[发明专利]用于卷积神经网络的处理方法和系统、和存储介质

说明书

提供用于卷积神经网络的处理方法、系统和计算机可读介质，该方法包括：步骤1，用从高分辨率彩色图像中提取的低分辨率彩色图像、和噪声图像作为输入图像以通过减小生成器成本函数来训练生成器网络的参数，生成器网络包括提升层以对输入图像的亮度分量和色度分量提升分辨率，生成器成本函数表示生成器网络的输出图像与高分辨率彩色图像之间的差异的程度，且基于鉴别器网络的参数；步骤2，用训练后的生成器网络的输出图像和高分辨率彩色图像分别输入到鉴别器网络以通过减小鉴别器成本函数来训练鉴别器网络的参数，鉴别器网络包括池化层以降低分辨率，鉴别器成本函数表示生成器网络的输出图像与高分辨率彩色图像对应的程度；重复步骤1和步骤2。

技术领域

本发明的实施例涉及图像处理领域，且更具体地涉及一种用于卷积神经网络的处理方法和系统、和存储介质。

背景技术

当前，基于人工神经网络的深度学习技术已经在诸如图像分类、图像捕获和搜索、面部识别、年龄和语音识别等领域取得了巨大进展。卷积神经网络(Convolutional NeuralNetwork，CNN)是近年发展起来并引起广泛重视的一种人工神经网络。当前，卷积神经网络的主要用途是解决人工智能(AI)问题，例如：推荐引擎、图像分类、图像字幕和搜索、面部识别、年龄识别、语音识别等。一般来说，深度学习技术在解决人类对数据的理解方面、例如描述图像的内容、或在困难的条件下识别图像中的对象、或者在嘈杂的环境中识别语音方面取得了成功。

卷积神经网络的主要用途大致分为两类：第一、分类(classification)；第二、超分辨率(super-resolution)。对于分类问题，输入是高分辨率数据(例如，图像或视频)，并且输出是低分辨率数据(例如，标签、对象的位置等)。对于这种特殊情况，目前深入学习取得了很大的进展。例如，深度学习结构中最常见的层之一是所谓的最大池化层(max-pooling layer)，通过取相邻像素中的最大值来减小特征图像的分辨率。另一方面，超分辨率问题需要高分辨率数据作为输入(图像)，并将其尺寸增加到更大量的数据(更高分辨率)，即提升了分辨率。这完全改变了深度学习结构的设计。

发明内容

本发明的至少一个实施例提供了一种用于卷积神经网络的处理方法，包括如下步骤：生成器训练步骤，用从高分辨率彩色图像中提取的低分辨率彩色图像、和噪声图像作为输入图像以通过减小生成器成本函数来训练生成器网络的参数，以使得所述生成器网络的输出图像与所述高分辨率彩色图像的差异减小，其中所述生成器网络包括提升层以对输入图像的亮度分量和色度分量提升分辨率，所述生成器成本函数表示所述生成器网络的输出图像与所述高分辨率彩色图像之间的差异的程度，且基于鉴别器网络的参数；鉴别器训练步骤，用所述训练后的生成器网络的输出图像和所述高分辨率彩色图像分别输入到鉴别器网络以通过减小鉴别器成本函数来训练所述鉴别器网络的参数，使得鉴别器网络的输出指示所述鉴别器网络的输入是所述训练后的生成器网络的输出图像还是所述高分辨率彩色图像的指标，其中所述鉴别器网络包括池化层以降低分辨率，所述鉴别器成本函数表示所述生成器网络的输出图像与所述高分辨率彩色图像对应的程度；用不同的低分辨率彩色图像和噪声图像来重复所述生成器训练步骤和所述鉴别器训练步骤以通过最小化所述生成器成本函数和所述鉴别器成本函数来得到最终的生成器网络的参数和鉴别器网络的参数。

例如，所述生成器成本函数由第一项、第二项和可选的第三项组成，所述第一项基于所述生成器网络的输出图像经过所述鉴别器网络的输出，所述第二项基于所述低分辨率彩色图像、与所述生成器网络的输出图像的经过从所述高分辨率彩色图像到所述低分辨率彩色图像相同的降级处理后的降级图像之间的差异，所述第三项基于所述生成器网络的参数中包括的卷积层的过滤器的权重的大小与激活层的偏置的大小的比例。

例如，所述鉴别器成本函数由第一项、第二项、以及可选的第三项组成，所述第一项基于所述生成器网络的输出图像经过所述鉴别器网络的输出，所述第二项基于所述高分辨率彩色图像经过所述鉴别器网络的输出，所述第三项基于所述生成器网络的输出图像和所述高分辨率彩色图像的组合经过所述鉴别器网络的输出。