[发明专利]一种图像处理方法、装置、电子设备及存储介质

说明书

本申请提供了一种图像处理方法、装置、电子设备及存储介质，所述方法包括：将待处理图像输入预先训练得到的卷积网络模型；通过卷积网络模型对待处理图像进行处理；输出待处理图像的处理结果；其中，卷积网络模型包括：具有线性相位约束的卷积网络模块；卷积网络模块包括深度卷积网络层和线性相位逐点卷积网络层，深度卷积网络层采用尺寸为3*3的卷积核，线性相位逐点卷积网络层采用尺寸为1*1的线性相位逐点卷积核，线性相位逐点卷积核的权值在深度方向上对称或者反对称。本申请基于具有通道数缩减功能的卷积网络模型对图像进行处理，能有效降低图像处理过程中的参数量，降低图像处理的复杂度和图像处理设备的计算量。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种图像处理方法、装置、电子设备及存储介质。

背景技术

以卷积神经网络算法为代表的人工智能技术近年来获得巨大的发展，广泛应用于计算机视觉领域，在图像识别、图像压缩、目标检测等方向取得了成功的应用。但是传统卷积神经网络结构中存在大量的冗余参数，计算复杂度过高，对于计算设备的计算能力有着非常高的要求，很难部署到边缘计算设备中，因此在算法落地于实际场景时面临着诸多困难。

在相关技术中，可以采用以下方法克服上述提到的问题：

(1)采用神经网络压缩与加速的方法对训练好的复杂神经网络模型进行优化，例如剪枝、低秩分解、量化、知识蒸馏等方法，降低其参数量和计算复杂度，使得训练得到的神经网络模型可以很容易地部署在资源有限的边缘计算设备中；

(2)针对终端设备设计专门的轻量化卷积神经网络结构，例如：应用了轻量化卷积神经网络的模型有mobilenet、mobilenet v2、shufflenet、shufflenet v2等，可以很容易地部署在资源有限的边缘计算设备中。

然而，在上述第(1)种方法中，剪枝的方法对硬件非常不友好，很难发挥出硬件加速的优势；低秩分解在以小尺寸卷积进行设计的网络中已经很难实现网络的压缩与加速；量化会有一定的精度损失，对于通用的硬件很难发挥出算法的优势；知识蒸馏理论复杂，只能用于具有softmax函数的分类任务，并且性能往往有限，还处在理论发展中。在上述第(2)种方法中，针对各种轻量化卷积神经网络结构，在降低参数量及计算复杂度方面存在一定的局限性，仍存在可改进的空间。

发明内容

本申请实施例提供了一种图像处理方法、装置、电子设备及存储介质，旨在提供一种通过具有具有线性相位约束的卷积网络模型对图像进行处理的方案，该模型采用线性相位逐点卷积核构建，能显著降低图像处理过程中的参数量，降低对计算设备的计算能力的要求，能较好地应用到各种需要对图像进行处理的边缘计算设备中。

本申请实施例第一方面提供了一种图像处理方法，包括：

将待处理图像输入预先训练得到的卷积网络模型；

通过所述卷积网络模型对所述待处理图像进行处理；

输出所述待处理图像的处理结果；

其中，所述卷积网络模型包括：具有线性相位约束的卷积网络模块；所述卷积网络模块包括深度卷积网络层和线性相位逐点卷积网络层，所述深度卷积网络层采用尺寸为3*3的卷积核，所述线性相位逐点卷积网络层采用尺寸为1*1的线性相位逐点卷积核，所述线性相位逐点卷积核的权值在深度方向上对称或者反对称。

可选地，将待处理图像输入预先训练得到的卷积网络模型前，所述方法还包括：

构建多种类型的线性相位逐点卷积核，所述多种类型包括：正偶型卷积核、反偶型卷积核、正奇型卷积核以及反奇型卷积核；

根据多种类型中任意一种类型的线性相位逐点卷积核，构建具有线性相位约束的卷积网络模块；

根据构建的卷积网络模块，构建卷积网络初始模型；