[发明专利]扩展repvgg结构模型的方法、图像处理方法、装置

权利要求书

1.一种扩展repvgg结构模型的方法，其特征在于，包括步骤S3：

S3：基于可读存储介质，设计深度卷积神经网络：在repvgg结构的基础上，在每个conv旁边增加额外的k个卷积，k个卷积包括conv1,conv2,…,convk，得到扩展结构。

2.根据权利要求1所述的扩展repvgg结构模型的方法，其特征在于，每个卷积convk满足以下条件：conv后面带有bn层，convk后面带有bn层。

3.根据权利要求1或2任一所述的扩展repvgg结构模型的方法，其特征在于，每个卷积convk满足以下条件：convk的每个维度的kernel size都要小于等于conv的该维度的kernelsize。

4.根据权利要求3所述的扩展repvgg结构模型的方法，其特征在于，每个卷积convk满足以下条件：convk的group数要小于等于conv的group数。

5.根据权利要求4所述的扩展repvgg结构模型的方法，其特征在于，每个卷积convk满足以下条件：convk的outputchannel要等于conv的outputchannel。

6.根据权利要求5所述的扩展repvgg结构模型的方法，其特征在于，每个卷积convk满足以下条件：每个卷积convk满足以下条件：convk的output特征图的大小要等于conv的output特征图的大小。

7.根据权利要求6所述的扩展repvgg结构模型的方法，其特征在于，每个卷积convk满足以下条件：convk的每个维度的stride要等于conv的该维度的stride。

8.根据权利要求7所述的扩展repvgg结构模型的方法，其特征在于，包括步骤：

S5：把训练完的模型的每个原始conv和添加的额外conv中有bn层的，根据bn层的权值，把bn层融合到对应的conv权值里去，并去掉bn，得到融合了bn的模型；

S6：在融合了bn的模型中，对每个符合所述扩展结构的原始conv，先根据repvgg的算法，根据该conv的group数，把原始跨层连接当作特殊的特定权值的卷积融入到conv权值里去，然后对于conv的全部额外卷积conv1,conv2,…,convk，把每个额外卷积的权值的全部维度的kernelsize和group扩大成更新的kernelsize和更新的group使得和conv的kernelsize、group一致，权值的新增部分填0；然后把额外卷积扩充后的权值和原始conv的权值相加；最后得到融合完权值的最终模型。

9.一种基于权利要求8所述的扩展repvgg结构模型的方法的图像处理方法，其特征在于，在步骤S3前包括依次执行的步骤S1、S2；在步骤S3后，执行步骤S4；在步骤S6之后，执行步骤S7；其中：

S1，根据问题采集对应图片；

S2，对采集的图片进行标注；

S4，将图片及对应标注信息输入步骤S3设计好的深度卷积神经网络进行训练，得到训练完毕的模型；

S7，利用步骤S6得到的融合完权值的最终模型，进行图像处理。

10.一种基于权利要求1～9中任一所述方法的装置，其特征在于，当所述方法为扩展repvgg结构模型的方法时，包括第一处理器和第一存储器，第一处理器和第一存储器连接，且在第一存储器中存储有第一程序，当第一处理器运行时，利用存储在第一存储器中的第一程序执行权利要求1～8中任一所述扩展repvgg结构模型的方法的步骤；

当所述方法为图像处理方法时，包括第二处理器和第二存储器，第二处理器和第二存储器连接，且在第二存储器中存储有第二程序，当第二处理器运行时，利用存储在第二存储器中的第二程序执行权利要求9中所述图像处理方法的步骤。