[發明專利]圖像處理方法、裝置、設備及介質

在審

• 申請號: 202010791058.8
• 申請日: 2020-08-07
• 公開（公告）號: CN112069905A
• 公開（公告）日: 2020-12-11
• 發明（設計）人: 馬寧寧
• 申請（專利權）人: 北京邁格威科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 王婷婷

1.一種圖像處理方法，其特征在于，包括：

獲得待處理圖像；

將所述待處理圖像輸入目標網絡，得到所述目標網絡輸出的處理結果；

其中，所述目標網絡中至少一層的激活函數為可微分激活函數，所述可微分激活函數為初始可微分激活函數經過訓練獲得的；

所述處理結果為所述待處理圖像的分類結果或所述待處理圖像包含的物體的識別結果。

2.根據權利要求1所述的方法，其特征在于，所述初始可微分激活函數包含可學習的參數。

3.根據權利要求2所述的方法，其特征在于，所述目標網絡的訓練步驟如下：

將樣本圖像輸入卷積神經網絡，得到所述卷積神經網絡輸出的處理結果，所述卷積神經網絡中至少一層的激活函數為所述初始可微分激活函數，且所述卷積神經網絡的參數包括可學習的參數；根據所述卷積神經網絡輸出的處理結果和標準處理結果之間的殘差，更新所述卷積神經網絡的參數，直至滿足預設的訓練結束條件，得到所述目標網絡，所述標準處理結果是預先為所述樣本圖像標注的分類標簽或所述樣本圖像包含的物體的標簽。

4.根據權利要求1-3任一所述的方法，其特征在于，所述初始可微分激活函數中的可學習的參數包括使所述初始可微分激活函數一階導數上下限可調的第一參數，和/或，用于調整所述初始可微分激活函數的平滑可微程度的第二參數。

5.根據權利要求4所述的方法，其特征在于，所述第二參數是像素級的，不同像素點所對應的第二參數的值相互獨立；或

所述第二參數是通道級的，同一通道的各個像素點共享第二參數的同一值；或

所述第二參數是層級的，同一層的各個通道的各個像素點共享第二參數的同一值。

6.根據權利要求1-5任一項所述的方法，其特征在于，所述初始可微分激活函數是：

S_β(p₁x,p₂x)＝(p₁-p₂)x·σ[β(p₁-p₂)x]+p₂x；

其中，p₁是使所述初始可微分激活函數一階導數上限可調的參數，p₂是使所述初始可微分激活函數一階導數下限可調的參數，β是用于調整所述初始可微分激活函數的平滑可微程度的參數，σ為Sigmoid函數，x表示輸入。

7.根據權利要求2-6任一所述的方法，其特征在于，所述卷積神經網絡是通過以下步驟構建的：

從原始神經網絡中確定至少一個原始激活函數層；

將所述至少一個原始激活函數層替換為可微分激活函數層，得到所述卷積神經網絡，所述可微分激活函數層中的激活函數是所述初始可微分激活函數。

8.根據權利要求2-7任一所述的方法，其特征在于，所述卷積神經網絡是通過以下步驟構建的：

從原始神經網絡中確定多個待處理的原始卷積層，所述多個待處理的原始卷積層中每相鄰兩個待處理的原始卷積層之間配置有原始激活函數層；

將一組或多組相鄰兩個待處理的原始卷積層之間所配置的所述原始激活函數層替換為可微分激活函數層，得到所述卷積神經網絡，所述可微分激活函數層中的激活函數是所述初始可微分激活函數。

9.根據權利要求2-8任一所述的方法，其特征在于，所述卷積神經網絡是通過以下步驟構建的：

從原始神經網絡中確定待處理的特征處理層，所述特征處理層的輸出端與原始激活函數層的輸入端相連，所述特征處理層為殘差層或特征拼接層；

將所述特征處理層的輸出端連接的所述原始激活函數層替換為所述可微分激活函數層，得到所述卷積神經網絡，所述可微分激活函數層中的激活函數是所述初始可微分激活函數。