[发明专利]图像处理方法、装置、电子设备和计算机存储介质

说明书

本发明提供了一种图像处理方法、装置、电子设备和计算机存储介质，该方法包括：获取待处理图像和目标神经网络；计算目标神经网络的每个卷积层中卷积核的重要程度；基于卷积核的重要程度对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，利用剪枝训练之后的目标神经网络对待处理图像进行图像处理，得到待处理图像的图像处理结果。本发明通过剪枝训练之后的目标神经网络对待处理图像进行图像处理时，可以大大提高图像处理的速度，减少了处理流程，同时节省了内存资源，使得剪枝训练之后的目标神经网络可以在移动设备上高速快速运行。

技术领域

本发明涉及图像处理的技术领域，尤其是涉及一种图像处理方法、装置、电子设备和计算机存储介质。

背景技术

随着深度学习技术的发展，越来越多的图像处理问题(图像降噪，图像超分辨率等)通过神经网络取得了超越传统算法的效果。目前，在通过神经网络对待处理图像进行图像处理时，由于神经网络本身巨大的计算量，导致了图像处理的效率低下，流程繁杂且浪费内存资源。

综合，现有的图像处理方法存在效率低下，流程繁杂，内存资源浪费严重的技术问题。

发明内容

有鉴于此，本发明的目的在于提供一种图像处理方法、装置、电子设备和计算机存储介质，本发明能够提高图像处理的速度，减少了图像处理流程，同时节省了图像处理器的内存资源。

第一方面，本发明实施例提供了一种图像处理方法，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。

进一步地，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。

进一步地，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。

进一步地，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。