[发明专利]基于动态二值化神经网络的图像处理方法、系统和设备

权利要求书

1.一种基于动态二值化神经网络的图像处理方法，其特征在于，所述方法包括：

对待处理的样本图像进行采集，得到训练图像，将所述训练图像构造成图像分类数据集，从所述图像分类数据集中提取出样本图像的特征分布参数；

构建动态二值化网络模型，所述二值化网络模型包括阈值函数和激活函数；

通过所述动态二值化网络模型对所述特征分布参数进行二值化处理，通过对所述特征分布参数的处理保留所述图像分类数据集中的图像信息；对所述特征分布参数进行二值化处理包括：通过所述阈值函数学习所述特征分布参数通道中的阈值参数；通过所述激活函数学习所述特征分布参数通道中的特征偏移参数。

2.根据权利要求1所述的基于动态二值化神经网络的图像处理方法，其特征在于，所述构建动态二值化网络模型，所述二值化网络模型包括阈值函数和激活函数，包括：

所述阈值函数为动态学习特征阈值参数的DySign函数，对于包含有C个通道的输入特征X，所述DySign函数输入为特征X，输出为阈值参数a；

所述DySign函数为每一个通道的特征单独计算一个阈值,计算过程为：

其中，H及W分别表示输入特征的尺寸大小，与表示两个全连接层。

3.根据权利要求2所述的基于动态二值化神经网络的图像处理方法，其特征在于，所述通过所述阈值函数学习所述特征分布参数通道中的阈值参数，包括：

通过所述DySign函数学习一组参数a^1：C来二值化特征图，学习过程为：

其中a_i表示学习得到的第i个通道的阈值，通过所述DySign函数对每个通道的全局信息进行编码，并自适应得到每一个通道的阈值，通过所述DySign函数降低二值化网络中的信息损失。

4.根据权利要求1所述的基于动态二值化神经网络的图像处理方法，其特征在于，所述通过所述激活函数学习所述特征分布参数通道中的特征偏移参数，包括：

所述激活函数为：

其中，γ_i与表示改变图像分布的偏移参数；

基于对激活函数输入特征自适应学习得到特征偏移参数γ^1：C与通过特征偏移参数γ^1：C与获得预设的特征分布。

5.一种基于动态二值化神经网络的图像处理系统，其特征在于，包括：

图像数据集模块，用于对待处理的样本图像进行采集，得到训练图像，将所述训练图像构成图像分类数据集，从所述图像分类数据集中提取出图像的特征分布参数；

二值化网络模块，用于构建动态二值化网络模型，所述二值化网络模型包括阈值函数和激活函数；

特征处理模块，用于通过所述动态二值化网络模型对所述特征分布参数进行二值化处理，分别通过所述阈值函数和所述激活函数学习所述特征分布参数通道中的阈值参数及特征偏移参数，通过对所述特征分布参数的处理保留所述图像分类数据集中的图像信息。

6.根据权利要求5所述的基于动态二值化神经网络的图像处理系统，其特征在于，所述二值化网络模块包括阈值函数单元，所述阈值函数单元用于对所述阈值函数进行运行，包括：

所述阈值函数为动态学习特征阈值参数的DySign函数，对于包含有C个通道的输入特征X，所述DySign函数为通过输入为特征X，输出为阈值参数a；

所述DySign函数为每一个通道的特征单独计算一个阈值,表示为：

其中，H及W分别表示输入特征的尺寸大小，与表示两个全连接层。