[发明专利]图像处理方法及装置

说明书

本发明提供了图像处理方法及装置。其中图像处理方法，包括：图像获取步骤，获取图像；特征提取步骤，根据特征提取方法，提取所述图像的图像特征；图像识别步骤，根据所述图像特征进行图像识别；其中，所述特征提取方法包括：获取特征图步骤，并通过第一尺寸调整步骤、第一卷积步骤、第二尺寸调整步骤对特征图的张量进行变形和卷积，再通过第三尺寸调整步骤、第二卷积步骤、第四尺寸调整步骤进一步对张量进行变形和卷积，最终通过特征提取步骤，得到特征图的特征。本发明提供的图像处理方法及装置通过在卷积神经网络卷积层中，对张量进行变形和组合，降低了卷积计算量，提高了运行效率。

技术领域

本发明一般地涉及图像识别领域，具体涉及一种图像处理方法及装置。

背景技术

随着计算机技术的发展，越来越多的场景需要通过计算机技术来进行如目标检测、目标识别等图像处理工作。其中卷积神经网络（CNN）模型是现代深度视觉识别系统的核心。然而由于卷积网络通常包含巨大的计算量，因此为了将模型应用到移动设备等低功耗场景就必须对其进行化简。在众多的化简策略中，深度可分离卷积(depthwise separableconvolution)是常用的技术之一，它是通过将卷积层分解成深度卷积（depthwiseconvolution）和点卷积(pointwise convolution)的组合，降低模型的计算量。

目前的高效模型结构仍然存在以下问题：1）深度卷积理论上的计算量和参数量很低，但是实际运行中由于其低计算密度的特性导致整体效率并不高；2）组卷积（groupconvolution）作为一种降低计算量参数量的方法，同样由于计算密度低以及高计算碎片的特点，也往往在实际中难以难以达到理想的效率；3）另一些结构中由于存在一些难以优化的操作，比如张量维度重构（dimension shuffle / transpose），成为阻碍算法部署在硬件后实现快速运算的瓶颈。

发明内容

为了解决现有技术中存在的上述问题，本发明的第一方面提供一种特征提取方法，包括：获取特征图步骤，获取特征图，特征图的参数包括特征图批次数量、特征图通道数量、特征图高度以及特征图宽度；第一尺寸调整步骤，将特征图通道数量缩小第一倍数，并将特征图批次数量增大第一倍数，得到第一张量，其中第一倍数为可整除特征图通道数量的正整数；第一卷积步骤，对第一张量进行第一卷积操作，得到第二张量；第二尺寸调整步骤，将第二张量的通道数量增大第一倍数，并将第二张量的批次数量缩小第一倍数，得到第三张量；第三尺寸调整步骤，将第三张量的通道数量缩小第二倍数，并将第三张量的高度或宽度增大第二倍数，得到第四张量，其中第二倍数为可整除第三张量的通道数量的正整数；第二卷积步骤，对第四张量进行第二卷积操作，得到第五张量；第四尺寸调整步骤，将第五张量的通道数量增大第二倍数，并将第五张量的高度或宽度缩小第二倍数，得到第六张量；特征提取步骤，基于第六张量，得到特征图的特征。

在一例中，第一卷积操作采用m*m卷积核进行卷积，其中m≥3。

在一例中，第二卷积操作采用点卷积。

在一例中，第二张量的通道数量为第一张量的通道数量的第三倍数，其中第三倍数为正整数；第五张量的通道数量相比于第四张量的通道数量缩小第三倍数。

在一例中，第一卷积操作共享权重。

在一例中，第二卷积操作共享权重。

本发明的第二方面提供一种图像处理方法，包括：图像获取步骤，获取图像；特征提取步骤，根据如第一方面的特征提取方法，提取图像的图像特征；图像识别步骤，根据图像特征进行图像识别。