CN116612200A - 图像处理方法及装置、设备和介质 - Google Patents

图像处理方法及装置、设备和介质 Download PDF

Info

Publication number
CN116612200A
CN116612200A CN202310553189.6A CN202310553189A CN116612200A CN 116612200 A CN116612200 A CN 116612200A CN 202310553189 A CN202310553189 A CN 202310553189A CN 116612200 A CN116612200 A CN 116612200A
Authority
CN
China
Prior art keywords
image processing
compression
strategy
target
processing model
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
Application number
CN202310553189.6A
Other languages
English (en)
Inventor
朱时煜
周保玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunlun Core Beijing Technology Co ltd
Original Assignee
Kunlun Core Beijing Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunlun Core Beijing Technology Co ltd filed Critical Kunlun Core Beijing Technology Co ltd
Priority to CN202310553189.6A priority Critical patent/CN116612200A/zh
Publication of CN116612200A publication Critical patent/CN116612200A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00Image coding
    • G06T9/002Image coding using neural networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/0464Convolutional networks [CNN, ConvNet]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本公开提供了一种图像处理方法及装置、设备和介质,涉及人工智能技术领域,尤其涉及图像处理、模型压缩技术领域。实现方案为:获取待处理图像;获取初始图像处理模型和针对所述初始图像处理模型的多个候选压缩策略;基于所述待处理图像,从所述多个候选压缩策略中确定目标压缩策略;基于所述目标压缩策略对所述初始图像处理模型执行压缩操作,以得到目标图像处理模型;以及将所述待处理图像输入所述目标图像处理模型,以得到所述目标图像处理模型所输出的图像处理结果。

Description

图像处理方法及装置、设备和介质
技术领域
本公开涉及人工智能技术领域,尤其涉及图像处理、模型压缩技术领域,具体涉及一种图像处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
复杂的图像处理模型具有良好的性能,但需要占用较多的存储空间和计算资源。模型压缩技术用于降低神经网络模型的参数量或计算复杂度,以达到节约用于执行模型推理过程的硬件资源和提升模型推理速度的目的。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种图像处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种图像处理方法,包括:获取待处理图像;获取初始图像处理模型和针对所述初始图像处理模型的多个候选压缩策略;基于所述待处理图像,从所述多个候选压缩策略中确定目标压缩策略;基于所述目标压缩策略对所述初始图像处理模型执行压缩操作,以得到目标图像处理模型;以及将所述待处理图像输入所述目标图像处理模型,以得到所述目标图像处理模型所输出的图像处理结果。
根据本公开的另一方面,提供了一种图像处理装置,包括:第一获取单元,被配置为获取待处理图像;第二获取单元,被配置为获取初始图像处理模型和针对所述初始图像处理模型的多个候选压缩策略;确定单元,被配置为基于所述待处理图像,从所述多个候选压缩策略中确定目标压缩策略;压缩单元,被配置为基于所述目标压缩策略对所述初始图像处理模型执行压缩操作,以得到目标图像处理模型;以及输入单元,被配置为将所述待处理图像输入所述目标图像处理模型,以得到所述目标图像处理模型所输出的图像处理结果。
根据本公开的另一方面,提供了一种芯片,包括如上所述的图像处理装置。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述图像处理方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行上述图像处理方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时能够实现上述图像处理方法。
根据本公开的一个或多个实施例,可以提升图像处理效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开示例性实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开示例性实施例的图像处理方法的流程图;
图3示出了根据本公开示例性实施例的压缩策略选择模型的结构示意图;
图4示出了根据本公开示例性实施例的图像处理装置的结构框图;
图5示出了能够用于实现本公开实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
相关技术中,通常是根据人工确定的经验知识来选取与初始图像处理模型相对应的压缩策略,基于此进行模型压缩后,利用压缩后的图像处理模型进行图像处理。这种方式未能充分考虑到不同的输入图像与模型性能的适配,例如,在一些应用场景中,可能是为了保证模型的预测精度而选取了压缩率较低的模型压缩策略,基于此得到了推理速度较慢但预测准确度较高的图像处理模型,在这种情况下,当输入图像的特征复杂度较低时,即导致了图像处理模型的性能冗余,耗费了不必要的硬件处理资源。再例如,在一些应用场景中,可能是为了保证模型的推理速度而选取了压缩率较高的模型压缩策略,基于此得到了推理速度较快、资源占用较少但预测准确度较低的图像处理模型,在这种情况下,当输入图像的特征复杂度较高时,即影响了图像处理结果的准确度。
基于此,本公开提供了一种图像处理方法,基于输入图像来从多种候选压缩策略中选择一个适应于当前输入图像的目标压缩策略,基于此来压缩初始图像处理模型,以得到更加高效、准确的目标图像处理模型,提升图像处理的效率和准确度。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行图像处理方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供其他服务或软件应用,这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来发送待处理图像。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类别的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类别和版本的软件应用程序和操作系统,例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS);或包括各种移动操作系统,例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类别的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类别。在某些实施例中,由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类别的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
图2示出了根据本公开示例性实施例的图像处理方法200的流程图。如图2所示,方法200包括:
步骤S201、获取待处理图像;
步骤S202、获取初始图像处理模型和针对所述初始图像处理模型的多个候选压缩策略;
步骤S203、基于所述待处理图像,从所述多个候选压缩策略中确定目标压缩策略;
步骤S204、基于所述目标压缩策略对所述初始图像处理模型执行压缩操作,以得到目标图像处理模型;以及
步骤S205、将所述待处理图像输入所述目标图像处理模型,以得到所述目标图像处理模型所输出的图像处理结果。
由此,可以基于输入图像来从多种候选压缩策略中选择一个适应于当前输入图像的目标压缩策略。例如,可以是针对特征较复杂的输入图像选取压缩率较低的压缩策略,以保证模型精度,针对特征较简单的输入图像选取压缩率较高的压缩策略,以提升模型的推理速度,减少对硬件资源的占用。通过基于适应于输入图像特征的目标压缩策略来压缩初始图像处理模型,能够在保证模型预测准确度的同时得到更加高效、占用硬件资源较少的目标图像处理模型,提升图像处理的效率和准确度。
所述初始图像处理模型是基于深度学习方法构建或训练的完成的模型,示例性地,所述初始图像处理模型可以是各种结构的神经网络模型,例如卷积神经网络、残差网络等。并且,所述初始图像处理模型可以是用于执行各种图像处理任务的模型,例如可以包括图像分类模型、目标检测模型等。
在一些示例中,所述多个候选压缩策略可以包括量化策略和稀疏化策略中的至少一项。
根据一些实施例,步骤S203中基于所述待处理图像,从所述多个候选压缩策略中确定目标压缩策略包括:将所述待处理图像输入压缩策略选择模型,以得到所述压缩策略选择模型所输出的目标压缩策略,其中,所述压缩策略选择模型被配置为基于所述待处理图像从所述多个候选压缩策略中确定所述目标压缩策略,所述压缩策略选择模型是利用标注有真实目标压缩策略的样本图像进行训练得到的。由此,能够利用神经网络模型来选择目标压缩策略,提升确定目标压缩策略的效率和准确度。
在一些示例中,所述压缩策略选择模型可以是利用如下的训练过程得到的:
步骤S1、获取样本图像和针对该样本图像的真实目标压缩策略;
步骤S2、将样本图像输入压缩策略选择模型,以得到压缩策略选择模型输出的预测目标压缩策略;
步骤S3、基于真实目标压缩策略和预测目标压缩策略计算损失值;以及
步骤S4、基于损失值,调整压缩策略选择模型的参数。
在一些示例中,可以是基于交叉熵损失函数来计算损失值,基于此进行模型调参,以提升模型性能。
图3示出了根据本公开示例性实施例的压缩策略选择模型的结构示意图。参见图3,在这一示例中,压缩策略选择模型包括卷积算子、池化层和残差网络。压缩策略选择模型的头部利用卷积算子来提取输入的待处理图像的特征图,再利用池化层进行最大值池化,以去除边缘特征。在模型的中部利用降维残差网络来降低输入数据的维度,进一步进行特征提取,在模型的底部利用池化层对特征数据进行均值池化,以得到输出结果。
根据一些实施例,所述目标压缩策略包括多个子目标压缩策略,所述子目标压缩策略包括量化策略和稀疏化策略中的至少一项。由此,能够根据实际应用场景的需求,灵活利用各种模型压缩策略或各种模型压缩策略的组合来实现图像处理模型的压缩,以提升模型压缩的效率和效果,进一步节省所得到的目标图像处理模型所占用的存储空间和相应的模型推理过程所占用的硬件计算资源。
量化策略是指将初始图像处理模型中以较高比特量形式存储或计算的参数改为利用较低比特量的形式来存储或计算。例如,可以是将以32位浮点数形式存储的参数改为以8位整数形式存储,由此,能够节省目标图像处理模型所占用的存储空间。再例如,还可以是将以32为浮点数形式计算的参数改为以8位整数形式计算,由此,能够节省目标图像处理模型的推理过程所占用的硬件计算资源,提升模型推理的速度。
示例性地,所述量化策略可以包括不同的量化参数,所述量化参数例如可以包括量化率和量化后的数据类型的比特数。量化率是用于指示对初始图像处理模型进行量化的参数的比率,例如对初始图像处理模型中5%的参数进行量化,或对初始图像处理模型中10%的参数进行量化。再例如,所述量化参数还可以用于指示对初始图像处理模型进行量化的参数所在的位置,例如可以仅对初始图像处理模型中特定的一个或多个网络层进行量化,从而对应不同类型的量化策略,例如均匀量化、对称量化等。由此,能够根据实际应用场景的需求,灵活使用不同的量化策略,进一步提升模型压缩的效果,使得所得到的目标图像处理模型能够占用更少的存储空间,并且具有更优化的推理性能。
进一步地,量化策略的量化参数还包括最大值参数或最大值参数的确定策略,以基于最大值参数来执行模型参数的量化。
根据一些实施例,所述量化策略包括以下各项中的至少一项:绝对最大值量化策略、相对熵量化策略和交替方向乘子量化策略,并且其中,步骤S204中基于所述目标压缩策略对所述初始图像处理模型执行压缩操作包括:响应于确定所述目标压缩策略包括量化策略,基于所述量化策略确定第一最大值参数;以及基于所述第一最大值参数,对所述初始图像处理模型执行量化操作,以使得所述初始图像处理模型所包括的至少一个参数能够以更低比特量的形式存储或计算。由此,能够利用多种量化策略的组合来提升模型量化效果。
根据一些实施例,所述初始图像处理模型包括多个子网络,所述量化策略包括针对所述多个子网络的多个第二最大值参数,并且步骤S204中基于所述目标压缩策略对所述初始图像处理模型执行压缩操作包括:响应于确定所述目标压缩策略包括量化策略,针对所述多个子网络中的每个子网络,基于与该子网络对应的第二最大值参数,对该子网络执行量化操作,以使得该子网络所包括的至少一个参数能够以更低比特量的形式存储或计算。由此,能够以最大值参数列表的形式来表示模型的量化策略,在压缩操作中仅需读取最大值操作并进行网络参数的量化即可,能够提升模型压缩的效率。
稀疏化策略是指通过一定的规则剪除初始图像处理模型中的网络单元,以在神经网络模型的运行过程中省去所剪除的网络单元对应的操作。从而能够节省初始图像处理模型所占用的存储空间,同时节省初始图像处理模型的推理过程所占用的硬件计算资源。
示例性地,所述稀疏化策略可以包括不同的稀疏化参数,所述稀疏化参数例如可以包括稀疏比率,用于指示剪除初始图像处理模型所包括的参数的比率,例如剪除初始图像处理模型中5%的参数,或剪除初始图像处理模型中10%的参数。再例如,所述稀疏化参数还可以用于所剪除的初始图像处理模型的参数所在的位置,从而对应不同类型的稀疏化策略,例如结构化稀疏、非结构化稀疏等。由此,能够根据实际应用场景的需求,灵活使用不同的稀疏化策略,进一步提升模型压缩的效果,使得所得到的目标图像处理模型能够占用更少的存储空间,并且具有更优化的推理性能。
根据一些实施例,步骤S204中基于所述目标压缩策略对所述初始图像处理模型执行压缩操作包括:响应于确定所述目标压缩策略包括稀疏化策略,对所述初始图像处理模型执行稀疏化操作,以删除所述初始图像处理模型所包括的至少一个参数。由此,能够通过剪除初始图像处理模型中的至少一个参数来提升模型的推理性能,减少模型对存储空间和处理资源的占用。
在一些示例中,可以是将初始图像处理模型和压缩策略选择模型同时部署到推理框架中,并同时加载多个候选压缩策略,在图像处理过程中先将输入的待处理图像输入压缩策略选择模型,利用压缩策略选择模型来选择最佳的目标压缩策略,进而基于目标压缩策略对初始图像处理模型执行压缩操作,再利用压缩后的目标图像处理模型进行图像处理,以提升图像处理的准确度和效率。
根据本公开的另一方面,还提供一种图像处理装置。图4示出了根据本公开示例性实施例的图像处理装置400的结构框图。如图4所示,装置400包括:
第一获取单元401,被配置为获取待处理图像;
第二获取单元402,被配置为获取初始图像处理模型和针对所述初始图像处理模型的多个候选压缩策略;
确定单元403,被配置为基于所述待处理图像,从所述多个候选压缩策略中确定目标压缩策略;
压缩单元404,被配置为基于所述目标压缩策略对所述初始图像处理模型执行压缩操作,以得到目标图像处理模型;以及
输入单元405,被配置为将所述待处理图像输入所述目标图像处理模型,以得到所述目标图像处理模型所输出的图像处理结果。
根据一些实施例,确定单元403被配置为:将所述待处理图像输入压缩策略选择模型,以得到所述压缩策略选择模型所输出的目标压缩策略,其中,所述压缩策略选择模型被配置为基于所述待处理图像从所述多个候选压缩策略中确定所述目标压缩策略,所述压缩策略选择模型是利用标注有真实目标压缩策略的样本图像进行训练得到的。
根据一些实施例,所述目标压缩策略包括多个子目标压缩策略,所述子目标压缩策略包括量化策略和稀疏化策略中的至少一项。
根据一些实施例,所述量化策略包括以下各项中的至少一项:绝对最大值量化策略、相对熵量化策略和交替方向乘子量化策略,并且其中,所述压缩单元404被配置为:响应于确定所述目标压缩策略包括量化策略,基于所述量化策略确定第一最大值参数;以及基于所述第一最大值参数,对所述初始图像处理模型执行量化操作,以使得所述初始图像处理模型所包括的至少一个参数能够以更低比特量的形式存储或计算。
根据一些实施例,所述初始图像处理模型包括多个子网络,所述量化策略包括针对所述多个子网络的多个第二最大值参数,并且其中,压缩单元404被配置为:响应于确定所述目标压缩策略包括量化策略,针对所述多个子网络中的每个子网络,基于与该子网络对应的第二最大值参数,对该子网络执行量化操作,以使得该子网络所包括的至少一个参数能够以更低比特量的形式存储或计算。
根据一些实施例,所述压缩单元404被配置为:响应于确定所述目标压缩策略包括稀疏化策略,对所述初始图像处理模型执行稀疏化操作,以删除所述初始图像处理模型所包括的至少一个参数。
根据本公开的另一方面,还提供一种芯片,包括如上所述的图像处理装置。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的另一方面,还提供一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的图像处理方法。
根据本公开的另一方面,还提供一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行上述的图像处理方方法。
根据本公开的另一方面,还提供一种计算机程序产品,包括计算机程序,其中,所述计算机程序再被处理器执行时实现上述的图像处理方方法。
参考图5,现将描述可以作为本公开的服务器或客户端的电子设备500的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503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。
设备500中的多个部件连接至I/O接口505,包括:输入单元506、输出单元507、存储单元508以及通信单元509。输入单元506可以是能向设备500输入信息的任何类别的设备,输入单元506可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元507可以是能呈现信息的任何类别的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元508可以包括但不限于磁盘、光盘。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如图像处理方方法。例如,在一些实施例中,图像处理方方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的图像处理方方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行图像处理方方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (16)

1.一种图像处理方法,包括:
获取待处理图像;
获取初始图像处理模型和针对所述初始图像处理模型的多个候选压缩策略;
基于所述待处理图像,从所述多个候选压缩策略中确定目标压缩策略;
基于所述目标压缩策略对所述初始图像处理模型执行压缩操作,以得到目标图像处理模型;以及
将所述待处理图像输入所述目标图像处理模型,以得到所述目标图像处理模型所输出的图像处理结果。
2.如权利要求1所述的方法,其中,所述基于所述待处理图像,从所述多个候选压缩策略中确定目标压缩策略包括:
将所述待处理图像输入压缩策略选择模型,以得到所述压缩策略选择模型所输出的目标压缩策略,其中,所述压缩策略选择模型被配置为基于所述待处理图像从所述多个候选压缩策略中确定所述目标压缩策略,所述压缩策略选择模型是利用标注有真实目标压缩策略的样本图像进行训练得到的。
3.如权利要求1或2所述的方法,其中,所述目标压缩策略包括多个子目标压缩策略,所述子目标压缩策略包括量化策略和稀疏化策略中的至少一项。
4.如权利要求3所述的方法,其中,所述量化策略包括以下各项中的至少一项:
绝对最大值量化策略、相对熵量化策略和交替方向乘子量化策略,
并且其中,所述基于所述目标压缩策略对所述初始图像处理模型执行压缩操作包括:
响应于确定所述目标压缩策略包括量化策略,基于所述量化策略确定第一最大值参数;以及
基于所述第一最大值参数,对所述初始图像处理模型执行量化操作,以使得所述初始图像处理模型所包括的至少一个参数能够以更低比特量的形式存储或计算。
5.如权利要求3所述的方法,其中,所述初始图像处理模型包括多个子网络,所述量化策略包括针对所述多个子网络的多个第二最大值参数,并且其中,所述基于所述目标压缩策略对所述初始图像处理模型执行压缩操作包括:
响应于确定所述目标压缩策略包括量化策略,针对所述多个子网络中的每个子网络,基于与该子网络对应的第二最大值参数,对该子网络执行量化操作,以使得该子网络所包括的至少一个参数能够以更低比特量的形式存储或计算。
6.如权利要求3所述的方法,其中,所述基于所述目标压缩策略对所述初始图像处理模型执行压缩操作包括:
响应于确定所述目标压缩策略包括稀疏化策略,对所述初始图像处理模型执行稀疏化操作,以删除所述初始图像处理模型所包括的至少一个参数。
7.一种图像处理装置,包括:
第一获取单元,被配置为获取待处理图像;
第二获取单元,被配置为获取初始图像处理模型和针对所述初始图像处理模型的多个候选压缩策略;
确定单元,被配置为基于所述待处理图像,从所述多个候选压缩策略中确定目标压缩策略;
压缩单元,被配置为基于所述目标压缩策略对所述初始图像处理模型执行压缩操作,以得到目标图像处理模型;以及
输入单元,被配置为将所述待处理图像输入所述目标图像处理模型,以得到所述目标图像处理模型所输出的图像处理结果。
8.如权利要求7所述的装置,其中,所述确定单元被配置为:
将所述待处理图像输入压缩策略选择模型,以得到所述压缩策略选择模型所输出的目标压缩策略,其中,所述压缩策略选择模型被配置为基于所述待处理图像从所述多个候选压缩策略中确定所述目标压缩策略,所述压缩策略选择模型是利用标注有真实目标压缩策略的样本图像进行训练得到的。
9.如权利要求7或8所述的装置,其中,所述目标压缩策略包括多个子目标压缩策略,所述子目标压缩策略包括量化策略和稀疏化策略中的至少一项。
10.如权利要求9所述的装置,其中,所述量化策略包括以下各项中的至少一项:
绝对最大值量化策略、相对熵量化策略和交替方向乘子量化策略,
并且其中,所述压缩单元被配置为:
响应于确定所述目标压缩策略包括量化策略,基于所述量化策略确定第一最大值参数;以及
基于所述第一最大值参数,对所述初始图像处理模型执行量化操作,以使得所述初始图像处理模型所包括的至少一个参数能够以更低比特量的形式存储或计算。
11.如权利要求9所述的装置,其中,所述初始图像处理模型包括多个子网络,所述量化策略包括针对所述多个子网络的多个第二最大值参数,
并且其中,所述压缩单元被配置为:
响应于确定所述目标压缩策略包括量化策略,针对所述多个子网络中的每个子网络,基于与该子网络对应的第二最大值参数,对该子网络执行量化操作,以使得该子网络所包括的至少一个参数能够以更低比特量的形式存储或计算。
12.如权利要求9所述的装置,其中,所述压缩单元被配置为:
响应于确定所述目标压缩策略包括稀疏化策略,对所述初始图像处理模型执行稀疏化操作,以删除所述初始图像处理模型所包括的至少一个参数。
13.一种芯片,包括如权利要求7-12中任一项所述的装置。
14.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
15.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1-6中任一项所述的方法。
16.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
CN202310553189.6A 2023-05-16 2023-05-16 图像处理方法及装置、设备和介质 Pending CN116612200A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310553189.6A CN116612200A (zh) 2023-05-16 2023-05-16 图像处理方法及装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310553189.6A CN116612200A (zh) 2023-05-16 2023-05-16 图像处理方法及装置、设备和介质

Publications (1)

Publication Number Publication Date
CN116612200A true CN116612200A (zh) 2023-08-18

Family

ID=87674043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310553189.6A Pending CN116612200A (zh) 2023-05-16 2023-05-16 图像处理方法及装置、设备和介质

Country Status (1)

Country Link
CN (1) CN116612200A (zh)

Similar Documents

Publication Publication Date Title
CN114612749B (zh) 神经网络模型训练方法及装置、电子设备和介质
CN114861910B (zh) 神经网络模型的压缩方法及装置、设备和介质
CN114004985B (zh) 人物交互检测方法、神经网络及其训练方法、设备和介质
CN112784985A (zh) 神经网络模型的训练方法及装置、图像识别方法及装置
CN115600646B (zh) 语言模型的训练方法、装置、介质及设备
CN114881170B (zh) 用于对话任务的神经网络的训练方法和对话任务处理方法
CN115170887B (zh) 目标检测模型训练方法、目标检测方法及其装置
CN116401462A (zh) 应用于数字化共享的互动数据分析方法及系统
CN114219046B (zh) 模型训练方法、匹配方法、装置、系统、电子设备和介质
CN113722594B (zh) 推荐模型的训练方法、推荐方法、装置、电子设备及介质
CN114443896B (zh) 数据处理方法和用于训练预测模型的方法
CN114676062A (zh) 用于接口的差异数据测试方法及装置、电子设备和介质
CN116612200A (zh) 图像处理方法及装置、设备和介质
CN114429548A (zh) 图像处理方法、神经网络及其训练方法、装置和设备
CN112784912A (zh) 图像识别方法及装置、神经网络模型的训练方法及装置
CN115713071B (zh) 用于处理文本的神经网络的训练方法和处理文本的方法
CN114120420B (zh) 图像检测方法和装置
CN113284484B (zh) 模型训练方法及装置、语音识别方法和语音合成方法
CN114117046B (zh) 数据处理方法、装置、电子设备及介质
CN114205164B (zh) 流量分类方法及装置、训练方法及装置、设备和介质
CN114118379B (zh) 神经网络的训练方法、图像处理方法、装置、设备和介质
CN114140851B (zh) 图像检测方法和用于训练图像检测模型的方法
CN117369768A (zh) 由运算装置执行的运算方法及装置、设备和介质
CN117669666A (zh) 用于执行目标任务的模型的量化方法、装置及设备
CN117669667A (zh) 用于执行目标任务的模型的训练方法、装置及设备

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: CW District, 4th floor, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100101

Applicant after: Kunlun core (Beijing) Technology Co.,Ltd.

Address before: Baidu building, No. 10, Shangdi 10th Street, Haidian District, Beijing 100086

Applicant before: Kunlun core (Beijing) Technology Co.,Ltd.