[发明专利]图像处理方法、模型训练方法及装置、电子设备

说明书

本发明实施例公开了一种图像处理方法、模型训练方法及装置、电子设备。所述图像处理方法基于循环网络实现，所述循环网络包括第一网络和门结构模型，所述方法包括：获取基于第一网络处理后的图像数据；基于所述图像数据和所述门结构模型获得阈值参数；根据所述阈值参数，确定所述图像数据的处理策略。本发明实施例的技术方案能够实现循环网络中第一网络的循环使用，实现了资源的合理利用，避免了资源浪费。

技术领域

本发明涉及深度学习技术领域，具体涉及一种图像处理方法、模型训练方法及装置、电子设备。

背景技术

卷积神经网络的网络结构大多包括主干网络和分支任务网络，主干网络用于提取特征，分支网络通常使用主干网络的特征进行实际任务分类等。主干网络通常使用多个相同结构的神经网络模块组合的方式完成，图像数据会依次不重复的通过这些相同的神经网络模块，这种方式造成了一定的资源浪费。因此，如何解决这种资源浪费的问题，目前尚无有效解决方案。

发明内容

为解决现有存在的技术问题，本发明实施例提供了一种图像处理方法、模型训练方法及装置、电子设备。

为达到上述目的，本发明实施例的技术方案是这样实现的：

本发明实施例提供了一种图像处理方法，所述图像处理方法基于循环网络实现，所述循环网络包括第一网络和门结构模型，所述方法包括：

获取基于第一网络处理后的图像数据；

基于所述图像数据和所述门结构模型获得阈值参数；

根据所述阈值参数，确定所述图像数据的处理策略。

上述方案中，所述循环网络还包括第二网络，所述根据所述阈值参数，确定所述图像数据的处理策略包括：

响应于所述阈值参数为第一预设阈值的情况，则基于所述第一网络处理所述图像数据；

响应于所述阈值参数为第二预设阈值的情况，则采用所述第二网络处理所述图像数据。

上述方案中，在基于所述第一网络处理所述图像数据之前，还包括：

对所述第一网络的参数进行调整，得到更新后的参数，其中，所述参数包括归一化层的均值和方差；

基于所述第一网络采用更新后的参数对所述图像数据进行处理。

上述方案中，所述对所述第一网络的参数进行调整，得到更新后的参数，包括：

将所述第一网络的归一化层的均值与所述图像数据的均值进行加权叠加，得到所述更新后的参数。

上述方案中，所述根据所述图像数据和所述门结构模型获得阈值参数，包括：

对所述图像数据进行全局池化处理，获得池化处理数据；

基于全连接层对所述池化处理数据进行处理，获得处理数据；

通过归一化指数函数对所述处理数据进行处理，获得所述阈值参数。

上述方案中，所述全连接层包括第一连接层和第二连接层，所述基于全连接层对所述池化处理数据进行处理，获得处理数据，包括：

分别基于所述第一全连接层和所述第二全连接层对所述池化处理数据进行处理，获得第一处理数据和第二处理数据。

上述方案中，所述通过归一化指数函数对所述处理数据进行处理，获得所述阈值参数，包括：

通过归一化指数函数分别对所述第一处理数据和第二处理数据进行处理，获得第一概率和第二概率，其中，所述第一概率表示通过所述第一网络处理所述图像数据的概率；所述第二概率表示不通过所述第一网络处理所述图像数据的概率；