[发明专利]图像处理方法、装置及存储介质

说明书

本发明实施例提供一种图像处理方法、装置及存储介质，该方法将待处理图像输入到神经网络模型，经神经网络模型输出待处理图像的图像特征。其中，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，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，对初始神经网络模型进行剪枝处理得到的，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。由于神经元的保留概率是根据预设的统计模型训练得到的，基于预设的统计模型所确定的神经元的保留概率，可以在预设的计算量要求下对初始神经网络模型进行剪枝，并且获取的神经网络模型能够保证模型的精度。

技术领域

本发明实施例涉及图像处理技术领域，尤其涉及一种图像处理方法、装置及存储介质。

背景技术

近年来，在人脸识别、物体检测等应用中，通常需要依靠神经网络模型提取待处理图像的图像特征，以进一步根据待处理图像的图像特征进行人脸识别、物体检测等。为了保证人脸识别、物体检测等应用的精度，神经网络模型通常需要向更深的方向发展，即增大神经网络模型的层数和神经元数。然而神经网络模型的层数越多、神经元数越多，神经网络模型的计算量就越大。在实际应用中，受限于处理器、内存的性能限制以及应用的实时性要求，不仅要保证神经网络模型的精度，还需要限制神经网络模型的计算量。

在一些情况下，需要通过模型剪枝的方式减小神经网络模型的神经元数，现有技术中，通常采用阈值的方式对神经网络模型中影响精度较小的神经元进行剪枝，但现有技术的方式难以在控制计算量的前提下，同时保证剪枝后的神经网络模型的精度。

发明内容

本发明实施例提供一种图像处理方法、装置及存储介质，以克服现有技术难以在控制计算量的前提下，同时保证剪枝后的神经网络模型的精度的问题。

第一方面，本发明实施例提供一种图像处理方法，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。

可选地，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。

可选地，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。

可选地，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；