[发明专利]图像处理方法、电子装置及芯片

权利要求书

1.一种图像处理方法，其特征在于，所述方法包括：

构建神经网络模型；其中，所述神经网络模型包括骨架网络和特征融合网络；

基于预设骨架网络搜索空间和预设特征融合网络搜索空间，对所述神经网络模型进行交替式可微分架构搜索训练，获得图像处理模型；

利用所述图像处理模型对待处理图像进行图像处理。

2.根据权利要求1所述的方法，其特征在于，所述图像处理模型还包括分割网络，所述对所述神经网络模型进行交替式可微分架构搜索训练，包括：

基于预设骨架网络结构在所述预设骨架网络搜索空间中进行可微分架构搜索训练，获得目标骨架网络；

在所述分割网络和所述目标骨架网络的基础上，利用所述预设特征融合网络搜索空间进行可微分架构搜索训练，确定目标特征融合网络，以完成所述交替式可微分架构搜索训练。

3.根据权利要求2所述的方法，其特征在于，所述基于预设骨架网络结构在所述预设骨架网络搜索空间中进行可微分架构搜索训练，获得目标骨架网络，包括：

基于预设骨架网络结构在所述预设骨架网络搜索空间中进行可微分架构搜索训练，获得骨架网络的模型参数；

根据所述预设骨架网络结构和所述骨架网络的模型参数确定所述目标骨架网络。

4.根据权利要求2所述的方法，其特征在于，所述利用所述预设特征融合网络搜索空间进行可微分架构搜索训练，确定目标特征融合网络，包括：

基于所述预设特征融合网络搜索空间进行可微分架构搜索训练，获得所述特征融合网络的模型参数和多尺度特征图的拓扑结构；

根据所述特征融合网络的模型参数和所述多尺度特征图的拓扑结构确定所述目标特征融合网络。

5.根据权利要求2-4任一项所述的方法，其特征在于，所述方法还包括：

基于训练数据集进行所述交替式可微分架构搜索训练，获得损失函数；其中，所述损失函数包括硬件反馈损失函数；所述硬件反馈损失函数用于衡量硬件响应的速度；

根据所述损失函数进行反向传播更新处理，以确定所述图像处理模型。

6.根据权利要求5所述的方法，其特征在于，所述基于训练数据集进行所述交替式可微分架构搜索训练，获得损失函数，包括：

使用所述骨架网络对训练数据集中的原始图像进行下采样处理，获得多个不同尺度的第一特征图；

使用所述特征融合网络对所述多个不同尺度的第一特征图进行特征融合处理，获得第二特征图；

将所述第二特征图输入所述分割网络，获得第三特征图，并根据所述第三特征图确定所述损失函数。

7.根据权利要求6所述的方法，其特征在于，所述分割网络包括实例分支和掩码分支；所述将所述第二特征图输入所述分割网络，获得第三特征图，并根据所述第三特征图确定所述损失函数，包括：

将所述第二特征图输入至所述实例分支的卷积层，确定第一实例激活图，并基于所述第一实例激活图确定矩阵掩码、实例类别以及类别置信度；

将所述第二特征图输入至所述掩码分支的卷积层，确定第一掩码特征；

根据所述矩阵掩码和所述第一掩码特征确定所述第三特征图；

根据所述第三特征图、所述实例类别以及所述类别置信度确定所述损失函数。

8.根据权利要求7所述的方法，其特征在于，所述根据所述第三特征图、所述实例类别以及所述类别置信度确定所述损失函数，包括：

基于所述第三特征图、所述实例类别以及所述类别置信度进行二分图匹配，确定所述损失函数。

9.根据权利要求5所述的方法，其特征在于，所述损失函数还包括聚焦损失函数，掩码损失函数以及感知对象的二值交叉熵损失函数。