[发明专利]基于卷积神经网络模型的图像处理方法和装置

权利要求书

1.一种基于卷积神经网络模型的图像处理方法，其特征在于，所述卷积神经网络模型的一个神经网络层包括至少一个卷积层和/或至少一个全连接层，所述方法包括：

获取所述神经网络层对应的第一权重参数集，所述第一权重参数集包括N1个第一权重参数，其中，N1为正整数；

分别计算所述N1个第一权重参数与第一数值m的比值，以得到N1个第二权重参数，其中|W_max|≤m≤2|W_max|，W_max为所述第一权重参数集中绝对值最大的权重参数；

将所述N1个第二权重参数分别量化成至少两个2的Q次方的和，以得到N1个第三权重参数，其中，Q≤0，且Q为整数；

获取待处理图像；

根据所述N1个第三权重参数对所述待处理图像进行处理，以得到输出图像。

2.根据权利要求1所述的方法，其特征在于，所述第一权重参数集还包括N2个第四权重参数，其中，N2为大于或等于1的整数；

在所述将所述N1个第二权重参数分别量化成至少两个2的Q次方的和，得到N1个第三权重参数之后，包括：

根据所述量化的量化结果，训练所述N2个第四权重参数，以得到N2个第五权重参数；

分别计算所述N2个第五权重参数与所述第一数值的比值，得到N2个第六权重参数；

将所述N2个第六权重参数分别量化成至少两个2的P次方的和，以得到N2个第七权重参数，其中，P≤0，且P为整数；

所述根据所述N1个第三权重参数对所述待处理图像进行处理，以得到输出图像，包括：

根据所述N1个第三权重参数和所述N2个第七权重参数，对所述待处理图像进行处理，以得到输出图像。

3.根据权利要求2所述的方法，其特征在于，|W_1min|≥|W_2max|，其中，W_1min为所述N1个第一权重参数中绝对值最小的权重参数，W_2max为所述N2个第四权重参数中绝对值最大的权重参数。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述第一数值为所述W_max的绝对值与第二数值c的乘积，所述第二数值c是根据所述N1个第一权重参数和所述N1个第三权重参数之间的误差确定的。

5.根据权利要求1至3中任一项所述的方法，其特征在于，在所述将所述N1个第二权重参数分别量化成至少两个2的Q次方的和，以得到N1个第三权重参数之后，所述方法还包括确定权重索引值列表，所述权重索引值列表用于表征所述N1个第三权重参数分别对应的N1个二进制数，以及每个所述第三权重参数的符号位。

6.根据权利要求5所述的方法，其特征在于，根据所述N1个第三权重参数对所述待处理图像进行处理，以得到输出图像，包括：

根据所述权重索引值列表中的所述N1个二进制数，对所述待处理图像进行移位和加法操作，并将所述待处理图像与所述第一数值m相乘，得到输出图像。

7.一种基于卷积神经网络模型的图像处理装置，其特征在于，所述卷积神经网络模型的一个神经网络层包括至少一个卷积层和/或至少一个全连接层，所述装置包括：

处理单元和存储单元，

所述存储单元用于存储卷积神经网络模型，所述处理单元用于：

获取所述神经网络层对应的第一权重参数集，所述第一权重参数集中包括N1个第一权重参数，其中，N1为大于或等于1的整数；

分别计算所述N1个第一权重参数与第一数值m的比值，得到N1个第二权重参数，其中|W_max|≤m≤2|W_max|，W_max为所述第一权重参数集中绝对值最大的权重参数；

将所述N1个第二权重参数分别量化成至少两个2的Q次方的和，得到N1个第三权重参数，其中，Q≤0，且Q为整数；

获取待处理图像；

根据所述N1个第三权重参数对所述待处理图像进行处理，以得到输出图像。