[發明專利]圖像處理方法、裝置及存儲介質

在審

• 申請號: 202010366985.5
• 申請日: 2020-04-30
• 公開（公告）號: CN111553477A
• 公開（公告）日: 2020-08-18
• 發明（設計）人: 郭少鵬;王宇杰;李全全
• 申請（專利權）人: 深圳市商湯科技有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04;G06N3/06;G06T1/00
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 張娜;臧建明

本發明實施例提供一種圖像處理方法、裝置及存儲介質，該方法將待處理圖像輸入到神經網絡模型，經神經網絡模型輸出待處理圖像的圖像特征。其中，神經網絡模型包括至少兩個中間層，每個中間層包括多個神經元，神經網絡模型為：基于初始神經網絡模型中神經元的保留概率，對初始神經網絡模型進行剪枝處理得到的，初始神經網絡模型中神經元的保留概率是基于預設的統計模型獲取的。由于神經元的保留概率是根據預設的統計模型訓練得到的，基于預設的統計模型所確定的神經元的保留概率，可以在預設的計算量要求下對初始神經網絡模型進行剪枝，并且獲取的神經網絡模型能夠保證模型的精度。

技術領域

本發明實施例涉及圖像處理技術領域，尤其涉及一種圖像處理方法、裝置及存儲介質。

背景技術

近年來，在人臉識別、物體檢測等應用中，通常需要依靠神經網絡模型提取待處理圖像的圖像特征，以進一步根據待處理圖像的圖像特征進行人臉識別、物體檢測等。為了保證人臉識別、物體檢測等應用的精度，神經網絡模型通常需要向更深的方向發展，即增大神經網絡模型的層數和神經元數。然而神經網絡模型的層數越多、神經元數越多，神經網絡模型的計算量就越大。在實際應用中，受限于處理器、內存的性能限制以及應用的實時性要求，不僅要保證神經網絡模型的精度，還需要限制神經網絡模型的計算量。

在一些情況下，需要通過模型剪枝的方式減小神經網絡模型的神經元數，現有技術中，通常采用閾值的方式對神經網絡模型中影響精度較小的神經元進行剪枝，但現有技術的方式難以在控制計算量的前提下，同時保證剪枝后的神經網絡模型的精度。

發明內容

本發明實施例提供一種圖像處理方法、裝置及存儲介質，以克服現有技術難以在控制計算量的前提下，同時保證剪枝后的神經網絡模型的精度的問題。

第一方面，本發明實施例提供一種圖像處理方法，所述方法包括：

將待處理圖像輸入到神經網絡模型；

經所述神經網絡模型輸出所述待處理圖像的圖像特征；

其中，所述神經網絡模型包括至少兩個中間層，每個中間層包括多個神經元，所述神經網絡模型為：基于初始神經網絡模型中神經元的保留概率，對所述初始神經網絡模型進行剪枝處理得到的，所述初始神經網絡模型中神經元的保留概率是基于預設的統計模型獲取的。

可選地，在將待處理圖像輸入到神經網絡模型之前，所述方法還包括：

基于初始神經網絡模型中神經元的保留概率，獲取待訓練的神經網絡模型；

對所述待訓練的神經網絡模型進行訓練，得到所述神經網絡模型。

可選地，所述預設的統計模型為馬爾科夫模型，在所述基于初始神經網絡模型中神經元的保留概率，獲取待訓練的神經網絡模型之前，還包括：

根據所述馬爾科夫模型，獲取初始神經網絡模型中神經元的保留概率；

其中，所述馬爾科夫模型任一層中第k個神經元的轉移概率P_k用于表征前k-1個神經元保留的前提下，第k個神經元保留的概率，k為大于或等于1的整數。

可選地，所述馬爾科夫模型是通過N次迭代訓練獲取的，N為大于或等于1的整數，其中，在第M次迭代訓練中，M為大于或等于1且小于或等于N的整數，還包括：

在第M次迭代過程中，對第M-1個初始神經網絡模型基于第M-1個馬爾科夫模型進行剪枝處理，獲取第M-1個初始神經網絡模型的子網絡模型；

在第M次迭代過程中，訓練所述第M-1個初始神經網絡模型的子網絡模型并獲取第一損失函數，將所述第一損失函數所確定的第一梯度回傳至所述第M-1個初始神經網絡模型更新對應的神經元，得到第M個初始神經網絡模型；所述第一損失函數用于表征所述第M-1個初始神經網絡模型的子網絡模型的精度；