[发明专利]图像处理方法、神经网络的训练方法、装置、设备及介质

说明书

本申请的实施方式公开了一种图像处理方法、神经网络的训练方法、装置、电子设备及计算机可读存储介质，其中的图像处理方法包括：将待处理图像输入神经网络模型；经由所述神经网络模型形成所述待处理图像的离散特征图；其中，所述神经网络模型是基于指导信息训练而成的，且所述神经网络模型在训练过程中，被作为学生神经网络模型，所述指导信息包括：教师神经网络模型针对图像样本形成的离散特征图与学生神经网络模型针对所述图像样本形成的离散特征图之间的差异。本申请提供的技术方案有利于在缩小神经网络模型的规模，并提升神经网络模型的运行速度的基础上，提高神经网络模型输出结果的准确性，即有利于提高神经网络模型的性能。

技术领域

本申请涉及计算机视觉技术，尤其是涉及一种图像处理方法、图像处理装置、神经网络的训练方法、神经网络的训练装置、电子设备以及计算机可读存储介质。

背景技术

神经网络(例如，卷积神经网络等)，在很多计算机视觉任务中，得到了较为广泛的应用。

目前，一些神经网络由于其计算量以及参数量较大等因素，而无法直接应用在智能移动电话以及数码相机等电子设备中。模型压缩技术通常可以缩小神经网络的规模，并提升神经网络的运行速度，然而，模型压缩技术通常会使神经网络的准确性变差。

如何在缩小神经网络的规模，提升神经网络的运行速度的基础上，保证神经网络具有一定的准确性，是一个值得关注的技术问题。

发明内容

本申请实施方式提供一种图像处理以及训练神经网络的技术方案。

根据本申请实施方式其中一个方面，提供一种图像处理方法，所述方法包括：将待处理图像输入神经网络模型；经由所述神经网络模型形成所述待处理图像的离散特征图；其中，所述神经网络模型是基于指导信息训练而成的，且所述神经网络模型在训练过程中，被作为学生神经网络模型，所述指导信息包括：教师神经网络模型针对图像样本形成的离散特征图与学生神经网络模型针对所述图像样本形成的离散特征图之间的差异。

在本申请一实施方式中，所述神经网络模型包括：大小不超过2M的神经网络模型。

在本申请又一实施方式中，所述经由所述神经网络模型形成所述待处理图像的离散特征图包括：经由所述神经网络模型形成所述待处理图像的浮点特征图，并将所述浮点特征图量化为所述待处理图像的离散特征图。

在本申请再一实施方式中，所述经由所述神经网络模型形成所述待处理图像的浮点特征图包括：经由所述神经网络模型针对所述待处理图像，进行浮点特征图提取，并将提取出的浮点特征图转换为符合预定要求的浮点特征图，以形成所述待处理图像的浮点特征图。

在本申请再一实施方式中，所述将提取出的浮点特征图转换为符合预定要求的浮点特征图包括：将所述浮点特征图转换为具有预定通道数的浮点特征图；和/或者，将所述浮点特征图转换为具有预定大小的浮点特征图。

在本申请再一实施方式中，所述方法还包括：经由所述神经网络模型，根据所述待处理图像的离散特征图，对所述待处理图像进行相应视觉任务处理。

在本申请再一实施方式中，所述指导信息还包括：学生神经网络模型针对图像样本输出的视觉任务处理结果与图像样本的标注信息之间的差异。

在本申请再一实施方式中，所述经由所述神经网络模型，根据所述待处理图像的离散特征图，对所述待处理图像进行相应视觉任务处理包括：经由所述神经网络模型，根据所述待处理图像的离散特征图，对所述待处理图像进行分类处理；或者，经由所述神经网络模型，根据所述待处理图像的离散特征图，对所述待处理图像进行物体检测处理。

在本申请再一实施方式中，所述指导信息还包括：所述学生神经网络模型针对图像样本输出的分类处理结果，与图像样本的分类标注信息之间的差异；或，所述学生神经网络模型针对图像样本输出的物体检测处理结果，与图像样本的检测框标注信息之间的差异。