[发明专利]图像处理方法、装置及电子设备

说明书

本申请提供一种图像处理方法、装置及电子设备，该方法包括：获取第一权重尺寸，第一权重尺寸为卷积神经网络中卷积核的目标权重尺寸；将第一权重尺寸拆分为M＊N个通道对应的第二权重尺寸，第二权重尺寸为电子设备当前的硬件设施能够支持进行卷积运算的卷积核的权重尺寸；获取相应通道数对应的第一图像数据与第二权重尺寸进行卷积运算，并将所得到的卷积结果累加，得到使用第一权重尺寸对原始图像数据进行卷积运算得到的卷积结果，第一图像数据为原始图像数据中的图像数据，使得能够在不改变硬件设计或者在硬件设计改变较小的情况下，实现在当前设备的卷积神经网络模型中使用任意权重尺寸的卷积核进行卷积运算，提高卷积神经网络输出的图像效果。

技术领域

本申请涉及电子设备技术领域，尤其涉及一种图像处理方法、装置及电子设备。

背景技术

卷积神经网络作为机器学习的重要方法之一，被广泛应用于图像识别、物体跟踪、语音处理等领域，尤其是其对于大型图像的处理有着非常出色的表现，吸引了大量的学者从事研究。

目前，在实际应用场景中，卷积层作为神经网络的重要部分，参与神经网络90％以上的计算操作，卷积核作为卷积层的核心部分，更是在神经网络模型中发挥了巨大的作用。通用的神经网络模型中，各种尺寸卷积核的权重尺寸和步进都存在，从通用的3×3，7×7到11×11，15×15，甚至有可能存在全图大小的权重尺寸，然而，常规硬件设计中，电子设备当前的硬件设施仅能支持一个固定的权重尺寸范围，例如1～15，1～255等等，对于任意尺寸的权重尺寸的支持不足，这样当神经网络模型的卷积核的权重尺寸超出电子设备当前硬件设施能够支持的最大卷积核的权重尺寸时，将会导致图像处理效果较差，无法达到神经网络模型实际要达到的图像处理效果，给硬件的应用造成了限制。

发明内容

本申请实施例提供了一种图像处理方法、装置及电子设备，能够在不改变硬件设计或者在硬件设计改变较小的情况下，实现在当前设备的卷积神经网络模型中使用任意权重尺寸的卷积核进行卷积运算，提高卷积神经网络输出的图像效果。

第一方面，本申请提供一种图像处理方法，应用电子设备，用于对图像进行卷积运算，该图像处理方法包括：获取第一权重尺寸，所述第一权重尺寸为卷积神经网络中卷积核的目标权重尺寸；将所述第一权重尺寸拆分为M＊N个通道对应的第二权重尺寸，所述M＊N为大于1的整数，所述第二权重尺寸为电子设备当前的硬件设施能够支持进行卷积运算的卷积核的权重尺寸；获取相应通道数对应的第一图像数据与所述第二权重尺寸进行卷积运算，并将所得到的卷积结果累加，得到使用所述第一权重尺寸对原始图像数据进行卷积运算得到的卷积结果，所述第一图像数据为所述原始图像数据中的图像数据。

本申请实施例通过将电子设备当前的硬件设施不能够支持进行卷积运算的第一权重尺寸拆分为M＊N个通道对应的第二权重尺寸，并获取该M＊N个通道各自对应的第一图像数据，将其与对应的第二权重尺寸进行卷积运算并累加，以得到使用第一权重尺寸对原始图像数据进行卷积运算得到的卷积结果，使得能够在不改变硬件设计或者在硬件设计改变较小的情况下，实现在当前设备的卷积神经网络模型中使用任意权重尺寸的卷积核进行卷积运算，提高卷积神经网络输出的图像效果，有效解决了由于硬件设计导致卷积神经网络的应用受限的情况。

第二方面，本申请提供一种图像处理装置，包括：第一权重尺寸获取单元，用于获取第一权重尺寸，第一权重尺寸为卷积神经网络中卷积核的目标权重尺寸；权重尺寸拆分单元，用于将所述第一权重尺寸拆分为M＊N个通道对应的第二权重尺寸，所述M＊N为大于1的整数，所述第二权重尺寸为电子设备当前的硬件设施能够支持进行卷积运算的卷积核的权重尺寸；卷积运算单元，用于获取相应通道数对应的第一图像数据与所述第二权重尺寸进行卷积运算，并将所得到的卷积结果累加，得到使用所述第一权重尺寸对原始图像数据进行卷积运算得到的卷积结果，所述第一图像数据为所述原始图像数据中的图像数据。