[發明專利]圖像處理方法、裝置、電子設備及可讀存儲介質

在審

• 申請號: 202011572699.0
• 申請日: 2020-12-25
• 公開（公告）號: CN112766307A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 周爭光;姚聰;王鵬;陳坤鵬
• 申請（專利權）人: 北京邁格威科技有限公司;深圳曠視金智科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 何少巖

1.一種圖像處理方法，其特征在于，包括：

將待處理圖像輸入至量化神經網絡模型，并輸出圖像處理結果；其中，所述量化模型通過以下過程訓練得到：

獲取預先標注的訓練樣本；

采用所述訓練樣本對待訓練的量化神經網絡模型與預設的各非量化網絡結構結合在一起構成的輔助網絡進行迭代訓練，得到每次迭代訓練過程中所述輔助網絡對各所述訓練樣本處理得到的各所述訓練樣本對應的第一損失值；

采用所述訓練樣本對所述量化神經網絡模型進行迭代訓練，得到每次迭代訓練過程中所述量化神經網絡模型對各所述訓練樣本處理得到的各所述訓練樣本對應的第二損失值；

根據所述第一損失值和第二損失值，確定最新迭代的所述量化神經網絡模型是否滿足預設收斂條件；

在所述量化神經網絡模型滿足所述預設收斂條件時，停止迭代，得到訓練好的量化神經網絡模型。

2.如權利要求1所述的圖像處理方法，其特征在于，所述量化神經網絡模型的每一卷積層分別與所述各非量化網絡結構中的一個非量化網絡結構結合在一起，構成所述輔助網絡。

3.如權利要求2所述的圖像處理方法，其特征在于，所述非量化網絡結構為通道數是所連接的卷積層的通道數n倍的非量化卷積層；所述n為大于等于1的常數。

4.如權利要求3所述的圖像處理方法，其特征在于，所述n大于等于2；

所述非量化網絡結構包括n個與所連接的卷積層的通道數相同的卷積核；

所述n個卷積核中的一個卷積核的輸出特征，與所述量化神經網絡模的卷積層針對目標輸入特征所產生的輸出特征進行加和運算，并在加和后與所述n個卷積核中的其余卷積核的輸出特征進行特征通道連接運算；

其中，所述目標輸入特征為所述非量化網絡結構的輸入特征。

5.如權利要求1所述的圖像處理方法，其特征在于，根據所述第一損失值和第二損失值，確定最新迭代的所述量化神經網絡模型是否滿足預設收斂條件，包括：

根據最新一次迭代訓練中，所有訓練樣本對應的第一損失值、第二損失值，確定所述最新一次迭代訓練中的總損失值；

根據所述總損失值確定最新迭代的所述量化神經網絡模型是否滿足預設收斂條件。

6.如權利要求5所述的圖像處理方法，其特征在于，根據所述總損失值確定最新迭代的所述量化神經網絡模型是否滿足預設收斂條件包括：

在最新一次迭代訓練中的總損失值較之前各次迭代訓練中的總損失值不再減小或減小幅度低于預設閾值時，確定最新迭代的所述量化神經網絡模型滿足預設收斂條件。

7.如權利要求1-6任一項所述的圖像處理方法，其特征在于，所述方法還包括：

在迭代訓練過程中，獲取每一次迭代訓練過程中各所述訓練樣本對應的所述量化神經網絡模型與所述輔助網絡之間的蒸餾損失值；

所述根據所述第一損失值和第二損失值確定最新迭代的所述量化神經網絡模型是否滿足預設收斂條件，包括：

根據最新一次迭代訓練中，所有訓練樣本對應的第一損失值、第二損失值和蒸餾損失值，確定所述最新一次迭代訓練中的總損失值；

根據所述總損失值確定最新迭代的所述量化神經網絡模型是否滿足預設收斂條件。