[发明专利]训练神经网络的方法、图像处理方法及装置

说明书

本申请涉及人工智能领域中计算机视觉领域的图像处理技术，提供了一种训练神经网络的方法、图像处理方法及装置。该方法涉及人工智能领域，具体涉及计算机视觉领域，该方法包括：获取训练图像的输入特征图；使用神经网络的特征提取核，对所述输入特征图进行特征提取处理，得到第一候选特征图；将所述第一候选特征图与第二候选特征图相加，得到输出特征图，所述第二候选特征图为所述输入特征图中的每个元素对应的数值扩大N倍后得到的特征图，N大于0；根据所述输出特征图确定所述训练图像的图像处理结果；根据所述图像处理结果，调整所述神经网络的参数，该方法可以在不影响图像处理效果的同时，有效降低神经网络模型的能耗。

技术领域

本申请涉及人工智能领域，并且更具体地，涉及一种训练神经网络的方法、图像处理方法及装置。

背景技术

计算机视觉是各个应用领域，如制造业、检验、文档分析、医疗诊断，和军事等领域中各种智能/自主系统中不可分割的一部分，它是一门关于如何运用照相机/摄像机和计算机来获取我们所需的，被拍摄对象的数据与信息的学问。形象地说，就是给计算机安装上眼睛(照相机/摄像机)和大脑(算法)用来代替人眼对目标进行识别、跟踪和测量等，从而使计算机能够感知环境。因为感知可以看作是从感官信号中提取信息，所以计算机视觉也可以看作是研究如何使人工系统从图像或多维数据中“感知”的科学。总的来说，计算机视觉就是用各种成象系统代替视觉器官获取输入信息，再由计算机来代替大脑对这些输入信息完成处理和解释。计算机视觉的最终研究目标就是使计算机能像人那样通过视觉观察和理解世界，具有自主适应环境的能力。

图像复原(image restoration，IR)是底层视觉任务中的重要问题，随着人工智能技术的快速发展，图像复原的效果得到了大幅提高，也使得图像复原在计算机视觉领域的应用越来越广泛。但是，随着图像复原效果的提升，进行图像复原的神经网络模型的计算量也越来越大。

因此，如何降低图像复原的运算开销成为一个亟需解决的问题。

发明内容

本申请提供一种训练神经网络的方法、图像处理方法及装置，能够降低图像复原的运算开销。

第一方面，提供了一种训练神经网络的方法，该方法包括：

获取训练图像的输入特征图；使用神经网络的特征提取核，对所述输入特征图进行特征提取处理，得到第一候选特征图，所述特征提取处理使得所述第一候选特征图中的每个元素为所述特征提取核与所述输入特征图中对应位置的数据的L1正则距离；将所述第一候选特征图与第二候选特征图相加，得到输出特征图，所述第二候选特征图为所述输入特征图中的每个元素对应的数值扩大N倍后得到的特征图，N大于0；根据所述输出特征图确定所述训练图像的图像处理结果；根据所述图像处理结果，调整所述神经网络的参数。

上述特征提取处理可以理解为加法神经网络(adder neural networks，AdderNet)中的加法滤波处理(或者，也可以称为特征提取处理)，加法滤波处理本身的特点(加法滤波处理主要包括加法运算或减法运算、以及取绝对值运算)会降低神经网络模型的计算量，但也正是由于加法滤波处理的这些特点，可能会导致在特征提取处理(即加法滤波处理)的过程中损失输入特征图的特征信息。

在本申请实施例中，所述第二候选特征图为所述输入特征图中的每个元素扩大N倍后得到的特征图，将所述第一候选特征图与第二候选特征图相加后得到输出特征图，所述输出特征图包含所述输入特征图的特征信息，因此，可以避免在使用加法神经网络进行特征提取的过程中损失输入特征图的特征信息，从而可以在不影响图像处理效果的同时，有效降低神经网络模型的能耗。

可选地，所述L1正则距离也可以称为L1距离、L1范数距离、曼哈顿距离或出租车距离。

其中，所述第二候选特征图可以认为是：所述输入特征图中的每个元素对应的数值扩大N倍后得到的特征图。