[發明專利]圖像處理方法、裝置、設備及存儲介質

在審

• 申請號: 202010725910.1
• 申請日: 2020-07-24
• 公開（公告）號: CN111860543A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 石大虎;譚文明
• 申請（專利權）人: 杭州海康威視數字技術股份有限公司
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06N3/04;G06N3/08
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 謝冬寒

本申請實施例公開了一種圖像處理方法、裝置、設備及存儲介質，屬于圖像處理技術領域。該方法應用于電子設備中，電子設備能夠用于運行神經網絡模型，神經網絡模型包括卷積層和歸一化層，歸一化層位于卷積層之后，該方法包括：在對神經網絡模型進行訓練的過程中，確定歸一化層的上一層所輸出的多個第一特征圖的通道數，多個第一特征圖至少由卷積層經過卷積處理；基于通道數和多個第一特征圖，確定多組第一數值，每組第一數值包括多個第一特征圖在至少兩個通道上的像素值，且各個組包括的通道互不相同；基于多組第一數值，對多個第一特征圖進行歸一化處理。本申請實施例可以保證歸一化處理的數據統計量，使得精度較高，從而保證了圖像處理效果。

技術領域

本申請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、設備及存儲介質。

背景技術

目前，神經網絡模型在圖像處理技術領域得到廣泛應用，譬如，可以用于圖像識別或圖像檢測等。神經網絡模型中通常包括有卷積層、池化層、歸一化層等，其中，歸一化層可以用于對特征圖進行歸一化處理。

在相關技術中，歸一化層大多數采用批歸一化處理方式。然而，批歸一化處理對批量的大小比較敏感，當批量較小，如輸入的特征圖的數量較少時，均值和方差的統計不夠準確，使得精度較低，從而導致圖像處理效果較差。

發明內容

本申請實施例提供了一種圖像處理方法、裝置、設備及存儲介質，可以解決相關技術的統計不夠準確導致圖像處理效果較差的問題。所述技術方案如下：

一方面，提供了一種圖像處理方法，應用于電子設備中，所述電子設備能夠用于運行神經網絡模型，所述神經網絡模型包括卷積層和歸一化層，所述歸一化層位于所述卷積層之后，所述方法包括：

在對所述神經網絡模型進行訓練的過程中，確定所述歸一化層的上一層所輸出的多個第一特征圖的通道數，所述多個第一特征圖至少由所述卷積層經過卷積處理；

基于所述通道數和所述多個第一特征圖，確定多組第一數值，每組第一數值包括所述多個第一特征圖在至少兩個通道上的像素值，且各個組包括的通道互不相同；

基于所述多組第一數值，對所述多個第一特征圖進行歸一化處理，得到歸一化后的目標特征圖。

可選地，所述基于所述通道數和所述多個第一特征圖，確定多組第一數值，包括：

獲取第一數值，所述第一數值為所述通道數與超參數閾值之商；

按照預設規則，將所述多個第一特征圖在所述通道數個通道上的像素值劃分為所述超參數閾值個組，得到所述多組第一數值，其中，每組第一數值包括所述多個第一特征圖在所述第一數值個通道上的像素值。

可選地，所述基于所述多組第一數值，對所述多個第一特征圖進行歸一化處理，包括：

確定所述多組中的每組第一數值的數值均值和方差；

基于每組第一數值的數值均值和方差，對每組中的各個第一數值進行歸一化處理，得到每組的歸一化數值；

將所述多組的歸一化數值對應的特征圖確定為所述歸一化處理后的目標特征圖。

可選地，所述方法還包括：

在基于訓練后的神經網絡模型進行圖像處理的過程中，按照預設規則，對所述歸一化層的上一層所輸出的多個第二特征圖在所述通道數個通道上的像素值進行分組，得到多組第二數值；

獲取所述多組第二數值中每組第二數值對應的數值均值和方差，其中，每組第二數值對應的數值均值和方差是在訓練過程中確定的；

基于所述多組第二數值中每組第二數值對應的數值均值和方差，對所述多個第二特征圖進行歸一化處理。