[发明专利]图像处理方法、装置、电子设备和计算机存储介质

权利要求书

1.一种图像处理方法，其特征在于，包括：

获取待处理图像和目标神经网络；所述目标神经网络中包含至少一个卷积层；

基于目标参量计算所述目标神经网络的每个卷积层中卷积核的重要程度；所述目标参量包括：所述卷积核的计算复杂度，所述卷积核对所述目标神经网络的输出结果的精确度的影响程度，所述卷积核对所述目标神经网络的网络结构的影响度；

基于所述卷积核的重要程度对所述目标神经网络中的卷积核进行剪枝训练处理，得到剪枝训练之后的目标神经网络；

利用所述剪枝训练之后的目标神经网络对所述待处理图像进行图像处理，得到图像处理结果。

2.根据权利要求1所述的方法，其特征在于，

基于目标参量计算所述目标神经网络的每个卷积层中卷积核的重要程度包括：按照预设的剪枝阶段，计算待剪枝神经网络的每个卷积层中卷积核的重要程度，其中，所述待剪枝神经网络为当前剪枝阶段的上一剪枝阶段剪枝之后的目标神经网络；

基于所述卷积核的重要程度对所述目标神经网络中的卷积核进行剪枝训练处理包括：基于各个剪枝阶段计算得到的重要程度，对上一剪枝阶段剪枝之后的目标神经网络中的卷积核进行剪枝训练处理。

3.根据权利要求2所述的方法，其特征在于，所述预设的剪枝阶段包括：第一剪枝阶段，第二剪枝阶段和第三剪枝阶段；

基于各个剪枝阶段计算得到的重要程度，对上一剪枝阶段剪枝之后的目标神经网络中的卷积核进行剪枝训练处理包括：

在所述第一剪枝阶段，基于所述第一剪枝阶段计算得到的重要程度，对所述目标神经网络的卷积核进行剪枝训练处理，得到第一神经网络；

在所述第二剪枝阶段，基于所述第二剪枝阶段计算得到的重要程度，对所述第一神经网络的卷积核进行剪枝训练处理，得到第二神经网络；

在所述第三剪枝阶段，基于所述第三剪枝阶段计算得到的重要程度，对所述第二神经网络的卷积核进行剪枝训练处理，得到所述剪枝训练之后的目标神经网络。

4.根据权利要求3所述的方法，其特征在于，所述第一剪枝阶段包括多次剪枝操作，基于所述第一剪枝阶段计算得到的重要程度，对所述目标神经网络的卷积核进行剪枝训练处理包括：

获取所述第一剪枝阶段的第i次剪枝操作计算得到的所述卷积核的重要程度，i为大于1的正整数；

基于所述第i次剪枝操作计算得到的所述卷积核的重要程度对第i-1次剪枝操作之后得到的第i-1个子神经网络进行剪枝操作，得到第i个子神经网络，并对所述第i个子神经网络进行训练；

其中，在对所述第i个子神经网络进行训练时，若所述第i个子神经网络的训练结果满足第一预设条件，则将所述第i-1个子神经网络作为所述第一神经网络；

若所述第i个子神经网络的训练结果不满足所述第一预设条件，则对所述第i个子神经网络进行第i+1次剪枝操作。

5.根据权利要求4所述的方法，其特征在于，基于所述第i次剪枝操作计算得到的所述卷积核的重要程度对第i-1次剪枝操作之后得到的第i-1个子神经网络进行剪枝操作包括：

对所述第i次剪枝操作计算得到的所述卷积核的重要程度进行排序，得到排序序列Ai；

删除所述排序序列Ai中前N个重要程度所对应的卷积核，从而得到所述第i个子神经网络，其中，N为所述目标神经网络中卷积核总量的1％至2％之间的预设值。

6.根据权利要求4所述的方法，其特征在于，对所述第i个子神经网络进行训练包括：

利用训练样本和第一损失函数对所述第i个子神经网络进行训练，所述第一损失函数包括：均方误差损失函数；

其中，所述第一预设条件为：训练后得到的所述第一损失函数的函数值大于第一预设阈值；或者，第一目标卷积层中卷积核的权重分布在第i次剪枝操作前后的距离大于第一预设距离；所述第一目标卷积层为所述第i-1个子神经网络中的任意卷积层。