CN117808863A - 图像尺寸检测方法、装置、电子设备及存储介质 - Google Patents

图像尺寸检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN117808863A
CN117808863A CN202211140973.6A CN202211140973A CN117808863A CN 117808863 A CN117808863 A CN 117808863A CN 202211140973 A CN202211140973 A CN 202211140973A CN 117808863 A CN117808863 A CN 117808863A
Authority
CN
China
Prior art keywords
image
image size
processing model
image processing
output
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
CN202211140973.6A
Other languages
English (en)
Inventor
颜健武
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.)
Hon Hai Precision Industry Co Ltd
Original Assignee
Hon Hai Precision Industry 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 Hon Hai Precision Industry Co Ltd filed Critical Hon Hai Precision Industry Co Ltd
Priority to CN202211140973.6A priority Critical patent/CN117808863A/zh
Priority to US18/210,755 priority patent/US20240096079A1/en
Publication of CN117808863A publication Critical patent/CN117808863A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/60—Memory management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及图像分析技术，提供一种图像尺寸检测方法、装置、电子设备及存储介质。所述图像尺寸检测方法包括：获取预先训练好的图像处理模型，并获取输入图像；根据所述图像处理模型中网络层的层数构建堆栈；利用所述图像处理模型处理所述输入图像，得到输出特征图；检测所述输出特征图的图像尺寸；将所述图像尺寸依次写入所述堆栈中，并根据所述图像处理模型中网络层的执行顺序按照从大至小的顺序迭代删除所述网络层，直至所述堆栈为满栈，停止删除所述网络层，得到所述输入图像在每个网络层中的输出尺寸，能够提高图像尺寸的检测效率。

Description

图像尺寸检测方法、装置、电子设备及存储介质
技术领域
本申请涉及图像分析技术领域，尤其涉及一种图像尺寸检测方法、装置、电子设备及存储介质。
背景技术
在采用神经网络模型对图像进行处理的过程中，需要对该神经网络模型中每个网络层所输出的特征图的尺寸进行检测，以便用户能够提前预留出一定大小的内存空间供特征图的存储，然而，目前的方式无法快速的检测出图像在每个网络层中的尺寸大小。
发明内容
鉴于以上内容，有必要提供一种图像尺寸检测方法、装置、电子设备及存储介质，能够提高尺寸检测效率。
本申请提供一种图像尺寸检测方法，应用于电子设备，所述图像尺寸检测方法包括：
获取预先训练好的图像处理模型，并获取输入图像；
根据所述图像处理模型中网络层的层数构建堆栈；
利用所述图像处理模型处理所述输入图像，得到输出特征图；
检测所述输出特征图的图像尺寸；
将所述图像尺寸依次写入所述堆栈中，并根据所述图像处理模型中网络层的执行顺序按照从大至小的顺序迭代删除所述网络层，直至所述堆栈为满栈，停止删除所述网络层，得到所述输入图像在每个网络层中的输出尺寸。
根据本申请可选实施例，所述获取预先训练好的图像处理模型包括：
接收内存预留请求；
解析所述内存预留请求的报文，得到所述报文携带的数据信息；
基于预设标签从所述数据信息中提取路径信息，并从与所述路径信息对应的存储路径中获取模型用途；
根据所述模型用途从所述存储路径中获取所述图像处理模型。
根据本申请可选实施例，所述根据所述模型用途从所述存储路径中获取所述图像处理模型包括：
获取所述内存预留请求的触发用户的用户需求；
检测所述模型用途是否与所述用户需求一致；
若所述模型用途与所述用户需求一致，则从所述存储路径中获取与所述模型用途对应的模型作为所述图像处理模型。
根据本申请可选实施例，所述根据所述图像处理模型中网络层的层数构建堆栈包括：
统计所述预先训练好的图像处理模型中网络层的层数；
根据所述层数构建存储区，并将所述存储区确定为所述堆栈，直至所述存储区的数量等于所述层数。
根据本申请可选实施例，当所述输出特征图为矩阵形式时，所述检测所述输出特征图的图像尺寸包括：
从所述电子设备的存储装置中获取行数及列数均大于预设阈值的目标矩阵；
检测所述目标矩阵在所述电子设备中的矩阵容量，并统计所述目标矩阵的目标行数及目标列数；
统计所述输出特征图的输出行数及输出列数；
根据所述矩阵容量、所述目标行数、所述目标列数、所述输出行数及所述输出列数生成所述图像尺寸，所述图像尺寸的计算公式为：
其中，y是指所述图像尺寸，k是指所述矩阵容量，a是指所述目标行数，b是指所述目标列数，m是指所述输出行数，n是指所述输出列数。
根据本申请可选实施例，当所述输出特征图为图像形式时，所述检测所述输出特征图的图像尺寸包括：
识别所述输出特征图中像素点的像素类型；
获取与所述像素类型对应的像素点所占的像素容量；
统计所述输出特征图的像素数量；
根据所述像素容量及所述像素数量生成所述图像尺寸。
根据本申请可选实施例，所述将所述图像尺寸依次写入所述堆栈中包括：
依照自下而上的顺序将所述图像尺寸写入所述堆栈中。
本申请提供一种图像尺寸检测装置，运行于电子设备，所述图像尺寸检测装置包括：
获取单元，用于获取预先训练好的图像处理模型，并获取输入图像；
构建单元，用于根据所述图像处理模型中网络层的层数构建堆栈；
处理单元，用于利用所述图像处理模型处理所述输入图像，得到输出特征图；
检测单元，用于检测所述输出特征图的图像尺寸；
迭代单元，用于将所述图像尺寸依次写入所述堆栈中，并根据所述图像处理模型中网络层的执行顺序按照从大至小的顺序迭代删除所述网络层，直至所述堆栈为满栈，停止删除所述网络层，得到所述输入图像在每个网络层中的输出尺寸。
本申请提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述至少一个指令以实现所述的图像尺寸检测方法。
本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述的图像尺寸检测方法。
由以上技术方案可以看出，本申请基于所述图像处理模型中网络层的层数能够构建出合理的堆栈，进而基于所述堆栈能够准确的控制对所述网络层的删除，以避免对所述网络层的无效删除，通过所述执行顺序依照从大至小的顺序删除所述网络层作为下一次迭代处理的图像处理模型，并根据迭代处理所得到的图像处理模型对所述输入图像进行处理，能够提高所述输出特征图的生成效率，从而能够提高所述输出特征图的尺寸检测效率。
附图说明
图1是本申请图像尺寸检测方法的较佳实施例的流程图。
图2是本申请图像尺寸检测装置的较佳实施例的功能模块图。
图3是本申请实现图像尺寸检测方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本申请进行详细描述。
所述图像尺寸检测方法可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所述图像尺寸检测方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字信号处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
如图1所示，是本申请一种图像尺寸检测方法的较佳实施例的流程图。根据不同的需求，该流程图中各个步骤的顺序可以根据实际检测要求进行调整，某些步骤可以省略。所述方法的执行主体为电子设备，例如图3所示的电子设备1。
S10，获取预先训练好的图像处理模型，并获取输入图像。
在本申请的至少一个实施例中，所述图像处理模型是指与触发用户的需求相对应的模型，所述图像处理模型可以是卷积神经网络。本发明对所述图像处理模型中的网络数量及网络层数不作限制。
所述输入图像可以是任意类型的图像。所述输入图像可以从存储有图像的数据库中获取。
在本申请的至少一个实施例中，所述电子设备获取预先训练好的图像处理模型包括：
接收内存预留请求；
解析所述内存预留请求的报文，得到所述报文携带的数据信息；
基于预设标签从所述数据信息中提取路径信息，并从与所述路径信息对应的存储路径中获取模型用途；
根据所述模型用途从所述存储路径中获取所述图像处理模型。
其中，所述内存预留请求携带有指示所述存储路径的路径信息。
所述预设标签用于指示所述路径信息，所述路径信息可以时所述存储路径的路径地址等信息。
所述模型用途能够指示模型的具体用途。
通过解析所述报文，由于无需对整个请求进行解析，因此，能够提高所述数据信息的生成效率，从而能够提高图像处理模型的获取效率，进而通过所述模型用途能够获取到准确的图像处理模型。
在本申请的至少一个实施例中，所述电子设备根据所述模型用途从所述存储路径中获取所述图像处理模型包括：
获取所述内存预留请求的触发用户的用户需求；
检测所述模型用途是否与所述用户需求一致；
若所述模型用途与所述用户需求一致，则从所述存储路径中获取与所述模型用途对应的模型作为所述图像处理模型。
其中，所述触发用户是指触发所述内存预留请求生成的用户，所述用户需求是指所述触发用户想要执行的具体事件，例如，所述用户需求可以是对图像进行分类。
通过将所述模型用途与所述用户需求进行比较，能够实现对所述模型用途进行验证，从而能够获取到准确的图像处理模型。
S11，根据所述图像处理模型中网络层的层数构建堆栈。
在本申请的至少一个实施例中，所述堆栈中的存储区的数量与所述图像处理模型中网络层的层数相同。
在本申请的至少一个实施例中，所述电子设备根据所述图像处理模型中网络层的层数构建堆栈包括：
统计所述预先训练好的图像处理模型中网络层的层数；
根据所述层数构建存储区，并将所述存储区确定为所述堆栈，直至所述存储区的数量等于所述层数。
通过上述实施方式，能够通过所述层数控制所述存储区的构建数量，从而能够得到合理的堆栈。
S12，利用所述图像处理模型处理所述输入图像，得到输出特征图。
在本申请的至少一个实施例中，所述输出特征图可以是矩阵形式，也可也是图像形式，本申请对所述输出特征图的具体形式不作限制。
在本申请的至少一个实施例中，所述电子设备利用所述图像处理模型处理所述输入图像的方式属于现有技术，本申请对此不再赘述。
S13，检测所述输出特征图的图像尺寸。
在本申请的至少一个实施例中，所述图像尺寸是指所述输出特征图所占据的空间。
在本申请的至少一个实施例中，当所述输出特征图为矩阵形式时，所述电子设备检测所述输出特征图的图像尺寸包括：
从所述电子设备自身中获取行数及列数均大于预设阈值的目标矩阵；
检测所述目标矩阵在所述电子设备中的矩阵容量，并统计所述目标矩阵的目标行数及目标列数；
统计所述输出特征图的输出行数及输出列数；
根据所述矩阵容量、所述目标行数、所述目标列数、所述输出行数及所述输出列数生成所述图像尺寸，所述图像尺寸的计算公式为：
其中，y是指所述图像尺寸，k是指所述矩阵容量，a是指所述目标行数，b是指所述目标列数，m是指所述输出行数，n是指所述输出列数。
其中，所述预设阈值可以随机选取，可以理解的是，为了准确的确定出每个数值所占的容量，所述预设阈值应当尽可能大。
通过所述预设阈值，能够选取出合理的目标矩阵用于分析所述输出特征图的图像尺寸，从而能够提高所述图像尺寸的准确性。
在本申请的至少一个实施例中，当所述输出特征图为图像形式时，所述电子设备检测所述输出特征图的图像尺寸包括：
识别所述输出特征图中像素点的像素类型；
获取与所述像素类型对应的像素点所占的像素容量；
统计所述输出特征图的像素数量；
根据所述像素容量及所述像素数量生成所述图像尺寸。
其中，所述像素类型可以是二值类型，可以理解的是，所述输出特征图为二值图像，则所述像素类型为二值类型，则所述像素容量为1bit。
通过对所述像素类型的识别，能够准确的确定出所述像素容量，从而根据所述像素容量及所述像素数量能够准确的确定出所述图像尺寸。
S14，将所述图像尺寸依次写入所述堆栈中，并根据所述图像处理模型中网络层的执行顺序按照从大至小的顺序迭代删除所述网络层，直至所述堆栈为满栈，停止删除所述网络层，得到所述输入图像在每个网络层中的输出尺寸。
在本申请的至少一个实施例中，所述执行顺序是指所述网络层在所述图像处理模型中的网络层级。
所述堆栈为满栈，表征所述堆栈中没有空白的存储区。
在本申请的至少一个实施例中，所述电子设备将所述图像尺寸依次写入所述堆栈中包括：
依照自下而上的顺序将所述图像尺寸写入所述堆栈中。
通过上述实施方式，能够提高所述图像尺寸的写入效率。
由以上技术方案可以看出，本申请基于所述图像处理模型中网络层的层数能够构建出合理的堆栈，进而基于所述堆栈能够准确的控制对所述网络层的删除，以避免对所述网络层的无效删除，通过所述执行顺序依照从大至小的顺序删除所述网络层作为下一次迭代处理的图像处理模型，并根据迭代处理所得到的图像处理模型对所述输入图像进行处理，能够提高所述输出特征图的生成效率，从而能够提高所述输出特征图的尺寸检测效率。
如图2所示，是图2是本申请图像尺寸检测装置的较佳实施例的功能模块图。所述图像尺寸检测装置11包括获取单元110、构建单元111、处理单元112、检测单元113及迭代单元114。本申请所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
具体地，获取单元可以用于获取预先训练好的图像处理模型，并获取输入图像，构建单元可以用于根据所述图像处理模型中网络层的层数构建堆栈，处理单元可以用于利用所述图像处理模型处理所述输入图像，得到输出特征图，检测单元可以用于检测所述输出特征图的图像尺寸，迭代单元可以用于将所述图像尺寸依次写入所述堆栈中，并根据所述图像处理模型中网络层的执行顺序按照从大至小的顺序迭代删除所述网络层，直至所述堆栈为满栈，停止删除所述网络层，得到所述输入图像在每个网络层中的输出尺寸。
如图3所示，是本申请实现图像尺寸检测方法的较佳实施例的电子设备的结构示意图。
在本申请的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如图像尺寸检测程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1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，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13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，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及获取所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
所述处理器13获取所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13获取所述应用程序以实现上述各个图像尺寸检测方法实施例中的步骤，例如图2所示的步骤。
示例性的，所述计算机程序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12中，并由所述处理器13获取，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在所述电子设备1中的获取过程。
所述存储器12可用于存储所述计算机程序和/或模块，所述处理器13通过运行或获取存储在所述存储器12内的计算机程序和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器12可以包括非易失性存储器，例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1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获取时，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、可获取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)。
结合图1，所述电子设备1中的所述存储器12存储多个指令以实现一种图像尺寸检测方法，所述处理器13可获取所述多个指令从而实现：获取预先训练好的图像处理模型，并获取输入图像；
根据所述图像处理模型中网络层的层数构建堆栈；
利用所述图像处理模型处理所述输入图像，得到输出特征图；
检测所述输出特征图的图像尺寸；
将所述图像尺寸依次写入所述堆栈中，并根据所述图像处理模型中网络层的执行顺序按照从大至小的顺序迭代删除所述网络层，直至所述堆栈为满栈，停止删除所述网络层，得到所述输入图像在每个网络层中的输出尺寸。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块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，也可以采用硬件加软件功能模块的形式实现。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。本申请中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (10)

1.一种图像尺寸检测方法，应用于电子设备，其特征在于，所述图像尺寸检测方法包括：
获取预先训练好的图像处理模型，并获取输入图像；
根据所述图像处理模型中网络层的层数构建堆栈；
利用所述图像处理模型处理所述输入图像，得到输出特征图；
检测所述输出特征图的图像尺寸；
将所述图像尺寸依次写入所述堆栈中，并根据所述图像处理模型中网络层的执行顺序按照从大至小的顺序迭代删除所述网络层，直至所述堆栈为满栈，停止删除所述网络层，得到所述输入图像在每个网络层中的输出尺寸。
2.如权利要求1所述的图像尺寸检测方法，其特征在于，所述获取预先训练好的图像处理模型包括：
接收内存预留请求；
解析所述内存预留请求的报文，得到所述报文携带的数据信息；
基于预设标签从所述数据信息中提取路径信息，并从与所述路径信息对应的存储路径中获取模型用途；
根据所述模型用途从所述存储路径中获取所述图像处理模型。
3.如权利要求2所述的图像尺寸检测方法，其特征在于，所述根据所述模型用途从所述存储路径中获取所述图像处理模型包括：
获取所述内存预留请求的触发用户的用户需求；
检测所述模型用途是否与所述用户需求一致；
若所述模型用途与所述用户需求一致，则从所述存储路径中获取与所述模型用途对应的模型作为所述图像处理模型。
4.如权利要求1所述的图像尺寸检测方法，其特征在于，所述根据所述图像处理模型中网络层的层数构建堆栈包括：
统计所述预先训练好的图像处理模型中网络层的层数；
根据所述层数构建存储区，并将所述存储区确定为所述堆栈，直至所述存储区的数量等于所述层数。
5.如权利要求1所述的图像尺寸检测方法，其特征在于，当所述输出特征图为矩阵形式时，所述检测所述输出特征图的图像尺寸包括：
从所述电子设备的存储装置中获取行数及列数均大于预设阈值的目标矩阵；
检测所述目标矩阵在所述电子设备中的矩阵容量，并统计所述目标矩阵的目标行数及目标列数；
统计所述输出特征图的输出行数及输出列数；
根据所述矩阵容量、所述目标行数、所述目标列数、所述输出行数及所述输出列数生成所述图像尺寸，所述图像尺寸的计算公式为：
其中，y是指所述图像尺寸，k是指所述矩阵容量，a是指所述目标行数，b是指所述目标列数，m是指所述输出行数，n是指所述输出列数。
6.如权利要求1所述的图像尺寸检测方法，其特征在于，当所述输出特征图为图像形式时，所述检测所述输出特征图的图像尺寸包括：
识别所述输出特征图中像素点的像素类型；
获取与所述像素类型对应的像素点所占的像素容量；
统计所述输出特征图的像素数量；
根据所述像素容量及所述像素数量生成所述图像尺寸。
7.如权利要求1所述的图像尺寸检测方法，其特征在于，所述将所述图像尺寸依次写入所述堆栈中包括：
依照自下而上的顺序将所述图像尺寸写入所述堆栈中。
8.一种图像尺寸检测装置，运行于电子设备，其特征在于，所述图像尺寸检测装置包括：
获取单元，用于获取预先训练好的图像处理模型，并获取输入图像；
构建单元，用于根据所述图像处理模型中网络层的层数构建堆栈；
处理单元，用于利用所述图像处理模型处理所述输入图像，得到输出特征图；
检测单元，用于检测所述输出特征图的图像尺寸；
迭代单元，用于将所述图像尺寸依次写入所述堆栈中，并根据所述图像处理模型中网络层的执行顺序按照从大至小的顺序迭代删除所述网络层，直至所述堆栈为满栈，停止删除所述网络层，得到所述输入图像在每个网络层中的输出尺寸。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述至少一个指令以实现如权利要求1至7中任意一项所述图像尺寸检测方法。
10.一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中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述图像尺寸检测方法。
CN202211140973.6A 2022-09-20 2022-09-20 图像尺寸检测方法、装置、电子设备及存储介质 Pending CN117808863A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211140973.6A CN117808863A (zh) 2022-09-20 2022-09-20 图像尺寸检测方法、装置、电子设备及存储介质
US18/210,755 US20240096079A1 (en) 2022-09-20 2023-06-16 Method for detecting image sizes, computer device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211140973.6A CN117808863A (zh) 2022-09-20 2022-09-20 图像尺寸检测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN117808863A true CN117808863A (zh) 2024-04-02

Family

ID=90244023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211140973.6A Pending CN117808863A (zh) 2022-09-20 2022-09-20 图像尺寸检测方法、装置、电子设备及存储介质

Country Status (2)

Country Link
US (1) US20240096079A1 (zh)
CN (1) CN117808863A (zh)

Also Published As

Publication number Publication date
US20240096079A1 (en) 2024-03-21

Similar Documents

Publication Publication Date Title
CN109978893B (zh) 图像语义分割网络的训练方法、装置、设备及存储介质
WO2021232229A1 (zh) 虚拟场景生成方法、装置、计算机设备和存储介质
CN110033018B (zh) 图形相似度判断方法、装置及计算机可读存储介质
CN112231586A (zh) 基于迁移学习的课程推荐方法、装置、设备及介质
CN114090794A (zh) 基于人工智能的事理图谱构建方法及相关设备
CN111949708A (zh) 基于时序特征提取的多任务预测方法、装置、设备及介质
CN111125658A (zh) 识别欺诈用户的方法、装置、服务器和存储介质
CN111860377A (zh) 基于人工智能的直播方法、装置、电子设备及存储介质
CN115063589A (zh) 基于知识蒸馏的车辆部件分割方法及相关设备
CN114462412A (zh) 实体识别方法、装置、电子设备及存储介质
CN115761599A (zh) 一种视频异常检测方法及系统
CN114372060A (zh) 数据存储方法、装置、设备及存储介质
CN116227573B (zh) 分割模型训练方法、图像分割方法、装置及相关介质
CN113486848B (zh) 文档表格识别方法、装置、设备及存储介质
CN115037790B (zh) 异常注册识别方法、装置、设备及存储介质
CN117808863A (zh) 图像尺寸检测方法、装置、电子设备及存储介质
CN114329095A (zh) 系统逻辑图生成方法、装置、设备及存储介质
CN112949305B (zh) 负反馈信息采集方法、装置、设备及存储介质
CN114238296A (zh) 产品指标数据展示方法、装置、设备及存储介质
CN115527083A (zh) 图像标注方法、装置和电子设备
CN113705468A (zh) 基于人工智能的数字图像识别方法及相关设备
CN114003784A (zh) 请求录制方法、装置、设备及存储介质
CN113869352A (zh) 模型训练方法、服装检索方法及相关装置
CN114898155B (zh) 车辆定损方法、装置、设备及存储介质
CN114741018B (zh) 数据可视化方法、装置、设备及存储介质

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