[发明专利]基于神经网络差分的量化方法及系统

权利要求书

1.一种基于神经网络差分的量化方法，用于图像质量增强，其特征在于，具体包括：

训练网络模型，将网络模型进行初始化；所述网络模型为三层卷积神经网络模型；其中，第一层网络模型的卷积核大小为9×9，用于提取输入图像上面的纹理信息；第二层网络模型的卷积核大小为1×1，用于变换输入图像的特征；最后一层网络模型的卷积核大小为5×5，用于重建输出图像；

将网络模型的训练参数表达形式作为在初始化模型参数基础上的改变量；所述网络模型的卷积层的运算表示为：

其中，网络模型L⁽ⁱ⁾表示网络模型的第i层的输出结果，L^(i-1)表示网络模型的第i-1层的输出结果，b⁽ⁱ⁾表示偏置项，运算表示卷积，函数σ(x)＝max{x，0}表示激活函数；W⁽ⁱ⁾初始值为0；为预训练模型第i层的卷积参数表达形式，W⁽ⁱ⁾为新训练得到的模型的卷积参数表达形式；

对网络模型的训练参数表达形式的改变量进行聚类量化处理，得到对应的网络模型紧凑表达形式。

2.如权利要求1所述的方法，其特征在于，对网络模型的训练参数表达形式的改变量进行聚类量化处理，具体为对每一层的参数W⁽ⁱ⁾进行k-means聚类。

3.如权利要求1或2所述的方法，其特征在于，所述对网络模型的训练参数表达形式的改变量进行聚类量化处理的优化，其中，损失函数为：

e(L⁽ⁱ⁾，L_true)＝||L⁽ⁱ⁾-L_true||²

其中，为网络模型的第i层的真实值；L⁽ⁱ⁾为网络模型的第i层的输出结果。

4.如权利要求3所述的方法，其特征在于，所述网络模型的卷积层，最后一层N的卷积层的运算表示为：

其中，网络模型L^(N)表示网络模型的第N层的输出结果，L^(N-1)表示网络模型的第N-1层的输出结果，b^(N)表示偏置项，运算表示卷积，W^(N)初始值为0；为预训练模型第N层的卷积参数表达形式，W^(N)为新训练得到的模型的卷积参数表达形式。

5.一种基于神经网络差分的量化系统，用于图像质量增强，其特征在于，具体包括：

初始化模块，将网络模型进行初始化；所述网络模型为三层卷积神经网络模型；其中，第一层网络模型的卷积核大小为9×9，用于提取输入图像上面的纹理信息；第二层网络模型的卷积核大小为1×1，用于变换输入图像的特征；最后一层网络模型的卷积核大小为5×5，用于重建输出图像；

变量设定模块，将网络模型的训练参数表达形式作为在初始化模型参数基础上的改变量；所述网络模型的卷积层的运算表示为：

其中，网络模型L⁽ⁱ⁾表示网络模型的第i层的输出结果，L^(i-1)表示网络模型的第i-1层的输出结果，b⁽ⁱ⁾表示偏置项，运算表示卷积，函数σ(x)＝max{x，0}表示激活函数；W⁽ⁱ⁾初始值为0；为预训练模型第i层的卷积参数表达形式，W⁽ⁱ⁾为新训练得到的模型的卷积参数表达形式；

聚类量化模块，对网络模型的训练参数表达形式的改变量进行聚类量化处理，得到对应的网络模型紧凑表达形式。

6.如权利要求5所述的系统，其特征在于，对网络模型的训练参数表达形式的改变量进行聚类量化处理，具体为对每一层的参数W⁽ⁱ⁾进行k-means聚类。