辨率网络模型的处理精度小于预设精度阈值时，可以利用子训练图像集群对目标高分辨率网络模型进行训练，提高目标高分辨率网络模型的处理精度；还可以通过更改高分辨率网络超参数，目标高分辨率网络模型的处理精度；当然，也可以即利用子训练图像集群对目标高分辨率网络模型进行训练，也更改高分辨率网络超参数，目标高分辨率网络模型的处理精度。

相应的，当目标高分辨率网络模型的处理精度不于预设精度阈值时，则可以不利用子训练图像集群对目标高分辨率网络模型进行训练，也可以不更改目标高分辨率网络的超参数。

在此需要说明的是，预设精度阈值可以根据目标高分辨率网络模型的具体应用场景进行设定，在此并不对预设精度阈值的具体数值进行限定，仅需根据实际情况进行合理设定即可。

在一些实施例中，响应于确定目标高分辨率网络模型的浮点位数大于预设浮点位数，降低目标高分辨率网络模型的浮点位数至预设浮点位数。

作为示例，较高的浮点位数需要可能需要更多的计算资源，从而也就可以使目标高分辨率网络模型达到更高的精确度，而在实际应用中，可能并不需要太高的精确度，而是需要较高的计算效率。因此，可以降低目标高分辨率网络模型的浮点位数至预设浮点位数，以减少目标高分辨率网络模型在运行过程中需要的计算资源，提升目标高分辨率网络模型的计算效率，相应的，也就减少了配置高分辨率网络模型所需的内存。

在这里，预设浮点位数可以为16位浮点位数。当然，在具体实施方式中，预设浮点位数的具体数值可以根据实际情况进行选取，在此并不对预设浮点位数的具体数值进行限定。

在一些实施例中，可以通过如下方式获得初始高分辨网络模型的各图像处理阶段的处理时长：对初始高分辨网络模型进行模型转换，获得初始神经网络推理引擎；利用初始神经网络推理引擎获得初始高分辨网络模型的各图像处理阶段的处理时长。

在这里，神经网络模型推理引擎可以用于获取高分辨率网络模型的各图像阶段的处理时长。

作为示例，对初始高分辨率网络模型进行模型转换的转换过程可以为：先对初始高分辨率网络转换为开放式神经网络交换模型，然后在将开放式神经网络交换模型转换为初始神经网络推理引擎，而初始神经网络推理引擎则可以用于获取初始高分辨率网络的各个图像处理阶段的处理时长。

举例说明，可以将高分辨率网络模型(如：pytorch模型、tensorflow模型等)，转换为开放式神经网络交换(ONNX)模型，在将ONNX模型转化为神经网络推理引擎(TensorRT)。而将ONNX模型转化为神经网络推理引擎(TensorRT)又可以细分为：首先安装tensorrt工具包，其次安装安装onnx-tensorrt转换库，之后再将ONNX模型转化为神经网络推理引擎(TensorRT)。而神经网络推理引擎(TensorRT)则可以获得各模块的处理时长，从而也就获知了初始高分辨率网络各图像处理阶段的处理时长。

在一些实现方式中，也可以对获得的至少一个候选高分辨率网络模型进行模型转换，获得与每个候选高分辨率网络模型对应的候选高分辨率网络推理引擎，并可以利用获得的候选高分辨率网络推理引擎获取每个候选高分辨率网络模型的处理时长。

进一步参考图3，作为对上述各图所示方法的实现，本公开提供了一种图像处理装置的一个实施例，该装置实施例与图1所示的图像处理方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图3所示，本实施例的图像处理装置包括：获得单元301，用于采用初始高分辨率网络模型处理至少一个训练图像，以及获得上述初始高分辨网络模型的各图像处理阶段的处理时长；生成单元302，用于基于各图像处理阶段的处理时长，生成简化方式信息，其中，上述简化方式信息用于指示对上述初始高分辨率网络模型的简化处理方式；简化单元303，用于基于上述简化方式信息，对上述初始高分辨率网络模型进行简化，获得至少一个候选高分辨率网络模型；确定单元304，用于从上述至少一个候选高分辨率网络模型中，确定目标高分辨率网络模型，其中，上述目标高分辨率网络模型用于处理图像。

在一些实施例中，生成单元302具体还用于：根据各图像处理阶段的处理时长，确定待调整图像处理阶段；根据待调整图像处理阶段中的模块数量和/或模块间的通道数量，生成上述简化方式信息。

在一些实施例中，上述简化方式信息至少包括以下任一：减少模块信息、减少通道信息，其中，上述减少模块信息用于指示减少上述初始高分辨率网络模型的模块数量，上述减少通道信息用于指示减少上述初始高分辨率网络模型中的通道数量。

在一些实施例中，上述确定单元304还具体用于：采用候选高分辨率网络模型处理上述至少一个训练图像，获得每个候选高分辨率网络模型的处理时长；基于每个候选高分辨率网络模型的处理时长，确定目标高分辨率网络模型。

在一些实施例中，上述确定单元304还具体用于：确定各候选高分辨率网络模型的处理精度；根据各候选高分辨率网络模型的处理精度和处理时长，从至少一个候选高分辨率网络模型中确定目标高分辨率网络模型。

在一些实施例中，上述确定单元304还具体用于：响应于确定上述目标高分辨率网络模型的处理精度小于预设精度阈值，获取与上述初始高分辨率网络模型对应的预设训练图像集群，其中，上述预设训练图像集群包括上述至少一个训练图像；利用子训练图像集群对上述目标高分辨率网络模型进行训练，其中，上述子训练图像集群为上述预设训练图像集群中除上述至少一个训练图像外的其它训练图像所构成的集群。

在一些实施例中，上述确定单元304还具体用于：响应于确定上述目标高分辨率网络模型的处理精度小于预设精度阈值，获取上述初始高分辨率网络模型的至少一个超参数组合，以及确定当前超参数组合；根据上述目标高分辨率网络模型采用上述至少一个超参数组合中各超参数组合时的处理精度，确定上述至少一个超参数中是否包括目标超参数组合，其中，上述目标高分辨率网络模型采用上述目标超参数组合时的处理精度，高于上述目标高分辨率网络模型采用上述当前超参数组合时的处理精度；响应于确定上述至少一个超参数组合中包括上述目标超参数组合，根据上述目标超参数组合，配置上述目标高分辨率网络模型的超参数。

在一些实施例中，上述装置还包括优化单元305，用于响应于确定上述目标高分辨率网络模型的浮点位数大于预设浮点位数，降低上述目标高分辨率网络模型的浮点位数至上述预设浮点位数。

在一些实施例中，上述装置还包括时长单元306，用于通过如下方式获得上述初始高分辨网络模型的各图像处理阶段的处理时长：对上述初始高分辨网络模型进行模型转换，获得初始神经网络推理引擎；利用上述初始神经网络推理引擎获得上述初始高分辨网络模型的各图像处理阶段的处理时长。

请参考图4，图4示出了本公开的一个实施例的图像处理方法可以应用于其中的示例性系统架构。

如图4所示，系统架构可以包括终端设备401、402、403，网络404，服务器405。网络404可以用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备401、402、403可以通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种客户端应用，例如网页浏览器应用、搜索类应用、新闻资讯类应用。终端设备401、402、403中的客户端应用可以接收用户的指令，并根据用户的指令完成相应的功能，例如根据用户的指令在信息中添加相应信息。

终端设备401、402、403可以是硬件，也可以是软件。当终端设备401、402、403为硬件时，可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备401、402、403为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器405可以是提供各种服务的服务器，例如接收终端设备401、402、403发送的信息获取请求，根据信息获取请求通过各种方式获取信息获取请求对应的展示信息。并展示信息的相关数据发送给终端设备401、402、403。

需要说明的是，本公开实施例所提供的图像处理方法可以由终端设备执行，相应地，图像处理装置可以设置在终端设备401、402、403中。此外，本公开实施例所提供的图像处理方法还可以由服务器405执行，相应地，信息处理装置可以设置于服务器405中。

应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图5，其示出了适于用来实现本公开实施例的电子设备(例如图4中的终端设备或服务器)的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置408加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：采用初始高分辨率网络模型处理至少一个训练图像，以及获得上述初始高分辨网络模型的各图像处理阶段的处理时长；基于各图像处理阶段的处理时长，生成简化方式信息，其中，上述简化方式信息用于指示对上述初始高分辨率网络模型的简化处理方式；基于上述简化方式信息，对上述初始高分辨率网络模型进行简化，获得至少一个候选高分辨率网络模型；从上述至少一个候选高分辨率网络模型中，确定目标高分辨率网络模型，其中，上述目标高分辨率网络模型用于处理图像。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，获得单元301还可以被描述为“获得处理时长的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (12)

1.一种图像处理方法，其特征在于，包括：

采用初始高分辨率网络模型处理至少一个训练图像，以及获得所述初始高分辨网络模型的各图像处理阶段的处理时长；

基于各图像处理阶段的处理时长，生成简化方式信息，其中，所述简化方式信息用于指示对所述初始高分辨率网络模型的简化处理方式；

基于所述简化方式信息，对所述初始高分辨率网络模型进行简化，获得至少一个候选高分辨率网络模型；

从所述至少一个候选高分辨率网络模型中，确定目标高分辨率网络模型，其中，所述目标高分辨率网络模型用于处理图像。

2.根据权利要求1所述的方法，其特征在于，所述基于各图像处理阶段的处理时长，生成简化方式信息，包括：

根据各图像处理阶段的处理时长，确定待调整图像处理阶段；

根据待调整图像处理阶段中的模块数量和/或模块间的通道数量，生成所述简化方式信息。

3.根据权利要求1所述的方法，其特征在于，所述简化方式信息至少包括以下任一：

减少模块信息、减少通道信息，

其中，所述减少模块信息用于指示减少所述初始高分辨率网络模型的模块数量，所述减少通道信息用于指示减少所述初始高分辨率网络模型中的通道数量。

4.根据权利要求1所述的方法，其特征在于，所述从所述至少一个候选高分辨率网络模型中，确定目标高分辨率网络模型，包括：

采用候选高分辨率网络模型处理所述至少一个训练图像，获得每个候选高分辨率网络模型的处理时长；

基于每个候选高分辨率网络模型的处理时长，确定目标高分辨率网络模型。

5.根据权利要求4所述的方法，其特征在于，所述基于每个候选高分辨率网络模型的处理时长，确定目标高分辨率网络模型，包括：

确定各候选高分辨率网络模型的处理精度；

根据各候选高分辨率网络模型的处理精度和处理时长，从至少一个候选高分辨率网络模型中确定目标高分辨率网络模型。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

响应于确定所述目标高分辨率网络模型的处理精度小于预设精度阈值，获取与所述初始高分辨率网络模型对应的预设训练图像集群，其中，所述预设训练图像集群包括所述至少一个训练图像；

利用子训练图像集群对所述目标高分辨率网络模型进行训练，其中，所述子训练图像集群为所述预设训练图像集群中除所述至少一个训练图像外的其它训练图像所构成的集群。

7.根据权利要求5所述的方法，其特征在于，所述方法还包括：

响应于确定所述目标高分辨率网络模型的处理精度小于预设精度阈值，获取所述初始高分辨率网络模型的至少一个超参数组合，以及确定当前超参数组合；

根据所述目标高分辨率网络模型采用所述至少一个超参数组合中各超参数组合时的处理精度，确定所述至少一个超参数中是否包括目标超参数组合，其中，所述目标高分辨率网络模型采用所述目标超参数组合时的处理精度，高于所述目标高分辨率网络模型采用所述当前超参数组合时的处理精度；

响应于确定所述至少一个超参数组合中包括所述目标超参数组合，根据所述目标超参数组合，配置所述目标高分辨率网络模型的超参数。

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：

响应于确定所述目标高分辨率网络模型的浮点位数大于预设浮点位数，降低所述目标高分辨率网络模型的浮点位数至所述预设浮点位数。

9.根据权利要求1所述的方法，其特征在于，通过如下方式获得所述初始高分辨网络模型的各图像处理阶段的处理时长：

对所述初始高分辨网络模型进行模型转换，获得初始神经网络推理引擎；

利用所述初始神经网络推理引擎获得所述初始高分辨网络模型的各图像处理阶段的处理时长。

10.一种图像处理装置，其特征在于，包括：

获得单元，用于采用初始高分辨率网络模型处理至少一个训练图像，以及获得所述初始高分辨网络模型的各图像处理阶段的处理时长；

生成单元，用于基于各图像处理阶段的处理时长，生成简化方式信息，其中，所述简化方式信息用于指示对所述初始高分辨率网络模型的简化处理方式；

简化单元，用于基于所述简化方式信息，对所述初始高分辨率网络模型进行简化，获得至少一个候选高分辨率网络模型；

确定单元，用于从所述至少一个候选高分辨率网络模型中，确定目标高分辨率网络模型，其中，所述目标高分辨率网络模型用于处理图像。

11.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9中任一所述的方法。

Images