[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

本公開涉及一種分配方法及裝置、電子設備和存儲介質，其中，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；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；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。本公開實施例實現了基于神經元重要性來對每張特征圖進行神經元的分配的目的，使得對每張特征圖所分配的神經元更加精確。

本申請是在2019年02月25日提交中國專利局、申請號為201910139007.4、申請名稱為“網絡模塊和分配方法及裝置、電子設備和存儲介質”的中國專利申請的分案申請。

技術領域

本公開涉及計算機視覺技術領域，尤其涉及一種分配方法及裝置、電子設備和存儲介質。

背景技術

計算機視覺是人工智能的重要組成部分，而圖片分類則是計算機視覺的基礎，因此，一個好的分類網絡可以作為主干網絡來執行支持、分割、追蹤等任務。近年來，特征聚合已經成為一種非常有效的視覺識別網絡的設計方法。在相關技術中，可以通過連接不同深度的特征圖和在網絡的同一深度運用不同的卷積核這兩種方式來實現多尺度的特征圖的引入，以實現特征聚合方法。但是，在采用以上兩種方式引入多尺度的特征圖時，其對多尺度的特征圖的生成和利用較為有限。

發明內容

本公開提出了一種分配方法及裝置、電子設備和存儲介質。

根據本公開的一方面，提供了一種分配方法，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。

在一種可能的實現方式中，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。

在一種可能的實現方式中，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。