[发明专利]基于深度残差网络的去网格方法、装置、设备及存储介质

权利要求书

1.一种基于深度残差网络的去网格方法，其特征在于，所述去网格方法采用基于深度残差的全卷积网络作为基础网络，所述去网格方法包括：

采用训练图像集训练所述基础网络，得到训练好的基础网络；

利用所述训练好的基础网络对待去除网格的图像进行去网格处理，得到去网格的图像；

所述基础网络为在全卷积网络的基础上添加扩展卷积的元网络，所述基础网络包括一系列的元网络，每相邻两个元网络之间经残差做一次直连；

所述元网络包括第一网络架构、第二网络架构，任一所述元网络为前述两种网络架构之一，所述第一网络架构包括依次连接的第一卷积层、第一relu非线性层、第二卷积层、第二relu非线性层，所述第一卷积层为I＝2的2-dilated 3x3卷积，所述第二卷积层为3x3卷积层；

所述第二网络架构包括依次连接的混合卷积层、用于将所述混合卷积层的输出关联的concate层及第三relu非线性层，其中，所述混合卷积层由第三卷积层和第四卷积层按一定的比例组成，所述第三卷积层为I＝2的2-dilated 3x3卷积，所述第四卷积层为3x3卷积层，所述第三卷积层与所述第四卷积层的比例为dilate_ratio，dilate_ratio的取值范围为[0,0.5]；

所述元网络在浅层使用第一网络架构，在深层的网络使用第二网络架构，且越深层使用的dilate conv3x3比例越小；

在输入待去除网格的图像之前，所述去网格方法还包括：

对待去除网格的图像进行预处理，使得预处理后的图像尺寸符合预设尺寸要求，基础网络的输入图像大小为224x224，采用补黑边的方式将图像大小扩张到224x224，预处理后的图像中对应人脸位置标记为MASK矩阵；

所述采用训练图像集训练所述基础网络，得到训练好的基础网络的步骤中引入惩罚函数，所述惩罚函数为网络重构得到的预设尺寸的网格图像与对应的符合所述预设尺寸要求的原始图像上每个像素相减得到的欧拉距离乘上所述原始图像上人脸区域对应的MASK矩阵。

2.一种基于深度残差网络的去网格装置，用于执行如权利要求1所述的去网格方法，其特征在于，包括：

基础网络单元，所述基础网络单元采用基于深度残差的全卷积网络作为基础网络；

训练单元，用于采用训练图像集训练所述基础网络，得到训练好的基础网络；

去网格单元，用于利用所述训练好的基础网络对待去除网格的图像进行去网格处理，得到去网格的图像；

所述基础网络为在全卷积网络的基础上添加扩展卷积的元网络，所述基础网络包括一系列的元网络，每相邻两个元网络之间经残差做一次直连；

所述元网络包括第一网络架构、第二网络架构，任一所述元网络为前述两种网络架构之一，所述第一网络架构包括依次连接的第一卷积层、第一relu非线性层、第二卷积层、第二relu非线性层，所述第一卷积层为I＝2的2-dilated 3x3卷积，所述第二卷积层为3x3卷积层；

所述第二网络架构包括依次连接的混合卷积层、用于将所述混合卷积层的输出关联的concate层及第三relu非线性层，其中，所述混合卷积层由第三卷积层和第四卷积层按一定的比例组成，所述第三卷积层为I＝2的2-dilated 3x3卷积，所述第四卷积层为3x3卷积层，所述第三卷积层与所述第四卷积层的比例为dilate_ratio，dilate_ratio的取值范围为[0,0.5]；

所述元网络在浅层使用第一网络架构，在深层的网络使用第二网络架构，且越深层使用的dilate conv3x3比例越小；

在输入待去除网格的图像之前，还需对待去除网格的图像进行预处理，使得预处理后的图像尺寸符合预设尺寸要求，基础网络的输入图像大小为224x224，采用补黑边的方式将图像大小扩张到224x224，预处理后的图像中对应人脸位置标记为MASK矩阵；

所述训练单元引入惩罚函数，所述惩罚函数为网络重构得到的预设尺寸的网格图像与对应的符合所述预设尺寸要求的原始图像上每个像素相减得到的欧拉距离乘上所述原始图像上人脸区域对应的MASK矩阵。

3.一种基于深度残差网络的去网格设备，包括处理器，所述处理器用于运行程序，其特征在于，所述程序运行时执行如权利要求1所述的基于深度残差网络的去网格方法。

4.一种存储介质，所述存储介质包括存储的程序，其特征在于，所述程序运行时控制所述存储介质所在的设备执行如权利要求1所述的基于深度残差网络的去网格方法。