[发明专利]深度学习模型的建立方法、图像处理方法及装置

权利要求书

1.一种深度学习模型的建立方法，其特征在于，所述方法包括：

在第一深度学习模型中，将每一层卷积层的最大输入通道数及最大输出通道数，设置为所述卷积层对应的权重池的体积参数；

将多个比例参数依次与所述权重池的体积参数相乘，得到多个子权重池；

针对所述卷积层包括的子权重池依次进行卷积计算，并根据计算得到的每个所述子权重池的输出通道数，建立多个第二深度学习模型，所述第二深度学习模型的每一层卷积层设置有相应的目标输出通道数；所述第二深度学习模型的第一层卷积层的输入通道数是根据输入的RGB格式的图片文件对应的通道数获取的；所述目标输出通道数是通过每一层卷积层卷积计算获取的；

将所述第二深度学习模型导入启发式算法模型，输出满足预设测试指标的第三深度学习模型，其包括：

将所述第二深度学习模型导入遗传算法模型，输出满足所述预设测试指标的至少一组第三深度学习模型，其包括：

将所述第二深度学习模型转换为编码向量，所述编码向量中的每一个向量包括所述第二深度学习模型的卷积层数与目标输出通道数的对应关系；

从所有的所述编码向量中，随机选取第一预设数量的编码向量进行测试，得到第一测试结果；

从所述第一测试结果中，选取第二预设数量的目标第一测试结果，并从所述编码向量中确定所述目标第一测试结果对应的第一编码向量；

基于所述第一编码向量进行交叉变异处理，得到第三预设数量的第二编码向量，所述第三预设数量大于所述第二预设数量；

对所述第二编码向量进行测试，从测试得到的第二测试结果中，选取第四预设数量的目标第二测试结果，并从所述第二编码向量中确定所述目标第二测试结果对应的第三编码向量；

在确定了所述目标第二测试结果对应的第三编码向量之后，进入所述从所有的所述编码向量中，随机选取第一预设数量的编码向量进行测试，得到第一测试结果的步骤；

在重复进行了预设次数的所述在确定了所述目标第二测试结果对应的第三编码向量之后，进入所述从所有的所述编码向量中，随机选取第一预设数量的编码向量进行测试，得到第一测试结果步骤的步骤之后，从最新的第三编码向量中，选取至少一个与所述预设测试指标的相似度大于或等于预设相似度阈值的目标第三编码向量；

将所述目标第三编码向量对应的第二深度学习模型，确定为所述第三深度学习模型。

2.根据权利要求1所述的方法，其特征在于，所述针对所述卷积层包括的子权重池依次进行卷积计算，并根据计算得到的每个所述子权重池的输出通道数，建立多个第二深度学习模型的步骤，包括：

针对所述卷积层包括的子权重池依次进行卷积计算，得到每个所述子权重池的输出通道数；

从所述输出通道数中选择一个所述目标输出通道数；

将所述目标输出通道数设置为下一层卷积层的输入通道参数，以供所述下一层卷积层根据所述目标输出通道数进行卷积计算；

在所有卷积层完成卷积计算后，得到多个第二深度学习模型。

3.根据权利要求1所述的方法，其特征在于，在所述将所述第二深度学习模型导入遗传算法模型，输出满足所述预设测试指标的至少一组第三深度学习模型的步骤之后，还包括：

在出现多组所述第三深度学习模型时，将所述第三深度学习模型导入退火算法模型，输出满足所述预设测试指标且最优的一组第三深度学习模型。

4.一种图像处理方法，其特征在于，所述方法包括：

获取待处理图像；

将所述待处理图像输入第三深度学习模型进行处理，输出针对所述待处理图像的处理结果；

其中，所述第三深度学习模型是根据权利要求1至权利要求3中任意一项深度学习模型的建立方法所得到的。