[发明专利]分配方法及装置、电子设备和存储介质

说明书

本公开涉及一种分配方法及装置、电子设备和存储介质，其中，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；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；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。本公开实施例实现了基于神经元重要性来对每张特征图进行神经元的分配的目的，使得对每张特征图所分配的神经元更加精确。

本申请是在2019年02月25日提交中国专利局、申请号为201910139007.4、申请名称为“网络模块和分配方法及装置、电子设备和存储介质”的中国专利申请的分案申请。

技术领域

本公开涉及计算机视觉技术领域，尤其涉及一种分配方法及装置、电子设备和存储介质。

背景技术

计算机视觉是人工智能的重要组成部分，而图片分类则是计算机视觉的基础，因此，一个好的分类网络可以作为主干网络来执行支持、分割、追踪等任务。近年来，特征聚合已经成为一种非常有效的视觉识别网络的设计方法。在相关技术中，可以通过连接不同深度的特征图和在网络的同一深度运用不同的卷积核这两种方式来实现多尺度的特征图的引入，以实现特征聚合方法。但是，在采用以上两种方式引入多尺度的特征图时，其对多尺度的特征图的生成和利用较为有限。

发明内容

本公开提出了一种分配方法及装置、电子设备和存储介质。

根据本公开的一方面，提供了一种分配方法，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。

在一种可能的实现方式中，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。

在一种可能的实现方式中，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。