[发明专利]图像处理方法、装置、设备及介质

权利要求书

1.一种图像处理方法，其特征在于，包括：

获得待处理图像；

将所述待处理图像输入目标网络，得到所述目标网络输出的处理结果；

其中，所述目标网络中至少一层的激活函数为可微分激活函数，所述可微分激活函数为初始可微分激活函数经过训练获得的；

所述处理结果为所述待处理图像的分类结果或所述待处理图像包含的物体的识别结果。

2.根据权利要求1所述的方法，其特征在于，所述初始可微分激活函数包含可学习的参数。

3.根据权利要求2所述的方法，其特征在于，所述目标网络的训练步骤如下：

将样本图像输入卷积神经网络，得到所述卷积神经网络输出的处理结果，所述卷积神经网络中至少一层的激活函数为所述初始可微分激活函数，且所述卷积神经网络的参数包括可学习的参数；根据所述卷积神经网络输出的处理结果和标准处理结果之间的残差，更新所述卷积神经网络的参数，直至满足预设的训练结束条件，得到所述目标网络，所述标准处理结果是预先为所述样本图像标注的分类标签或所述样本图像包含的物体的标签。

4.根据权利要求1-3任一所述的方法，其特征在于，所述初始可微分激活函数中的可学习的参数包括使所述初始可微分激活函数一阶导数上下限可调的第一参数，和/或，用于调整所述初始可微分激活函数的平滑可微程度的第二参数。

5.根据权利要求4所述的方法，其特征在于，所述第二参数是像素级的，不同像素点所对应的第二参数的值相互独立；或

所述第二参数是通道级的，同一通道的各个像素点共享第二参数的同一值；或

所述第二参数是层级的，同一层的各个通道的各个像素点共享第二参数的同一值。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述初始可微分激活函数是：

S_β(p₁x,p₂x)＝(p₁-p₂)x·σ[β(p₁-p₂)x]+p₂x；

其中，p₁是使所述初始可微分激活函数一阶导数上限可调的参数，p₂是使所述初始可微分激活函数一阶导数下限可调的参数，β是用于调整所述初始可微分激活函数的平滑可微程度的参数，σ为Sigmoid函数，x表示输入。

7.根据权利要求2-6任一所述的方法，其特征在于，所述卷积神经网络是通过以下步骤构建的：

从原始神经网络中确定至少一个原始激活函数层；

将所述至少一个原始激活函数层替换为可微分激活函数层，得到所述卷积神经网络，所述可微分激活函数层中的激活函数是所述初始可微分激活函数。

8.根据权利要求2-7任一所述的方法，其特征在于，所述卷积神经网络是通过以下步骤构建的：

从原始神经网络中确定多个待处理的原始卷积层，所述多个待处理的原始卷积层中每相邻两个待处理的原始卷积层之间配置有原始激活函数层；

将一组或多组相邻两个待处理的原始卷积层之间所配置的所述原始激活函数层替换为可微分激活函数层，得到所述卷积神经网络，所述可微分激活函数层中的激活函数是所述初始可微分激活函数。

9.根据权利要求2-8任一所述的方法，其特征在于，所述卷积神经网络是通过以下步骤构建的：

从原始神经网络中确定待处理的特征处理层，所述特征处理层的输出端与原始激活函数层的输入端相连，所述特征处理层为残差层或特征拼接层；

将所述特征处理层的输出端连接的所述原始激活函数层替换为所述可微分激活函数层，得到所述卷积神经网络，所述可微分激活函数层中的激活函数是所述初始可微分激活函数。