[发明专利]一种卷积网络模型的获取方法、装置及处理设备

说明书

本披露提供一种卷积网络模型的获取方法、装置及处理设备，该方法包括：分别获取第一预设格式的初始图片和第一预设格式的标注图片；对第一预设格式的初始图片进行缩小处理，得到第二预设格式的初始图片；并将其输入至初始卷积网络模型中，得到第二预设格式的初始图片对应的预测标注图片；计算预测标注图片对应的第一向量和第一预设格式的标注图片对应的第二向量的差异值；根据差异值对初始卷积网络模型进行迭代处理，以调整初始卷积网络模型中参数的权重值，直至调整后的初始卷积网络模型输出的期望标注图片对应的第一向量和第二向量的差异值满足预设条件，在保证图像效果的前提下，提高了卷积网络模型的准确度，且提高了图像的处理效率。

技术领域

本披露涉及图像处理技术领域，尤其涉及一种卷积网络模型的获取方法、装置及处理设备。

背景技术

在大数据时代，越来越多的设备需要对于真实世界的实时输入进行越来越复杂的处理，如工业机器人、自动驾驶无人汽车以及移动设备等等。这些任务大多数偏向于机器学习领域，其中大部分运算为向量运算或者矩阵运算，具有极高的并行度。卷积神经网络作为最常见的神经网络算法之一，在机器学习领域起着重要的作用。

目前卷积神经网络的优化采取的较为常规的方法包括float转int算法和卷积神经网络权重的剪枝算法。float转int是通过用int替代float类型的计算来降低运算是占用的时钟周期，从而达到加速的效果。卷积神经网络权重的剪枝即对训练好的网络参数进行修剪，舍弃那些权重比较小，及对网络结果影响较小的权重。减少参数量，达到加速的效果。

然而，float转int受限于底层的基础硬件运算方式，卷积神经网络权重的剪枝的优化方式，虽然不依赖于底层硬件的运算方式，但过程复杂，且得到的卷积神经网络的准确度不高。

发明内容

本披露提供一种卷积网络模型的获取方法、装置及处理设备，在保证图像效果的前提下，提高了卷积网络模型的准确度，且提高了图像的处理效率。

本披露实施例提供一种卷积网络模型的获取方法，该卷积网络模型的获取方法可以包括：

分别获取第一预设格式的初始图片和所述第一预设格式的标注图片；

对所述第一预设格式的初始图片进行缩小处理，得到第二预设格式的初始图片；

将所述第二预设格式的初始图片输入至初始卷积网络模型中，得到所述第二预设格式的初始图片对应的预测标注图片，所述预测标注图片对应第一向量；

计算所述第一向量和所述第一预设格式的标注图片对应的第二向量的差异值；

根据所述差异值对所述初始卷积网络模型进行迭代处理，以调整所述初始卷积网络模型中参数的权重值，直至所述调整后的初始卷积网络模型输出的期望标注图片对应的第一向量和所述第二向量的差异值满足预设条件。

本披露实施例还提供一种图片分割方法，该图片分割方法可以包括：

接收输入的第一预设格式的待处理图片；

对所述第一预设格式的待处理图片进行缩小处理，得到第二预设格式的待处理图片；

根据卷积网络模型对所述第二预设格式的待处理图片进行分割处理，输出分割处理后的目标标注图片；所述卷积网络模型为上述权利要求1-3任一项所述的调整后的卷积网络模型。

本披露实施例还提供一种卷积网络模型的获取装置，该卷积网络模型的获取装置可以包括：

获取单元，用于分别获取第一预设格式的初始图片和所述第一预设格式的标注图片；

处理单元，用于对所述第一预设格式的初始图片进行缩小处理，得到第二预设格式的初始图片；