[发明专利]一种图像处理方法及装置、电子设备和存储介质

说明书

本公开涉及一种图像处理方法及装置、电子设备和存储介质，所述方法包括：提取目标图像中的图像特征；在卷积核的通道维度上以及长和宽的维度上，将卷积核划分为多个子卷积核；利用所述多个子卷积核并行地分别对所述图像特征进行卷积处理，得到多个子卷积特征；将所述多个子卷积特征进行特征融合处理，得到卷积特征，所述卷积特征用于表征对所述图像特征的提取结果。本公开实施例可提高图像处理中卷积操作的效率。

技术领域

本公开涉及计算机技术领域，尤其涉及一种图像处理方法及装置、电子设备和存储介质。

背景技术

图形处理器(Graphics Processing Unit，GPU)作为硬件加速器在高性能计算领域得到广泛的应用。特别是近几年，GPU广泛应用在人工智能(AI)领域，特别是深度学习领域。深度学习的训练和推理过程中所要处理的海量数据由GPU来加速处理。

图像的特征可以表征为矩阵的形式，矩阵中的每一个值表征图像中相应位置的像素点，通过对矩阵进行矩阵乘累加操作，可以实现对矩阵的卷积。然而，相关技术中，卷积操作的效率有待提高。

发明内容

本公开提出了一种图像处理技术方案。

根据本公开的一方面，提供了一种图像处理方法，包括：

提取目标图像中的图像特征；

在卷积核的通道维度上以及长和宽的维度上，将卷积核划分为多个子卷积核；

利用所述多个子卷积核并行地分别对所述图像特征进行卷积处理，得到多个子卷积特征；

将所述多个子卷积特征进行特征融合处理，得到卷积特征，所述卷积特征用于表征对所述图像特征的提取结果。

在一种可能的实现方式中，所述利用所述多个子卷积核并行地分别对所述图像特征进行卷积处理，得到多个子卷积特征，包括：

确定各子卷积核在存储空间中的索引位置；

根据所述索引位置，读取各子卷积核中的数据，并行地将读取到的各数据与所述图像特征进行卷积处理，得到多个子卷积特征。

在一种可能的实现方式中，在所述将卷积核划分为多个子卷积核后，所述方法还包括：

根据所述图像特征和各子卷积核确定用于进行矩阵乘运算的第一矩阵和第二矩阵，所述第一矩阵和第二矩阵的通道K维度的尺寸为所述图像特征的通道数乘以所述子卷积核的数量；

在所述K维度上，将所述第一矩阵和第二矩阵划分为多个特征块。

在一种可能的实现方式中，所述利用所述多个子卷积核并行地分别对所述图像特征进行卷积处理，得到多个子卷积特征，包括：

在图形处理器的多个线程块内并行地进行矩阵乘处理，得到第一处理结果，其中，每个所述线程块内进行至少一个矩阵乘处理；

所述将所述多个子卷积特征进行特征融合处理，得到卷积特征，包括：

在所述图形处理器的共享内存中，将单个所述线程块内的各矩阵乘处理得到的第一处理结果进行特征融合，得到各线程块内的第二处理结果，并将所述第二处理结果写入全局存储空间中；

将所述全局存储空间中的各第二处理结果进行特征融合，得到卷积特征。

在一种可能的实现方式中，在所述提取目标图像中的图像特征后，所述方法还包括：

确定单个线程束Warp中能够处理的特征块的多种第一尺寸，并基于所述第一尺寸生成用于进行特征块划分的图形处理器核函数；其中，所述第一尺寸的最大值根据寄存器容量确定，所述第一尺寸的最小值为矩阵乘加运算指令计算的最小矩阵单元的尺寸，所述多种第一尺寸的值为所述最小值的倍数。