[发明专利]图像处理方法、装置、设备及存储介质

说明书

本公开关于一种图像处理方法、装置、设备及存储介质，应用于终端设备或服务端，该方法包括：获取所述预先训练的卷积神经网络中的目标卷积层的权重数据和输入图像数据；将所述目标卷积层的权重数据和输入图像数据映射至设定阈值区间，分别获得所述权重数据对应的权重量化值和权重伸缩尺度，以及所述输入图像数据对应的图像量化值和图像伸缩尺度；根据所述目标卷积层的权重量化值和所述图像量化值的卷积运算结果，以及所述权重伸缩尺度和图像伸缩尺度，获得所述目标卷积层输出的图像特征数据。本公开可实现仅对神经网络中目标卷积层进行量化处理，减小模型尺寸，提高图像处理速度和量化处理的泛化能力，减小精度损失，进而提高图像处理质量。

技术领域

本公开涉及深度学习技术领域，尤其涉及一种图像处理方法、装置、设备及存储介质。

背景技术

在人工智能高速发展的今天，深度学习技术在越来越多的业务场景中扮演了不可替代的角色。随着模型结构越来越复杂以及移动端的应用场景(边缘计算)越来越多，如何提高神经网络模型的推理速度也受到越来越多的关注。

相关技术中通常采用量化技术对神经网络内全体的卷积进行量化，以提高神经网络模型的推理速度。然而，这种量化方案会导致量化后模型的输出张量分布发生改变，进而导致模型精度损失较大，模型泛化能力差。

发明内容

本公开提供一种图像处理方法、装置及系统，以至少解决相关技术中的上述技术问题。

本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种图像处理方法，利用预先训练的卷积神经网络对输入图像进行特征提取，所述卷积神经网络包括多个卷积层；所述方法包括：

获取所述预先训练的卷积神经网络中的目标卷积层的权重数据和输入图像数据；

将所述目标卷积层的权重数据和输入图像数据映射至设定阈值区间，分别获得所述权重数据对应的权重量化值和权重伸缩尺度，以及所述输入图像数据对应的图像量化值和图像伸缩尺度；

根据所述目标卷积层的权重量化值和所述图像量化值的卷积运算结果，以及所述权重伸缩尺度和图像伸缩尺度，获得所述目标卷积层输出的图像特征数据。

在一实施例中，所述根据所述目标卷积层的权重量化值和所述图像量化值的卷积运算结果，以及所述权重伸缩尺度和图像伸缩尺度，获得所述目标卷积层输出的图像特征数据的步骤，包括：

获得所述权重伸缩尺度、所述图像伸缩尺度与所述卷积运算结果的相乘结果；

对所述相乘结果进行批处理，并将批处理结果与偏移量相加，得到相加结果；

将所述相加结果利用激活函数进行运算，得到所述目标卷积层输出的图像特征数据。

在一实施例中，所述将所述目标卷积层的权重数据和输入图像数据映射至设定阈值区间，分别获得所述权重数据对应的权重量化值和权重伸缩尺度，以及所述输入图像数据对应的图像量化值和图像伸缩尺度的步骤，包括：

确定待映射数据的上限阈值和下限阈值，所述待映射数据包括所述权重数据和/或所述输入图像数据；

基于所述上限阈值和所述下限阈值对所述待映射数据进行量化处理，得到所述权重数据对应的权重量化值和权重伸缩尺度，以及所述输入图像数据对应的图像量化值和图像伸缩尺度。

在一实施例中，所述确定待映射数据的上限阈值和下限阈值的步骤包括：

基于所述待映射数据的数值分布范围确定所述待映射数据的上限阈值和下限阈值。

在一实施例中，所述基于所述上限阈值和所述下限阈值对所述待映射数据进行量化处理，得到所述权重数据对应的权重量化值和权重伸缩尺度，以及所述输入图像数据对应的图像量化值和图像伸缩尺度的步骤，包括：