[发明专利]虚拟桌面处理方法、轻量化网络模型的训练方法及其装置

权利要求书

1.一种虚拟桌面处理方法，其特征在于，应用于虚拟桌面的编码端，包括：

获取待编码的屏幕图像，处理所述屏幕图像获得多个图像块；

将所述多个图像块输入轻量化网络模型，以确定各个图像块为文字图像块或非文字图像块；所述轻量化网络模型为对二分类神经网络模型进行模型压缩和目标模型训练得到的；所述目标模型训练为基于包括文字图像、非文字图像以及对应的图像分类标签的训练样本集进行的模型训练，所述图像分类标签包括文字图像标签以及非文字图像标签；

对确定出的文字图像块和非文字图像块分别执行差异化编码，获得编码码流；

将所述编码码流发送至所述虚拟桌面的解码端。

2.根据权利要求1所述的虚拟桌面处理方法，其特征在于，所述处理所述屏幕图像获得多个图像块包括：

基于预设图像分割算法根据所述屏幕图像中图像像素的灰度变化信息，确定所述屏幕图像中图像块的切分边界；

根据所述切分边界对所述屏幕图像进行定长切分，得到多个图像块。

3.根据权利要求1所述的虚拟桌面处理方法，其特征在于，所述轻量化网络模型为，对所述二分类神经网络模型进行模型压缩后再进行目标模型训练得到，或对所述二分类神经网络模型进行目标模型训练后再进行模型压缩得到。

4.根据权利要求1所述的虚拟桌面处理方法，其特征在于，所述对确定出的文字图像块和非文字图像块分别执行差异化编码包括：

对确定出的文字图像块，根据图像无损压缩算法进行图像编码；

对确定出的非文字图像块，根据图像有损压缩算法进行图像编码。

5.一种轻量化网络模型的训练方法，其特征在于，包括：

获取二分类神经网络模型以及训练样本集，所述训练样本集包括文字图像、非文字图像以及对应的图像分类标签，所述图像分类标签包括文字图像标签以及非文字图像标签；

对所述二分类神经网络模型进行模型压缩和目标模型训练，获得轻量化网络模型，所述目标模型训练为基于所述训练样本集进行的模型训练。

6.根据权利要求5所述的训练方法，其特征在于，所述对所述二分类神经网络模型进行模型压缩和目标模型训练，获得轻量化网络模型包括：

将所述二分类神经网络模型进行模型压缩，得到第一轻量化网络模型；

使用所述训练样本集训练所述第一轻量化网络模型，得到所述轻量化网络模型。

7.根据权利要求5所述的训练方法，其特征在于，所述对所述二分类神经网络模型进行模型压缩和目标模型训练，获得轻量化网络模型包括：

使用所述训练样本集训练所述二分类神经网络模型，得到训练完的第一网络模型；

将所述第一网络模型进行模型压缩，得到所述轻量化网络模型。

8.根据权利要求5所述的训练方法，其特征在于，所述二分类神经网络模型为卷积神经网络模型；

对所述二分类神经网络模型进行目标模型训练包括：

将所述训练样本集输入所述卷积神经网络模型，以使所述卷积神经网络模型学习所述文字图像的图像特征向量，将所述文字图像的图像特征向量关联所述文字图像标签，并学习所述非文字图像的图像特征向量，将所述非文字图像的图像特征向量关联所述非文字图像标签，以训练所述卷积神经网络模型。

9.一种虚拟桌面的编码端，其特征在于，包括：

获取单元，获取待编码的屏幕图像，处理所述屏幕图像获得多个图像块；

输入单元，用于将所述多个图像块输入轻量化网络模型，以确定各个图像块为文字图像块或非文字图像块；所述轻量化网络模型为对二分类神经网络模型进行模型压缩和目标模型训练得到的；所述目标模型训练为基于包括文字图像、非文字图像以及对应的图像分类标签的训练样本集进行的模型训练，所述图像分类标签包括文字图像标签以及非文字图像标签；

编码单元，用于对确定出的文字图像块和非文字图像块分别执行差异化编码，获得编码码流；

发送单元，用于将所述编码码流发送至所述虚拟桌面的解码端。