[發明專利]分配方法及裝置、電子設備和存儲介質

在審

• 申請號: 202110891899.0
• 申請日: 2019-02-25
• 公開（公告）號: CN113592004A
• 公開（公告）日: 2021-11-02
• 發明（設計）人: 李藝;曠章輝;陳益民;張偉
• 申請（專利權）人: 深圳市商湯科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京林達劉知識產權代理事務所(普通合伙) 11277
• 代理人: 劉新宇

1.一種分配方法，其特征在于，用于在圖像處理模型中存在多張特征圖時，對每張所述特征圖分配所通過的神經元，所述方法包括：

根據所述圖像處理模型中多個卷積層的神經元的重要性，對所述神經元進行篩選，得到第一結果；

其中，多個卷積層處于所述圖像處理模型的同一深度，且

每個卷積層分別用于處理不同尺度的所述特征圖；

所述第一結果中包含有多個神經元；

根據所述第一結果中每個神經元的位置屬性，統計每個所述神經元所對應的所述特征圖的尺度，得到分配關系；

其中，所述位置屬性表征每一個神經元所屬的卷積層；

所述分配關系，表征每張所述特征圖與所述特征圖所通過的神經元之間的對應關系；

根據所述分配關系，對每張所述特征圖分配所通過的神經元。

2.根據權利要求1所述的方法，其特征在于，所述圖像處理模型中包括至少一個網絡模塊，所述網絡模塊包括：

依次級聯的第一網絡層、第二網絡層和第三網絡層；

其中，所述第一網絡層，用于對輸入的圖像進行處理，得到第一特征圖；

所述第二網絡層包括多個并行的分支；

每個分支包括第一采樣層；

所述第一采樣層，用于對所述第一特征圖進行下采樣，得到第二特征圖；

其中，不同所述分支中的所述第一采樣層得到的所述第二特征圖的尺度不同；

所述第三網絡層，用于將每個所述分支輸出的特征圖數據合并。

3.根據權利要求2所述的方法，其特征在于，在根據所述圖像處理模型中多個卷積層的神經元的重要性，對所述神經元進行篩選之前，還包括：

確定各個網絡模塊中的分支數量，并根據預設的所述網絡模塊的個數構建所述圖像處理模型；

對所述圖像處理模型進行訓練，得到所述圖像處理模型中batchnorm層的scale參數；

其中，所述scale參數表征所述網絡模塊中各個分支中的卷積層的神經元的重要性。

4.根據權利要求1-3中任意一項所述的方法，其特征在于，所述根據所述圖像處理模型中多個卷積層的神經元的重要性，對所述神經元進行篩選，得到第一結果，包括：

根據對所述圖像處理模型進行預先訓練得到的batchnorm層的scale參數，對多個所述卷積層的神經元進行排序，得到第一序列；

其中，所述第一序列表征多個所述卷積層中的神經元的排列順序；

根據預設計算量，確定用于處理多張所述特征圖的待用神經元數量；

根據確定的所述待用神經元數量，由所述第一序列中依次提取出所需神經元，得到所述第一結果。

5.根據權利要求4所述的方法，其特征在于，在根據所述分配關系，對每張所述特征圖分配所通過的神經元后，還包括：

根據所述分配關系，確定所述圖像處理模型的第一網絡結構；

對所述第一網絡結構的圖像處理模型進行訓練。

6.根據權利要求2所述的方法，其特征在于，所述第一采樣層為池化層。

7.根據權利要求6所述的方法，其特征在于，所述池化層為最大池化層。

8.根據權利要求2所述的方法，其特征在于，每個分支還包括與所述第一采樣層依次級聯的第一卷積層和第二采樣層；

所述第一卷積層，用于對所述第二特征圖進行卷積操作，得到第三特征圖；

所述第二采樣層，用于將所述第三特征圖的尺度恢復為所述第一特征圖的尺度。

9.根據權利要求2、6-8中任意一項所述的方法，其特征在于，所述第二網絡層還包括原比例分支；所述原比例分支包括第二卷積層；

所述第二卷積層，用于對所述第一特征圖進行卷積操作，并將經過卷積操作得到的特征圖數據輸入至所述第三網絡層；

所述第三網絡層，還用于將所述第二網絡層中所述多個并行的分支輸出的特征圖數據和每個所述原比例分支輸出的特征圖數據合并。