[发明专利]图像处理网络的构建方法、装置、设备及介质

说明书

本发明实施例提供了一种图像处理网络的构建网络的构建方法、装置、设备及介质，所述方法包括：获得待训练网络，所述待训练网络包括主干网络分支和蒸馏分支，所述主干网络分支包括编码分支和与所述编码分支串联的解码分支；其中，所述解码分支的每一层与所述蒸馏分支的每一层串联，所述蒸馏分支和所述解码分支的同一层输入的特征融合后得到的融合特征，作为所述蒸馏分支的该层的输入；利用样本图像对所述待训练网络进行训练；在满足训练结束条件时，将训练结束时得到的网络中的主干网络分支确定为目标图像处理网络。

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网络的构建方法、装置、设备及介质。

背景技术

图像处理是计算机视觉中的一项核心技术。随着深度学习的普及，图像处理在无人驾驶，机器人导航，手机图像编辑等都有着重要的作用。图像处理技术是指从任意一张图像中得到每个像素点的类别，从而将图像中的每个物体像素级分割出来。一般而言，图像处理中主要的两个因素是分类表达能力，以及空间表达能力。

相关技术中，可以利用神经网络模型获得分类表达能力和空间表达能力，从而实现图像的图像处理。传统的神经网络模型在进行实时图像处理时，要么是通过用小图像或者小模型来减小计算量，要么是通过多分支的结构来获得分类表达能力和空间表达能力。

然而，小图像与小模型的方法会导致分割模型性能下降严重，而多分支的结构不可避免会用到大图与较深的模型，这使得速度很难做到实时，因此，上述两种图像方式均难以实现图像处理的精度和速度之间的平衡。由此，亟待提供一种快速且精度较高的实时图像处理的方法。

发明内容

鉴于上述问题，提出了本发明实施例的一种图像处理网络的构建方法、装置、设备及介质，以便克服上述问题或者至少部分地解决上述问题。

为了解决上述问题，本发明的第一方面，公开了一种图像处理网络的构建方法，所述方法包括：

获得待训练网络，所述待训练网络包括主干网络分支和蒸馏分支，所述主干网络分支包括编码分支和与所述编码分支串联的解码分支，，所述蒸馏分支与所述编码分支串联；其中，所述解码分支的每一层与所述蒸馏分支的每一层串联，所述蒸馏分支和所述解码分支的同一层输入的特征融合后得到的融合特征，作为所述蒸馏分支的该层的输入；

利用样本图像对所述待训练网络进行训练；

在训满足训练结束条件时，将训练结束时得到的网络中的主干网络分支确定为目标图像处理网络。

可选地，利用样本图像对所述待训练网络进行训练，包括：

根据所述解码分支的输出结果、所述蒸馏分支的输出结果以及所述样本图像的标签，确定所述待训练网络的整体损失值；

根据所述待训练网络的整体损失值，对所述待训练网络的各个可学习参数进行更新。

可选地，根据所述解码分支的输出结果、所述蒸馏分支的输出结果以及所述样本图像的标签，确定所述待训练网络的整体损失值，包括：

根据所述解码分支的输出结果及所述样本图像的标签，获得第一损失值，以及，根据所述蒸馏分支的输出结果与所述样本图像的标签，获得第二损失值；

根据所述蒸馏分支的输出结果与所述解码分支的输出结果之间的差异，获得第一蒸馏损失值；

根据所述第一损失值、所述第二损失值、所述第一蒸馏损失值，对所述待训练网络的各个可学习参数进行更新。

可选地，所述方法还包括：

获得所述解码分支的输出结果与所述蒸馏分支的输出结果融合后的融合输出结果；

根据所述融合输出结果与所述解码分支的输出结果之间的差异，获得第二蒸馏损失值；