[发明专利]分配方法及装置、电子设备和存储介质

权利要求书

1.一种分配方法，其特征在于，用于在图像处理模型中存在多张特征图时，对每张所述特征图分配所通过的神经元，所述方法包括：

根据所述图像处理模型中多个卷积层的神经元的重要性，对所述神经元进行筛选，得到第一结果；

其中，多个卷积层处于所述图像处理模型的同一深度，且

每个卷积层分别用于处理不同尺度的所述特征图；

所述第一结果中包含有多个神经元；

根据所述第一结果中每个神经元的位置属性，统计每个所述神经元所对应的所述特征图的尺度，得到分配关系；

其中，所述位置属性表征每一个神经元所属的卷积层；

所述分配关系，表征每张所述特征图与所述特征图所通过的神经元之间的对应关系；

根据所述分配关系，对每张所述特征图分配所通过的神经元。

2.根据权利要求1所述的方法，其特征在于，所述图像处理模型中包括至少一个网络模块，所述网络模块包括：

依次级联的第一网络层、第二网络层和第三网络层；

其中，所述第一网络层，用于对输入的图像进行处理，得到第一特征图；

所述第二网络层包括多个并行的分支；

每个分支包括第一采样层；

所述第一采样层，用于对所述第一特征图进行下采样，得到第二特征图；

其中，不同所述分支中的所述第一采样层得到的所述第二特征图的尺度不同；

所述第三网络层，用于将每个所述分支输出的特征图数据合并。

3.根据权利要求2所述的方法，其特征在于，在根据所述图像处理模型中多个卷积层的神经元的重要性，对所述神经元进行筛选之前，还包括：

确定各个网络模块中的分支数量，并根据预设的所述网络模块的个数构建所述图像处理模型；

对所述图像处理模型进行训练，得到所述图像处理模型中batchnorm层的scale参数；

其中，所述scale参数表征所述网络模块中各个分支中的卷积层的神经元的重要性。

4.根据权利要求1-3中任意一项所述的方法，其特征在于，所述根据所述图像处理模型中多个卷积层的神经元的重要性，对所述神经元进行筛选，得到第一结果，包括：

根据对所述图像处理模型进行预先训练得到的batchnorm层的scale参数，对多个所述卷积层的神经元进行排序，得到第一序列；

其中，所述第一序列表征多个所述卷积层中的神经元的排列顺序；

根据预设计算量，确定用于处理多张所述特征图的待用神经元数量；

根据确定的所述待用神经元数量，由所述第一序列中依次提取出所需神经元，得到所述第一结果。

5.根据权利要求4所述的方法，其特征在于，在根据所述分配关系，对每张所述特征图分配所通过的神经元后，还包括：

根据所述分配关系，确定所述图像处理模型的第一网络结构；

对所述第一网络结构的图像处理模型进行训练。

6.根据权利要求2所述的方法，其特征在于，所述第一采样层为池化层。

7.根据权利要求6所述的方法，其特征在于，所述池化层为最大池化层。

8.根据权利要求2所述的方法，其特征在于，每个分支还包括与所述第一采样层依次级联的第一卷积层和第二采样层；

所述第一卷积层，用于对所述第二特征图进行卷积操作，得到第三特征图；

所述第二采样层，用于将所述第三特征图的尺度恢复为所述第一特征图的尺度。

9.根据权利要求2、6-8中任意一项所述的方法，其特征在于，所述第二网络层还包括原比例分支；所述原比例分支包括第二卷积层；

所述第二卷积层，用于对所述第一特征图进行卷积操作，并将经过卷积操作得到的特征图数据输入至所述第三网络层；

所述第三网络层，还用于将所述第二网络层中所述多个并行的分支输出的特征图数据和每个所述原比例分支输出的特征图数据合并。