[发明专利]图像处理方法、装置及存储介质

权利要求书

1.一种图像处理方法，其特征在于，所述方法包括：

将待处理图像输入到神经网络模型；

经所述神经网络模型输出所述待处理图像的图像特征；

其中，所述神经网络模型包括至少两个中间层，每个中间层包括多个神经元，所述神经网络模型为：基于初始神经网络模型中神经元的保留概率，对所述初始神经网络模型进行剪枝处理得到的，所述初始神经网络模型中神经元的保留概率是基于预设的统计模型获取的。

2.根据权利要求1所述的方法，其特征在于，在将待处理图像输入到神经网络模型之前，所述方法还包括：

基于初始神经网络模型中神经元的保留概率，获取待训练的神经网络模型；

对所述待训练的神经网络模型进行训练，得到所述神经网络模型。

3.根据权利要求2所述的方法，其特征在于，所述预设的统计模型为马尔科夫模型，在所述基于初始神经网络模型中神经元的保留概率，获取待训练的神经网络模型之前，还包括：

根据所述马尔科夫模型，获取初始神经网络模型中神经元的保留概率；

其中，所述马尔科夫模型任一层中第k个神经元的转移概率P_k用于表征前k-1个神经元保留的前提下，第k个神经元保留的概率，k为大于或等于1的整数。

4.根据权利要求3所述的方法，其特征在于，所述马尔科夫模型是通过N次迭代训练获取的，N为大于或等于1的整数，其中，在第M次迭代训练中，M为大于或等于1且小于或等于N的整数，还包括：

在第M次迭代过程中，对第M-1个初始神经网络模型基于第M-1个马尔科夫模型进行剪枝处理，获取第M-1个初始神经网络模型的子网络模型；

在第M次迭代过程中，训练所述第M-1个初始神经网络模型的子网络模型并获取第一损失函数，将所述第一损失函数所确定的第一梯度回传至所述第M-1个初始神经网络模型更新对应的神经元，得到第M个初始神经网络模型；所述第一损失函数用于表征所述第M-1个初始神经网络模型的子网络模型的精度；

在第M次迭代过程中，向所述第M个初始神经网络模型输入样本图像，将所述第M个初始神经网络模型每个神经元的输出结果，与所述第M-1个马尔科夫模型中对应神经元的保留概率相乘；

在第M次迭代过程中，获取所述第M个初始神经网络模型的第二损失函数；所述第二损失函数用于表征所述第M个初始神经网络模型的精度和/或计算量；

在第M次迭代过程中，将根据所述第二损失函数所确定的第二梯度回传至所述第M-1个马尔科夫模型，得到第M个马尔科夫模型。

5.根据权利要求2所述的方法，其特征在于，在所述对所述待训练的神经网络模型进行训练，得到所述神经网络模型之前，还包括：

对所述待训练的神经网络模型中神经元的参数做随机化处理。

6.根据权利要求1至5任一项所述的方法，其特征在于，

所述神经网络模型为：基于初始神经网络模型中任一个中间层的神经元的保留概率，或者，多个中间层的神经元的保留概率，对所述初始神经网络模型进行剪枝处理得到的。

7.根据权利要求1至5任一项所述的图像处理方法，其特征在于，在所述经所述神经网络模型输出所述待处理图像的图像特征之后，所述方法还包括：

根据得到的所述图像特征进行以下至少之一处理：行人检索、人脸识别、人脸位置检测、人脸关键点检测、人体位置检测、人体动作检测、人体关键点检测、手势识别、手位置检测、行人识别、车辆识别、场景识别以及活体检测。

8.一种图像处理装置，其特征在于，所述装置包括：

输入模块，用于将待处理图像输入到神经网络模型；

输出模块，用于经所述神经网络模型输出所述待处理图像的图像特征；

其中，所述神经网络模型包括至少两个中间层，每个中间层包括多个神经元，所述神经网络模型为：基于初始神经网络模型中神经元的保留概率，对所述初始神经网络模型进行剪枝处理得到的，所述初始神经网络模型中神经元的保留概率是基于预设的统计模型获取的。