CN117237788A - 图像处理方法、设备和存储介质 - Google Patents
图像处理方法、设备和存储介质 Download PDFInfo
- Publication number
- CN117237788A CN117237788A CN202311513913.9A CN202311513913A CN117237788A CN 117237788 A CN117237788 A CN 117237788A CN 202311513913 A CN202311513913 A CN 202311513913A CN 117237788 A CN117237788 A CN 117237788A
- Authority
- CN
- China
- Prior art keywords
- channel
- target network
- target
- network
- image processing
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 254
- 238000000034 method Methods 0.000 claims abstract description 57
- 230000003213 activating effect Effects 0.000 claims abstract description 19
- 108091006146 Channels Proteins 0.000 claims description 482
- 238000012549 training Methods 0.000 claims description 55
- 230000008569 process Effects 0.000 claims description 30
- 230000004913 activation Effects 0.000 claims description 16
- 230000035772 mutation Effects 0.000 claims description 14
- 230000001629 suppression Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 abstract description 7
- 238000011176 pooling Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种图像处理方法、设备和存储介质，该方法包括：获取图像处理网络中目标网络层的目标通道权重参数；其中，目标通道权重参数包括目标网络层中各个通道的第一重要度；目标通道权重参数由第一目标网络中的预测子网络输出得到，第一目标网络为在图像处理网络中的目标网络层处添加预测子网络得到；基于目标网络层的目标通道权重参数，得到目标网络层的目标通道配置参数；基于目标网络层的目标通道配置参数，对图像处理网络中目标网络层的通道进行激活或抑制，得到第二目标网络。通过上述方式，本申请既能保持图像处理精度，又能够提高图像处理效率。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种图像处理方法、设备和存储介质。
背景技术
随着深度学习算法理论的飞速发展，为满足用户对图像处理精度的需求，模型参数量越来越大，而模型参数量越大，对应的在进行图像处理时所需的芯片的计算能力越高，且芯片对应的图像处理时间长，影响图像处理的效率。
因此，如何在保持图像处理精度的同时，提高图像的处理效率成为极具研究价值的课题。
发明内容
本申请主要解决的技术问题是提供一种图像处理方法、设备和存储介质，能够在保持图像处理精度的同时，提高图像的处理效率。
为解决上述技术问题，本申请采用的一个技术方案是：提供一种图像处理方法，该方法包括：获取图像处理网络中目标网络层的目标通道权重参数；其中，目标通道权重参数包括目标网络层中各个通道的第一重要度；目标通道权重参数由第一目标网络中的预测子网络输出得到，第一目标网络为在图像处理网络中的目标网络层处添加预测子网络得到；基于目标网络层的目标通道权重参数，得到目标网络层的目标通道配置参数；基于目标网络层的目标通道配置参数，对图像处理网络中目标网络层的通道进行激活或抑制，得到第二目标网络；利用第二目标网络处理待处理图像，得到待处理图像的图像处理结果。
为解决上述技术问题，本申请采用的再一个技术方案是：提供一种电子设备，包括相互耦接的存储器和处理器，存储器存储有程序指令；处理器用于执行存储器中存储的程序指令，以实现上述方法。
为解决上述技术问题，本申请采用的又一个技术方案是：提供一种计算机可读存储介质，用于存储程序指令，该程序指令能够被执行以实现上述方法。
上述方案，在获取图像处理网络中目标网络层的目标通道权重参数后，基于目标网络层的目标通道权重参数，得到目标网络层的目标通道配置参数，然后基于目标网络层的目标通道配置参数，对图像处理网络中目标网络层的通道进行激活或抑制，得到第二目标网络，以利用第二目标网络处理待处理图像。其中，本申请的第二目标网络是对图像处理网络中的目标网络层的通道进行激活或抑制后得到的网络，该第二目标网络不包含预测子网络，相比于第二目标网络包含预测子网络，本申请的第二目标网络减少了预测子网络对应的网络参数，故利用第二目标网络处理图像时，可减少预测子网络对图像进行处理的时间，进而能够提高图像的处理效率。
进一步地，由于在训练过程中能够通过预测子网络输出的预测通道权重参数，调整对目标网络层中各个通道的激活或抑制，有助于在训练阶段尽可能地抑制对图像处理精度无影响或低影响的通道，并激活对图像处理精度具有一定影响的通道，故利用训练得到的最新预测通道权重参数作为目标通道权重参数后，利用基于目标通道权重参数得到的第二目标网络在处理待处理图像时，能够保持图像处理精度，因此，通过上述方式，本申请能够在保持图像处理精度的同时，提高图像的处理效率。
附图说明
图1是本申请提供的图像处理方法一实施例的流程示意图；
图2是本申请提供的获取第一目标网络的框架示意图；
图3是图1所示步骤S11一实施例的流程示意图；
图4是图3所示步骤S31一实施例的流程示意图；
图5是图3所示步骤S32一实施例的流程示意图；
图6是图5所示步骤S51一实施例的流程示意图；
图7是图3所示步骤S33一实施例的流程示意图；
图8是本申请提供的图像处理方法另一实施例的流程示意图；
图9是本申请提供的电子设备一实施例的框架示意图；
图10是本申请提供的计算机可读存储介质的框架示意图。
具体实施方式
为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。
另外，若本申请实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。
需要说明的是，本文提到的图像处理网络、第一目标网络和第二目标网络这均为用于处理图像的网络。
其中，图像处理网络为用于处理图像的网络，其可以是图像分类网络，也可以是图像检测网络，具体结构可根据实际需要进行确定，例如是卷积神经网络等。
第一目标网络为在图像处理网络中的目标网络层处添加预测子网络后组成的网络。其中，添加的预测子网络用于确定并输出目标网络层的通道权重参数（包括下文的预测通道权重参数和目标通道权重参数），该通道权重参数包括目标网络层中各个通道的第一重要度，该第一重要度表征对应通道对图像处理网络处理图像的重要程度。
第二目标网络为基于第一目标网络的预测子网络输出的目标网络层的通道配置参数，对图像处理网络中的目标网络层的通道进行激活或抑制后得到的网络。即第二目标网络是对图像处理网络中的目标网络层的通道进行激活或抑制后得到的网络，其中，对目标网络层的哪些通道进行激活或是抑制，是根据目标网络层的目标通道配置参数（具体可参考下文描述）确定的。需要说明的是，只有目标网络层中被激活的通道进行图像处理，而被抑制的通道不进行图像处理，由于目标网络层中存在被抑制的通道，因此，对图像处理网络中的目标网络层的通道进行激活或抑制后得到的第二目标网络中只有部分通道（被激活的通道）参与图像处理，故可以减少第二目标网络的网络参数，进而能够减少第二目标网络对图像的处理时间，以提高图像的处理效率。
同时，需要说明的是，本申请对待处理图像进行处理，得到待处理图像的图像处理结果的网络为第二目标网络，第一目标网络是设置的用于确定目标网络层的目标通道配置参数的网络，即本申请可根据第一目标网络确定出图像处理网络中目标网络层的哪些通道应被激活，哪些通道应被抑制，进而对目标网络层中应被激活的通道进行激活，对应被抑制的通道进行抑制，以得到第二目标网络。其中，在得到第二目标网络后，就只利用第二目标网络进行图像处理；此外，对应被抑制的通道进行抑制可以理解为对该通道进行了剪枝处理，被剪枝的通道不参与图像的处理。
另外需强调的是，第一目标网络为在图像处理网络中的目标网络层处添加预测子网络后组成的网络，第二目标网络为基于目标通道配置参数对图像处理网络中目标网络层的通道进行激活或抑制后，得到的网络。且第一目标网络和第二目标网络为两个分别独立的网络。
请参阅图1，图1是本申请提供的图像处理方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图1所示的流程顺序为限。如图1所示，本实施例包括：
S11：获取图像处理网络中目标网络层的目标通道权重参数；其中，目标通道权重参数包括目标网络层中各个通道的第一重要度；目标通道权重参数由第一目标网络中的预测子网络输出得到，第一目标网络为在图像处理网络中的目标网络层处添加预测子网络得到。
本实施例用于基于目标网络层的目标通道配置参数对图像处理网络中目标网络层的通道进行激活或抑制，得到第二目标网络，然后利用第二目标网络处理待处理图像，得到待处理图像的图像处理结果。
本实施例的图像处理网络可以是任何用于处理图像的网络，可以但不限于是图像分类网络，还可以是图像检测网络或者是场景分割网络等，图像处理网络的具体结构可根据实际需要进行确定，例如是卷积神经网络等。其中，图像分类网络用于将待处理的图像归类至某一类别，例如将待处理的图像归类为鸟、猫等；图像检测网络用于在待处理的图像中检测出目标对象，例如是车辆、行人等。
本实施例中，图像处理网络中目标网络层的目标通道权重参数由第一目标网络中的预测子网络输出得到，具体地，是利用已经过训练的第一目标网络中的预测子网络输出得到。其中，第一目标网络为在图像处理网络中的目标网络层处添加预测子网络得到的网络。
第二目标网络为基于目标网络层的目标通道配置参数对图像处理网络中目标网络层的通道进行激活或抑制得到的网络。其中，目标网络层的目标通道配置参数表征目标网络层中各个通道应被激活或抑制。即本实施例可根据目标网络层的目标通道配置参数确定出应被激活的通道和应被抑制的通道。本文中的目标网络层为添加了预测子网络的网络层，即图像处理网络中添加了预测子网络的网络层为目标网络层。其中，可根据实际需要在图像处理网络中的多个目标网络层处分别添加预测子网络，得到对应的第一目标网络。
在一实施方式中，在目标网络层处添加的预测子网络包括顺序连接的预测网络层和加权网络层。本实施方式中，在图像处理网络中的目标网络层处添加预测子网络，得到第一目标网络包括：构造目标网络层的输出分别接入至预测网络层与加权网络层的输入；构造加权网络层的输出接入至目标网络层的下一网络层的输入，以得到第一目标网络。
概括来说，请参阅图2，图2是本申请提供的获取第一目标网络的框架示意图。上述构造得到第一目标网络的过程为：构造目标网络层的输出既为预测网络层的输入，又为加权网络层的输入，然后构造加权网络层的输出作为目标网络层的下一网络层的输入，以得到第一目标网络。其中，预测网络层用于基于目标网络层的输出进行预测，得到通道权重参数，而加权网络层的输入包括两部分，一部分为目标网络层的输出，另一部分为预测网络层的输出，其中，目标网络层输出的是该目标网络层对在前的网络输出的结果进行处理得到的特征图，该特征图包含目标网络层的各通道的特征数据，预测网络层输出的目标网络层的通道权重参数，加权网络层用于将目标网络层输出的特征图和对应的通道权重参数进行加权，得到加权结果，以便于加权网络层的下一网络层基于加权结果进行处理，进而得到对输入图像处理得到的处理结果。其中，需要说明的是，加权网络层的输出接入的目标网络层的下一网络层可以是图像处理网络中的目标网络层，也可以是图像处理网络中的普通的网络层，在下一网络层为目标网络层的情况下，该下一网络层处也添加的有预测子网络。
当然，由于本申请在图像处理网络的目标网络层处添加的预测子网络的主要作用是输出目标网络层的通道权重参数，因此，在其他实施例中，预测子网络还可以只包含上一实施方式中的预测网络层。
需要说明的是，在一实施例中，步骤S11获取图像处理网络中目标网络层的目标通道权重参数包括：利用若干样本图像训练第一目标网络和图像处理网络，并获取训练过程中预测子网络输出的预测通道权重参数，然后基于目标网络层的预测通道权重参数，得到目标网络层的预测通道配置参数；再基于目标网络层的预测通道配置参数对图像处理网络中目标网络层的通道进行激活或抑制，得到经通道激活或者抑制后的图像处理网络；之后返回上述利用若干样本图像训练第一目标网络和图像处理网络的步骤直至训练收敛，以在训练至收敛后选择最新的预测通道权重参数作为目标网络层的目标通道权重参数，进而基于目标通道权重参数得到第二目标网络。即本实施例中，是利用已训练至收敛的第一目标网络的预测子网络输出的预测通道权重参数作为目标通道权重参数的。其中，具体获取图像处理网络中目标网络层的目标通道权重参数的步骤、以及利用若干样本图像训练第一目标网络和图像处理网络的过程可参考下文图3对应的实施例的相关描述。
当然，在其他实施例中，也可直接利用已训练好的第一目标网络的预测子网络输出目标通道权重参数的，而无需对第一目标网络进行重新训练。
本实施例中，目标通道权重参数包括目标网络层中各个通道的第一重要度。其中，目标网络层的各通道为目标网络层中的网络结构，该网络结构例如是卷积核或者过滤器等，用于提取输入图像的特征，得到对应的特征图。需要说明的是，本申请主要基于目标网络层中各个通道的第一重要度确定对图像处理效果无影响或者低影响的通道，以抑制对图像处理效果无影响或者低影响的通道，并激活其他通道，以能够在保证图像处理精度的同时，提高图像的处理效率。
S12：基于目标网络层的目标通道权重参数，得到目标网络层的目标通道配置参数。
本实施例中，目标网络层的通道配置参数表征目标网络层中各个通道应被激活或抑制。即本实施例可根据目标网络层的通道配置参数确定出应被激活的通道和应被抑制的通道。
在一实施方式中，可根据目标通道权重参数包括的目标网络层中各个通道的第一重要度，得到目标网络层的目标通道配置参数。示例性的，对第一重要度小于预设重要度阈值的通道确定为应被抑制的通道，将剩余的通道确定为应被激活的通道。
在另一实施方式中，还可根据目标通道权重参数包括的目标网络层中各个通道的第一重要度和关于目标网络层的通道激活率，得到目标网络层的目标通道配置参数。示例性的，对目标网络层中各个通道的第一重要度进行排序，得到排序结果，并根据目标网络层的通道激活率，确定应被激活的通道数量（例如是n），然后将排序结果中排序靠前的n个通道确定为应被激活的通道，将余下的通道确定为应被抑制的通道。
当然，在其他实施例中，还可利用其他方式确定目标网络层的通道配置参数。
S13：基于目标网络层的目标通道配置参数，对图像处理网络中目标网络层的通道进行激活或抑制，得到第二目标网络。
S14：利用第二目标网络处理待处理图像，得到待处理图像的图像处理结果。
在一些实施场景中，上述图像处理网络为图像分类网络，对应的第一目标网络是在图像分类网络的基础上添加了预测子网络后的网络，第二目标网络是基于目标通道配置参数对图像分类网络的目标网络层中的通道进行激活或抑制后的网络，故第一目标网络和第二目标网络实质上还是图像分类网络。
其中，由于第二目标网络中存在被抑制的通道，且第二目标网络不包含预测子网络，因此，相比于第一目标网络，甚至图像处理网络，第二目标网络的网络参数较小，故利用第二目标网络处理图像时，可减少预测子网络对图像进行处理的时间，进而能够提高图像的处理效率。
上述方案，在获取图像处理网络中目标网络层的目标通道权重参数后，基于目标网络层的目标通道权重参数，得到目标网络层的目标通道配置参数，然后基于目标网络层的目标通道配置参数，对图像处理网络中目标网络层的通道进行激活或抑制，得到第二目标网络，以利用第二目标网络处理待处理图像。其中，本申请的第二目标网络是对图像处理网络中的目标网络层的通道进行激活或抑制后得到的网络，该第二目标网络不包含预测子网络，相比于第二目标网络包含预测子网络，本申请的第二目标网络减少了预测子网络对应的网络参数，故利用第二目标网络处理图像时，可减少预测子网络对图像进行处理的时间，进而能够提高图像的处理效率。
请参阅图3，图3是图1所示步骤S11一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图3所示的流程顺序为限。本实施例中，获取图像处理网络中目标网络层的目标通道权重参数，包括：
S31：利用若干样本图像训练第一目标网络和图像处理网络，并获取训练过程中预测子网络输出的预测通道权重参数。
本实施例中，利用若干样本图像训练第一目标网络和图像处理网络的过程是同步进行的，且每次训练时，第一目标网络和图像处理网络处理的样本图像是相同的图像，其中不同的是，第一目标网络包括图像处理网络中目标网络层的所有通道，而图像处理网络只包括对应图像处理网络中目标网络层中部分被激活的通道。
具体地，请参阅图4，图4是图3所示步骤S31一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图4所示的流程顺序为限。如图4所示，本实施例包括：
S41：对于各样本图像，利用第一目标网络处理样本图像，得到样本图像的第一处理结果，以及利用图像处理网络处理样本图像，得到样本图像的第二处理结果。
本实施例用于利用第一目标网络和图像处理网络处理各样本图像，得到各样本图像的第一处理结果和第二处理结果，然后至少基于由第一处理结果和第二处理结果度量得到的数据分布差异，调整第一目标网络和图像处理网络的网络参数，以训练第一目标网络和图像处理网络。
S42：至少基于由第一处理结果和第二处理结果度量得到的数据分布差异，调整第一目标网络和图像处理网络的网络参数。
本实施例中，由于第一目标网络和图像处理网络处理的是相同的样本图像，因此，在第一目标网络和图像处理网络处理结果准确的情况下，第一目标网络和图像处理网络处理样本图像，得到的第一处理结果和第二处理结果应相同。其中，第一处理结果和第二处理结果之间的差异可由第一处理结果和第二处理结果度量得到的数据分布差异进行表征，其中，数据分布差异越大，表示第一处理结果和第二处理结果的差异越大，反之越小。进一步的，由第一处理结果和第二处理结果度量得到的数据分布差异可以是在得到第一处理结果和第二处理结果后，度量第一处理结果和第二处理结而得到的差异；还可以是在得到第一处理结果和第二处理结果之前，由第一目标网络和图像处理网络中的池化层对样本图像进行池化处理，得到池化结果，并度量池化结果之间的差异，将池化结果之间的差异，作为由第一处理结果和第二处理结果度量得到的数据分布差异。可以理解的是，池化结果是将数据经过压缩处理后对应的结果，故池化结果的数据量比第一处理结果和第二处理结果的数量小，因此，将第一目标网络和图像处理网络中池化层得到的池化结果之间的差异作为数据分布差异，能够减少确定数据分布差异的计算量，可提高第一目标网络和图像处理网络在训练过程中的处理效率。
在一具体实施例中，可通过求KL散度确定数据分布差异，公式如下：
式中，MaxPool 1(x)为第一目标网络中池化层的输出结果（池化结果），MaxPool 2(x)为图像处理网络中池化层的输出结果（池化结果）。loss 0表示两个输出结果的特征部分差异，即数据分布差异。
在一实施方式中，可基于由第一处理结果和第二处理结果度量得到的数据分布差异，调整第一目标网络和图像处理网络的网络参数，以使最终训练得到的第一目标网络和图像处理网络得到的第一处理结果和第二处理结果的数据分布差异满足差异要求。
在另一实施方式中，为了保证更好的训练效果，还可基于数据分布差异、表征第一目标网络处理损失的第一差异和表征图像处理网络处理损失的第二差异，调整第一目标网络和图像处理网络的网络参数。
其中，在步骤S42之前，应先获取第一差异和第二差异。具体地：可根据第一处理结果与样本图像的图像标注信息，度量得到第一差异，并基于第二处理结果与样本图像的图像标注信息，度量得到第二差异。其中，第一差异为第一处理结果与对应的样本图像的图像标注信息之间的差异；第二差异为第二处理结果与对应的样本图像的图像标注信息之间的差异。
本实施方式中，在获取第一差异和第二差异后，基于第一差异、第二差异和数据分布差异，调整第一目标网络和图像处理网络的网络参数。示例性的，对第一差异、第二差异和数据分布差异进行预设运算，得到总差异，然后利用总差异调整第一目标网络和图像处理网络的网络参数。在一具体实施例中，对第一差异、第二差异和数据分布差异进行求和，得到总差异，然后利用总差异调整第一目标网络和图像处理网络的网络参数。
S32：基于目标网络层的预测通道权重参数，得到目标网络层的预测通道配置参数。
需要说明的是，在一实施方式中，可在首次利用若干样本图像训练第一目标网络时，先随机初始化第一目标网络中关于图像处理网络的目标网络层的通道配置参数，并将随机初始化的通道配置参数，作为目标网络层的预测通道配置参数，进而便于步骤S33基于目标网络层的预测通道配置参数对图像处理网络中目标网络层的通道进行激活或抑制，得到经通道激活或者抑制后的图像处理网络。
在一些实施例中，可将若干样本图像划分为多个样本批次，以利用多个样本批次的样本图像对第一目标网络和图像处理网络进行多轮次的训练。其中，在每一轮训练过程中，都会利用第一目标网络对本轮训练的样本图像进行处理，得到目标网络层的预测通道权重参数，然后基于预测通道权重参数，得到预测通道配置参数。
S33：基于目标网络层的预测通道配置参数对图像处理网络中目标网络层的通道进行激活或抑制，得到经通道激活或者抑制后的图像处理网络。
S34：返回利用若干样本图像训练第一目标网络和图像处理网络的步骤直至训练收敛，以选择最新的预测通道权重参数作为目标通道权重参数。
本实施例可多次利用若干样本图像训练第一目标网络和图像处理网络，直至第一目标网络和图像处理网络训练至收敛，以将最新的预测通道权重参数（训练至收敛时预测子网络输出的预测通道权重参数）作为目标通道权重参数。进而采用图1所示的方法得到第二目标网络。
本实施例中，在第一目标网络和图像处理网络训练完成后，可直接将训练完成的图像处理网络作为本申请的第二目标网络，也可基于训练至收敛时的第一目标网络的预测子网络输出的预测通道权重参数（目标通道权重参数），得到目标网络层的目标通道配置参数；然后基于目标网络层的目标通道配置参数对训练至收敛的或训练前的原图像处理网络中目标网络层的通道进行激活或抑制，得到第二目标网络。
在一具体实施例中，在训练第一目标网络和图像处理网络的过程中，均是利用第一目标网络和图像处理网络分别对样本图像进行分类处理，得到样本图像的第一分类结果和第二分类结果；然后再基于由第一分类结果和第二分类结果度量得到的数据分布差异、第一分类结果和样本图像的差异以及第二分类结果和样本图像的差异，调整第一目标网络和图像处理网络的网络参数，直至训练收敛。
概括来说，由于本实施例方案在训练过程中能够通过预测子网络输出的预测通道权重参数，调整对目标网络层中各个通道的激活或抑制，有助于在训练阶段尽可能地抑制对图像处理精度无影响或低影响的通道，并激活对图像处理精度具有一定影响的通道，故利用训练得到的最新预测通道权重参数作为目标通道权重参数后，利用基于目标通道权重参数得到的第二目标网络在处理待处理图像时，能够保持图像处理精度，因此，通过上述方式，本申请能够在保持图像处理精度的同时，提高图像的处理效率。
需要说明的是，上述训练过程为同时对第一目标网络和图像处理网络进行训练，以能够结合第一目标网络和图像处理网络的损失调整模型参数，以进一步提升图像处理网络（及第二目标网络）的处理效果。
当然，在其他实施例中，也可只训练第一目标网络，并得到训练好的第一目标网络中预测子网络输出的目标通道权重参数，然后基于目标通道权重参数得到目标通道配置参数，进而基于目标通道配置参数对目标网络层的通道进行激活或抑制，得到第二目标网络。
在一些实施例中，请参阅图5，图5是图3所示步骤S32一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图5所示的流程顺序为限。本实施例中，基于目标网络层的预测通道权重参数，得到目标网络层的预测通道配置参数，包括：
S51：基于本轮训练所采用样本批次中各个样本图像分别对应的预测通道权重参数，融合得到目标网络层各个通道的第二重要度。
本实施例中，将若干样本图像划分为多个样本批次，然后以样本批次为单位对第一目标网络和第二目标网络进行一轮训练。
其中，每轮训练对应的样本批次中含有预设数量个样本图像，在利用各样本图像训练第一目标网络时，预测子网络均会预测得到目标网络层的预测通道权重参数，故一轮训练完成时，会得到预设数量个目标网络层的预测通道权重参数。本实施例中，先基于本轮训练中采用的各样本图像分别对应的预测通道权重参数，融合得到目标网络层各个通道的第二重要度，然后结合第二重要度和目标网络层的通道激活率，确定目标网络层各个通道的理论配置结果。
具体地，请参阅图6，图6是图5所示步骤S51一实施例的流程示意图。如图6所示，步骤S51进一步包括：
S61：基于分别利用样本批次中预设数量个样本图像进行训练时由预测子网络预测得到的通道权重参数中相同通道的第一重要度，统计得到对应通道关于第一重要度的均值和方差。
由上可知，在利用各样本图像训练第一目标网络时，预测子网络均会预测得到目标网络层的预测通道权重参数，该预测通道权重参数包括目标网络层中各通道的第一重要度，本实施例中，是以样本批次为单位训练第一目标网络的，因此，在利用该样本批次训练第一目标网络时，会得到预设数量个目标网络层的预测通道权重参数，且对于目标网络层中的各通道，均会对应有预设数量个第一重要度。其中，对于各通道（相同通道），基于该通道对应的预设数量个第一重要度，统计得到该通道的第一重要度的均值和方差，然后进入步骤S62。
S62：基于通道关于第一重要度的均值和方差进行融合，得到对应通道的第二重要度。
在一实施方式中，将该通道的第一重要度的均值和方差的和，作为该通道的第二重要度。其中，均值表征同一通道对应的不同样本图像的重要性的整体期望，方差表征同一通道中不同样本图像重要性之间的离散程度，其中，方差越大，表示该通道在利用不同样本图像训练时的不稳定性越强，则该通道是适合被激活的通道。
在另一实施方式中，也可预先为均值和方差设置权重，利用预设权重对均值和方差进行加权，得到各通道的第二重要度。
其中，对于各通道，该通道的第二重要度用于表征该通道对第一目标网络进行图像处理的影响程度，可以理解的是，该第二重要度越高，表示对应的通道对图像处理的影响程度越大，则该通道越适宜被激活；反之，该第二重要度越低，表示对应的通道对图像处理的影响程度越小，则该通道越适宜被一致，被抑制的通道不参于图像处理。
需要说明的是，本实施例中得到的各通道的第二重要度，是利用预设数量个第一重要度对应的均值和方差得到的，这种方式可避免因一个数量第一重要度导致的通道重要度不稳定的问题。
S52：基于目标网络层各个通道的第二重要度和目标网络层的通道激活率，确定目标网络层各个通道的理论配置结果；其中，通道的理论配置结果包括通道理论上应被激活或抑制。
本实施例中，可预先设置目标网络层的通道激活率，以便于只激活目标网络层中的部分通道，进而后续只利用被激活的通道进行图像处理，可以理解的是，这种方式可有效减少最终的图像处理网络的网络参数，以使后续再利用图像处理网络进行图像处理时，能够提到图像处理的效率。
本实施例中确定的目标网络层各个通道的理论配置结果包括各个通道理论上应被激活或者应被抑制的结果。在一实施方式中，可先基于目标网络层的通道激活率确定理论上应被激活的通道的目标数量，并对目标网络层的各通道按照对应的第二重要度的数值大小进行排序，得到目标网络层的各通道的通道重要度排序结果；然后根据排序结果，选取目标数量个通道确定为理论上应被激活的通道，并将剩余的通道确定为理论上应被抑制的通道；其中，选取的目标数量个应被激活的通道对应的第二重要度的数值大于剩余的应被抑制的通道对应的第二重要度的数值。其中，本实施例中的数值可以是第二重要度的真实数值，也可以是第二重要度的真实数值的绝对值，在一具体实施例中，考虑到第二重要度为负值时，也能够表征对应的通道对图像处理的影响程度，因此可先获取各第二重要度的绝对值，将绝对值作为第二重要度的数值。
也就是说，将选取排序结果中目标数量个数值较大的第二重要度对应的通道作为理论上应被激活的通道，除选取的应被激活的通道之外的剩余通道作为理论上应被抑制的通道。
S53：基于目标网络层各个通道的理论配置结果，更新通道配置参数。
在一实施方式中，通道配置参数表征目标网络层中各个通道理论上应被激活或抑制的结果。在步骤S52确定出目标网络层各个通道的理论配置结果后，可直接将目标网络层各个通道的理论配置结果，作为目标网络层的通道配置参数。
在另一实施方式中，通道配置参数表征目标网络层中各个通道最终应被激活或抑制的结果。本实施方式中，在步骤S52确定出目标网络层各个通道的理论配置结果后，基于目标网络层各个通道的理论配置结果，统计得到目标网络层中理论上应被激活的第一通道数和理论上应被抑制的第二通道数；然后基于预设的通道突变率、第一通道数和第二通道数，至少确定第二通道数中需突变为被激活的第三通道数；进而基于目标网络层的理论配置结果和第三通道数，更新通道配置参数。具体地，可将第一通道数和第二通道数中的最小通道数，作为目标通道数，以确保需突变的第三通道数小于第一通道数和第二通道数中的任一者，然后对目标通道数和通道突变率进行预设运算，至少确定出第二通道数中突变为被激活的第三通道数，然后将第三通道数的被抑制通道突变为被激活通道。当然在其他实施方式中，还可将第三通道数作为第一通道数中突变为被抑制的通道的数量，然后将第三通道数的被抑制通道突变为被激活通道，并将第三通道数的被激活通道突变为被抑制通道，以更新通道配置参数。
示例性的，基于目标网络层各个通道的理论配置结果，统计得到目标网络层中理论上应被激活的第一通道数（n1）和理论上应被抑制的第二通道数（n2），其中，n2小于n1，则目标通道数为n2，然后对目标通道数n2和通道突变率β进行预设运算，得到第三通道数为A，则至少从n2个理论上应被抑制的第二通道数中随机选取A个通道，突变为被激活的通道；当然，在其他实施方式中，在n2个理论上应被抑制的第二通道数中随机选取A个通道，突变为被激活的通道的同时，还可将n1个理论上应被激活的第一通道数中随机选取A个通道，突变为被抑制的通道。
需要说明的是，设置突变率是为了降低错将重要的通道误认为是不重要的通道，而将该通道进行错误抑制的概率。示例性的，有些通道是对图像处理的影响程度是比较大的，但这些通道在网络训练前期，得到的第二重要度的值可能比较小，在不设置突变率的情况下，这些通道是会被抑制的，因此，为降低错将重要的通道误认为是不重要的通道的概率，可预先设置突变率，以增加上述错误抑制的通道突变为应被激活通道的概率。
请参阅图7，图7是图3所示步骤S33一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图7所示的流程顺序为限。如图7所示，本实施例包括：
S71：基于目标网络层的预测通道配置参数，统计得到目标网络层中理论上应被激活的第一通道数和理论上应被抑制的第二通道数。
本实施例中，通道配置参数表征目标网络层中各个通道理论上应被激活或抑制，即可通过预测通道配置参数确定哪些通道理论上应被激活，哪些通道理论上应被抑制，因此在得到目标网络层的预测通道配置参数后，可基于目标网络层的通道配置参数，统计得到目标网络层中理论上应被激活的第一通道数和理论上应被抑制的第二通道数。
S72：基于通道突变率、第一通道数和第二通道数，至少确定第二通道数中突变为被激活的第三通道数。
通道突变率的设置主要是为了减少降低错将重要的通道误认为是不重要的通道，而将该通道进行错误抑制的概率。
在一实施方式中，先基于第一通道数和第二通道数，确定目标通道数，其中，可将第一通道数和第二通道数中的最小通道数确定为目标通道数；然后对目标通道数和通道突变率进行预设运算，至少确定第二通道数中突变为被激活的第三通道数。本实施方式中，主要是将理论上为被抑制的通道中的部分通道突变为被激活的通道。
当然，在其他实施方式中，也可将第三通道数确定为第一通道数中突变为被抑制的通道的数量。
S73：基于目标网络层的预测通道配置参数和第三通道数，对图像处理网络中目标网络层的通道进行激活或抑制，得到经通道激活或者抑制后的图像处理网络。
本实施例中，确定目标网络层的通道配置参数和第三通道数后，至少将第三通道数的理论上应被抑制的通道突变为被激活的通道，然后对图像处理网络中目标网络层的应被激活的通道进行激活，以及对应被抑制的通道进行抑制，得到经通道激活或者抑制后的图像处理网络。
在一实施方式中，在确定目标网络层的通道配置参数后，或者进行通道突变后，为了便于后续直观的确定哪些是应激活的通道，哪些是应抑制的通道，进而便于后续确定出第二目标网络、以及对比第一目标网络和第二目标网络的处理结果的差异，可为应激活的通道以及应抑制的通道设置不同的标识信息，例如将应激活的通道用数字“1”标识，将应抑制的通道用数字“0”标识。
请参阅图8，图8是本申请提供的图像处理方法另一实施例的流程示意图。本实施例中，对上述方案进行大概阐述：
第一、获取图像处理网络。其中，图像处理网络例如是ResNet50残差网络，为便于完整的阐述,处理过程，本实施例以ResNet50残差网络为例，进行整体阐述。ResNet50残差网络的目标网络层为卷积层，其中，样本图像经该网络卷积层提取图像特征，然后经过该网络池化层和全连接层的处理，最终得到该样本图像对应的类别预测结果。
第二、在图像处理网络的目标网络层处添加预测子网络，得到第一目标网络。即在ResNet50残差网络的卷积层处添加预测子网络，其中，ResNet50残差网络包括多个卷积层，可在各卷积层处添加预测子网络，也可以只在部分卷积层处添加预测子网络。具体根据实际情况确定。其中，添加的预测子网络用于基于卷积层提取的特征进行处理，得到通道权重参数，然后基于通道权重参数得到卷积层（目标网络层）的通道配置参数，其中通道配置参数表征卷积层（目标网络层）中各个通道理论上应被激活或抑制。
第三、利用若干样本图像训练第一目标网络和图像处理网络，并基于一目标网络中预测子网络输出的预测通道权重参数，确定预测通道配置参数。
第四、基于预测通道配置参数确定应被激活的通道和应被抑制的通道，并基于预测通道配置参数对目标网络中的通道进行激活或抑制。
第五、重复步骤三和四，直至第一目标网络和图像处理网络训练完成。其中，上述训练第一目标网络和图像处理网络的过程是同时进行的，利用第一目标网络对输入的样本图像进行分类，得到第一分类结果，利用图像处理网络对输入的样本图像进行分类，得到第二分类结果，并获取第一目标网络池化层输出的结果和第二目标网络池化层输出的结果，并基于两个结果求取KL散度，得到两个结果的数据分布差异；然后利用第一分类结果与样本图像的第一差异、第二分类结果与样本图像的第二差异和数据分布差异，调整第一目标网络和图像处理网络的网络参数。
其中，在训练第一目标网络的过程中，第一目标网络的网络参数是不断更新的，对应的由第一目标网络的预测子网络预测得到的预测通道权重参数也是不断更新的，其中在每次得到更新的预测通道权重参数后，均可利用该更新的通道权重参数更新预测通道配置参数。
其中，在训练完成后，将最后一次训练的预测通道权重参数作为目标通道权重参数确定目标通道配置参数，并基于目标通道配置参数对目标网络层的通道进行抑制或激活，得到第二目标网络。
请参阅图9，图9是本申请提供的电子设备一实施例的框架示意图。本实施方式中，电子设备90包括相互耦接的存储器91和处理器92。
存储器91存储有程序指令，处理器92用于执行存储器91中存储的程序指令，以实现上述任一方法实施方式的步骤。在一个具体的实施场景中，电子设备90可以包括但不限于：微型计算机、服务器，此外，电子设备90还可以包括笔记本电脑、平板电脑等移动设备，在此不做限定。
具体而言，处理器92用于控制其自身以及存储器91以实现上述任一实施方式的步骤。处理器92还可以称为CPU（Central Processing Unit，中央处理单元）。处理器92可能是一种集成电路芯片，具有信号的处理能力。处理器92还可以是通用处理器、数字信号处理器（Digital Signal Processor, DSP）、专用集成电路（Application Specific IntegratedCircuit, 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。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。另外，处理器92可以由集成电路芯片共同实现。
请参阅图10，图10是本申请提供的计算机可读存储介质的框架示意图。本申请实施例的计算机可读存储介质100存储有程序指令101，该程序指令101被执行时实现上述方法中任一实施例以及任意不冲突的组合所提供的方法。其中，该程序指令101可以形成程序文件以软件产品的形式存储在上述计算机可读存储介质100中，以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施方式方法的全部或部分步骤。而前述的计算机可读存储介质100包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
上述方案，在获取图像处理网络中目标网络层的目标通道权重参数后，基于目标网络层的目标通道权重参数，得到目标网络层的目标通道配置参数，然后基于目标网络层的目标通道配置参数，对图像处理网络中目标网络层的通道进行激活或抑制，得到第二目标网络，以利用第二目标网络处理待处理图像。其中，本申请的第二目标网络是对图像处理网络中的目标网络层的通道进行激活或抑制后得到的网络，该第二目标网络不包含预测子网络，相比于第二目标网络包含预测子网络，本申请的第二目标网络减少了预测子网络对应的网络参数，故利用第二目标网络处理图像时，可减少预测子网络对图像进行处理的时间，进而能够提高图像的处理效率。
进一步地，由于本申请在训练过程中能够通过预测子网络输出的预测通道权重参数，调整对目标网络层中各个通道的激活或抑制，有助于在训练阶段尽可能地抑制对图像处理精度无影响或低影响的通道，并激活对图像处理精度具有一定影响的通道，故利用训练得到的最新预测通道权重参数作为目标通道权重参数后，利用基于目标通道权重参数得到的第二目标网络在处理待处理图像时，能够保持图像处理精度，因此，通过上述方式，本申请能够在保持图像处理精度的同时，提高图像的处理效率。
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。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
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方式方案的目的。
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。
集成的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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (11)
1.一种图像处理方法，其特征在于，所述方法包括：
获取图像处理网络中目标网络层的目标通道权重参数；其中，所述目标通道权重参数包括所述目标网络层中各个通道的第一重要度；所述目标通道权重参数由第一目标网络中的预测子网络输出得到，所述第一目标网络为在所述图像处理网络中的所述目标网络层处添加所述预测子网络得到；
基于所述目标网络层的目标通道权重参数，得到所述目标网络层的目标通道配置参数；
基于所述目标网络层的目标通道配置参数，对所述图像处理网络中所述目标网络层的通道进行激活或抑制，得到第二目标网络；
利用所述第二目标网络处理待处理图像，得到所述待处理图像的图像处理结果。
2.根据权利要求1所述的方法，其特征在于，所述获取图像处理网络中目标网络层的目标通道权重参数，包括：
利用若干样本图像训练所述第一目标网络和所述图像处理网络，并获取训练过程中所述预测子网络输出的预测通道权重参数；
基于所述目标网络层的预测通道权重参数，得到所述目标网络层的预测通道配置参数；
基于所述目标网络层的预测通道配置参数对所述图像处理网络中所述目标网络层的通道进行激活或抑制，得到经通道激活或者抑制后的图像处理网络；
返回所述利用若干样本图像训练所述第一目标网络和所述图像处理网络的步骤直至训练收敛，以选择最新的预测通道权重参数作为所述目标通道权重参数。
3.根据权利要求2所述的方法，其特征在于，所述利用若干所述样本图像训练所述第一目标网络和所述图像处理网络，包括：
对于各所述样本图像，利用所述第一目标网络处理所述样本图像，得到所述样本图像的第一处理结果，以及利用所述图像处理网络处理所述样本图像，得到所述样本图像的第二处理结果；
至少基于由所述第一处理结果和所述第二处理结果度量得到的数据分布差异，调整所述第一目标网络和所述图像处理网络的网络参数。
4.根据权利要求3所述的方法，其特征在于，在所述至少基于由所述第一处理结果和所述第二处理结果度量得到的数据分布差异，调整所述第一目标网络和所述图像处理网络的网络参数之前，所述方法还包括：
基于所述第一处理结果与所述样本图像的图像标注信息，度量得到第一差异，并基于所述第二处理结果与所述样本图像的图像标注信息，度量得到第二差异；
所述至少基于由所述第一处理结果和所述第二处理结果度量得到的数据分布差异，调整所述第一目标网络和所述图像处理网络的网络参数，包括：
基于所述第一差异、所述第二差异和所述数据分布差异，调整所述第一目标网络和所述图像处理网络的网络参数。
5.根据权利要求2至4任一项所述的方法，其特征在于，所述若干样本图像划分为多个样本批次；
所述基于所述目标网络层的预测通道权重参数，得到所述目标网络层的预测通道配置参数，包括：
基于本轮训练所采用所述样本批次中各个所述样本图像分别对应的预测通道权重参数，融合得到所述目标网络层各个所述通道的第二重要度；
基于所述目标网络层各个所述通道的第二重要度和所述目标网络层的通道激活率，确定所述目标网络层各个所述通道的理论配置结果；其中，所述通道的理论配置结果包括所述通道理论上应被激活或抑制；
基于所述目标网络层各个所述通道的理论配置结果，得到所述预测通道配置参数。
6.根据权利要求5所述的方法，其特征在于，每个所述样本批次中含有预设数量个所述样本图像；
所述基于本轮训练所采用所述样本批次中各个所述样本图像分别对应的预测通道权重参数，融合得到所述目标网络层各个所述通道的第二重要度，包括：
基于分别利用所述样本批次中所述预设数量个所述样本图像进行训练时由所述预测子网络预测得到的预测通道权重参数中相同所述通道的第一重要度，统计得到对应所述通道关于所述第一重要度的均值和方差；
基于所述通道关于所述第一重要度的均值和方差进行融合，得到对应所述通道的第二重要度。
7.根据权利要求5所述的方法，其特征在于，所述基于所述目标网络层各个所述通道的第二重要度和所述目标网络层的通道激活率，确定所述目标网络层各个所述通道的理论配置结果，包括：
基于所述通道激活率，确定理论上应被激活的通道的目标数量，并对各所述通道按照对应的所述第二重要度的数值大小进行排序，得到通道重要度排序结果；
基于所述排序结果，选取所述目标数量个通道确定为理论上应被激活的通道，并将剩余的通道确定为理论上应被抑制的通道；其中，选取的所述目标数量个所述应被激活的通道对应的所述第二重要度的数值大于剩余的所述应被抑制的通道对应的所述第二重要度的数值。
8.根据权利要求2至4任一项所述的方法，其特征在于，所述目标网络层的预测通道配置参数表征所述目标网络层中各个所述通道理论上应被激活或抑制；
所述基于所述目标网络层的预测通道配置参数对所述图像处理网络中所述目标网络层的通道进行激活或抑制，得到经通道激活或者抑制后的图像处理网络，包括：
基于所述目标网络层的预测通道配置参数，统计得到所述目标网络层中理论上应被激活的第一通道数和理论上应被抑制的第二通道数；
基于通道突变率、所述第一通道数和所述第二通道数，至少确定所述第二通道数中突变为被激活的第三通道数；
基于所述目标网络层的预测通道配置参数和所述第三通道数，对所述图像处理网络中所述目标网络层的通道进行激活或抑制，得到所述经通道激活或者抑制后的图像处理网络。
9.根据权利要求8所述的方法，其特征在于，所述基于通道突变率、所述第一通道数和所述第二通道数，至少确定所述第二通道数中突变为被激活的第三通道数，包括：
基于第一通道数和所述第二通道数，确定目标通道数，所述目标通道数为所述第一通道数和所述第二通道数中的最小通道数；
对所述通道突变率和所述目标通道数进行预设运算，至少确定所述第三通道数。
10.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，
所述存储器存储有程序指令；
所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1-9任一项所述的方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有能够被处理器运行的程序指令，所述程序指令能够被处理器执行以实现权利要求1-9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311513913.9A CN117237788B (zh) | 2023-11-14 | 2023-11-14 | 图像处理方法、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311513913.9A CN117237788B (zh) | 2023-11-14 | 2023-11-14 | 图像处理方法、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117237788A true CN117237788A (zh) | 2023-12-15 |
| CN117237788B CN117237788B (zh) | 2024-03-01 |
Family
ID=89093332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311513913.9A Active CN117237788B (zh) | 2023-11-14 | 2023-11-14 | 图像处理方法、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117237788B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242092A (zh) * | 2018-09-29 | 2019-01-18 | 深圳市商汤科技有限公司 | 网络获取及图像处理方法和装置、电子设备、存储介质 |
| CN112949840A (zh) * | 2021-04-20 | 2021-06-11 | 中国人民解放军国防科技大学 | 通道注意力引导的卷积神经网络动态通道剪枝方法和装置 |
| CN113065636A (zh) * | 2021-02-27 | 2021-07-02 | 华为技术有限公司 | 一种卷积神经网络的剪枝处理方法、数据处理方法及设备 |
| WO2021164752A1 (zh) * | 2020-02-21 | 2021-08-26 | 华为技术有限公司 | 一种神经网络通道参数的搜索方法及相关设备 |
| CN113537490A (zh) * | 2021-07-13 | 2021-10-22 | 广州虎牙科技有限公司 | 一种神经网络裁剪方法及电子设备 |
| CN114581868A (zh) * | 2022-03-04 | 2022-06-03 | 京东鲲鹏(江苏)科技有限公司 | 基于模型通道剪枝的图像分析方法和装置 |
| CN114626524A (zh) * | 2022-03-21 | 2022-06-14 | 腾讯科技（深圳）有限公司 | 目标业务网络确定方法、业务处理方法及装置 |
| CN115511069A (zh) * | 2021-06-22 | 2022-12-23 | Oppo广东移动通信有限公司 | 神经网络的训练方法、数据处理方法、设备及存储介质 |
| CN116630768A (zh) * | 2023-04-14 | 2023-08-22 | 杭州华橙软件技术有限公司 | 目标检测方法和装置、电子设备及存储介质 |
-
2023
- 2023-11-14 CN CN202311513913.9A patent/CN117237788B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242092A (zh) * | 2018-09-29 | 2019-01-18 | 深圳市商汤科技有限公司 | 网络获取及图像处理方法和装置、电子设备、存储介质 |
| WO2021164752A1 (zh) * | 2020-02-21 | 2021-08-26 | 华为技术有限公司 | 一种神经网络通道参数的搜索方法及相关设备 |
| CN113065636A (zh) * | 2021-02-27 | 2021-07-02 | 华为技术有限公司 | 一种卷积神经网络的剪枝处理方法、数据处理方法及设备 |
| CN112949840A (zh) * | 2021-04-20 | 2021-06-11 | 中国人民解放军国防科技大学 | 通道注意力引导的卷积神经网络动态通道剪枝方法和装置 |
| CN115511069A (zh) * | 2021-06-22 | 2022-12-23 | Oppo广东移动通信有限公司 | 神经网络的训练方法、数据处理方法、设备及存储介质 |
| CN113537490A (zh) * | 2021-07-13 | 2021-10-22 | 广州虎牙科技有限公司 | 一种神经网络裁剪方法及电子设备 |
| CN114581868A (zh) * | 2022-03-04 | 2022-06-03 | 京东鲲鹏(江苏)科技有限公司 | 基于模型通道剪枝的图像分析方法和装置 |
| CN114626524A (zh) * | 2022-03-21 | 2022-06-14 | 腾讯科技（深圳）有限公司 | 目标业务网络确定方法、业务处理方法及装置 |
| CN116630768A (zh) * | 2023-04-14 | 2023-08-22 | 杭州华橙软件技术有限公司 | 目标检测方法和装置、电子设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| FANGZHOU SONG ET AL.: "A Channel-level Pruning Strategy for Convolutional Layers in CNNs", 《PROCEEDINGS OF IC-NIDC 2018》, pages 135 - 139 * |
| 童文洁: "基于通道注意力机制与代价敏感学习的关系抽取方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 138 - 466 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117237788B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108293238B (zh) | 促进接入点信号变更下的室内定位和指纹更新 | |
| WO2020098606A1 (zh) | 节点分类方法、模型训练方法、装置、设备及存储介质 | |
| US20190166024A1 (en) | Network anomaly analysis apparatus, method, and non-transitory computer readable storage medium thereof | |
| WO2019149059A1 (zh) | 确定业务对应的决策策略的方法、装置和电子设备 | |
| CN110827924B (zh) | 基因表达数据的聚类方法、装置、计算机设备及存储介质 | |
| CN109840413B (zh) | 一种钓鱼网站检测方法及装置 | |
| CN112465043A (zh) | 模型训练方法、装置和设备 | |
| CN112749726B (zh) | 目标检测模型的训练方法、装置、计算机设备和存储介质 | |
| CN111159481B (zh) | 图数据的边预测方法、装置及终端设备 | |
| CN112948612A (zh) | 人体封面生成方法、装置、电子设备及存储介质 | |
| CN111601380B (zh) | 基于位置指纹的位置定位方法、装置、设备及存储介质 | |
| CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
| CN112203324B (zh) | 一种基于位置指纹库的mr定位方法及装置 | |
| WO2019095587A1 (zh) | 人脸识别方法、应用服务器及计算机可读存储介质 | |
| CN112307934B (zh) | 图像检测方法及相关模型的训练方法、装置、设备、介质 | |
| CN117237788B (zh) | 图像处理方法、设备和存储介质 | |
| CN111861545A (zh) | 用户行为画像的构建方法、装置、设备及存储介质 | |
| CN112363859A (zh) | 异常判定阈值的确定方法及装置 | |
| CN110765303A (zh) | 一种更新数据库的方法及系统 | |
| CN111078945A (zh) | 视频推送方法及装置 | |
| CN113066486B (zh) | 数据识别方法、装置、电子设备和计算机可读存储介质 | |
| CN112749751B (zh) | 一种基于概率感知的检测器融合方法及系统 | |
| CN113672783B (zh) | 特征处理方法、模型训练方法及媒体资源处理方法 | |
| CN116610806B (zh) | 基于ai的rpa数字化业务处理方法及计算机设备 | |
| CN113705786B (zh) | 基于模型的数据处理方法、装置及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |