[發明專利]圖像處理方法、電子裝置及芯片

在審

• 申請號: 202211401279.5
• 申請日: 2022-11-09
• 公開（公告）號: CN115761402A
• 公開（公告）日: 2023-03-07
• 發明（設計）人: 趙娟萍;胡欣
• 申請（專利權）人: 哲庫科技（上海）有限公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/80;G06V10/26;G06V10/764;G06N3/0464;G06N3/084
• 代理公司: 北京派特恩知識產權代理有限公司 11270
• 代理人: 鐘文聰;胡春光

本申請實施例公開了一種圖像處理方法、電子裝置及芯片，該圖像處理方法包括：基于預設搜索空間，使用訓練數據集進行網絡結構搜索，獲得特征提取模型；其中，特征提取模型包括骨架網絡和特征融合網絡；根據特征提取模型和基于實例激活圖的分割模型，構建圖像處理模型；通過圖像處理模型對待處理圖像進行圖像處理，獲得處理后圖像。

技術領域

本發明涉及機器學習技術領域，尤其涉及一種圖像處理方法、電子裝置及芯片。

背景技術

目前，常常采用神經網絡結構搜索(Neural Architecture Search，NAS)、可微分的神經網絡自動搜索(Differentiable Architecture Search，DARTS)等技術構建用于實現圖像處理的網絡結構。

然而，通常應用于圖像處理的如Mask RCNN、YOLACT++等模型，由于模型結構復雜度高，或者模型結構設計固定等缺陷，存在無法滿足實時性要求高的應用場景、模型性能差的問題，進而降低了圖像處理的效率和效果。

發明內容

本申請實施例提供了一種圖像處理方法、電子裝置及芯片能夠滿足實時性要求高的應用場景，進而可以提升圖像處理的效率和效果。

本申請實施例的技術方案是這樣實現的：

第一方面，本申請實施例提供了一種圖像處理方法，所述方法包括：

基于預設搜索空間，使用訓練數據集進行網絡結構搜索，獲得特征提取模型；其中，所述特征提取模型包括骨架網絡和特征融合網絡；

根據所述特征提取模型和基于實例激活圖的分割模型，構建圖像處理模型；

通過所述圖像處理模型對待處理圖像進行圖像處理，獲得處理后圖像。

第二方面，本申請實施例提供了一種電子裝置，所述電子裝置包括：獲取單元，構建單元，

所述獲取單元，用于基于預設搜索空間，使用訓練數據集進行網絡結構搜索，獲得特征提取模型；其中，所述特征提取模型包括骨架網絡和特征融合網絡；

所述構建單元，用于根據所述特征提取模型和基于實例激活圖的分割模型，構建圖像處理模型；

所述獲取單元，還用于通過所述圖像處理模型對待處理圖像進行圖像處理，獲得處理后圖像。

第三方面，本申請實施例提供了一種電子裝置，所述電子裝置包括處理器、存儲有所述處理器可執行指令的存儲器，當所述指令被所述處理器執行時，實現如上所述的圖像處理方法。

第四方面，本申請實施例提供了一種芯片，所述芯片包括可編程邏輯電路和/或程序指令，當所述芯片運行時，實現如上所述的圖像處理方法。

本申請實施例提供了一種圖像處理方法、電子裝置及芯片，電子裝置基于預設搜索空間，使用訓練數據集進行網絡結構搜索，獲得特征提取模型；其中，特征提取模型包括骨架網絡和特征融合網絡；根據特征提取模型和基于實例激活圖的分割模型，構建圖像處理模型；通過圖像處理模型對待處理圖像進行圖像處理，獲得處理后圖像。由此可見，在本申請的實施例中，可以通過特征提取模型和基于實例激活圖的分割模型進行圖像處理模型的構建，其中，特征提取模型是通過同時對骨架網絡和特征融合網絡的聯合搜索獲得的，能夠實現輕量級的特征提取，而基于實例激活圖的分割模型則可以通過二分圖最大匹配方法實現簡單高效的實例分割，從而使得圖像處理模型可以獲得更佳的性能，能夠滿足實時性要求高的應用場景，進而可以提升圖像處理的效率和效果。

附圖說明

圖1為圖像處理方法的實現流程示意圖；

圖2為骨架網絡的網絡結構示意圖；

圖3為下采樣模塊的網絡結構示意圖；

圖4為瓶頸模塊的網絡結構示意圖；