[发明专利]用于视频图像处理的方法、装置和计算机设备

权利要求书

1.一种用于视频图像处理的方法，其特征在于，所述方法包括：

从神经网络训练设备获取经过预训练的神经网络；

与所述神经网络相关联的权重系数集多维张量被划分为超级块，从与神经网络相关联的多维张量所对应的超级块中，识别至少一个超级块；

对所述至少一个超级块的权重系数进行均一化，其中，所述均一化是将所述至少一个超级块中的一个超级块划分为多个块，并将每个块内的所有权重系数的绝对值设置为相同，同时保持权重系数的原始正/负符号；

基于已均一化的权重系数集，压缩神经网络模型；以及

将压缩后的所述神经网络模型提供给视频处理设备，所述视频处理设备利用所述神经网络模型提取视频图像的特征描述符，并根据所述特征描述符对所述视频图像进行处理。

2.根据权利要求1所述的方法，其特征在于，进一步包括：识别所述至少一个超级块之前，

在所述多维张量所对应的超级块中的每个超级块上计算均一化损失，并且基于所述均一化损失，为所述每个超级块确定最优的均一化结构，所述最优的均一化结构表示具有最小均一化损失的、将超级块划分为多个块的划分方式。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在所述深度神经网络中进行前向计算；

将所述权重系数集中的均一化权重系数的值固定，通过反向传播，更新所述权重系数集中的非固定权重系数。

4.根据权利要求3所述的方法，其特征在于，将所述权重系数集中的均一化权重系数的值固定包括：

将所述权重系数集中被均一化掩码标记的均一化权重系数的值固定，其中，所述均一化掩码中的每个条目指示该条目对应的权重系数是否均一化；其中，通过反向传播，更新所述权重系数集中的非固定权重系数包括：基于所述均一化掩码和通过所述前向计算确定的损失的梯度进行反向传播，更新所述权重系数集中的至少一个非固定权重系数并更新修剪掩码中的对应项。

5.根据权利要求2所述的方法，其特征在于，识别所述至少一个超级块包括：

基于每个超级块的最小均一化损失值，对所有超级块进行排序，根据排序结果，选择所述至少一个超级块，所述至少一个超级块在所有超级块中所占的比率等于给定的均一化比率。

6.根据权利要求5所述的方法，其特征在于，进一步包括：

执行一个迭代过程，所述一个迭代过程通过多次迭代以更新所述权重系数集中未经过均一化的权重系数；

增加所述均一化比率的值，基于所述均一化比率的值更新所述权重系数集，并执行下一次迭代过程。

7.根据权利要求1至3任一项所述的方法，其特征在于，所述压缩神经网络模型包括：通过对所述权重系数集进行量化和熵编码来压缩所述权重系数集。

8.根据权利要求1至3任一项所述的方法，其特征在于，所述已均一化的权重系数集包括具有相同绝对值的至少一个权重系数。

9.一种用于视频图像处理的装置，其特征在于，所述装置包括：

获取模块，用于从神经网络训练设备获取经过预训练的神经网络；

识别模块，用于从与所述神经网络相关联的多维张量所对应的超级块中，识别至少一个超级块，其中，与所述神经网络相关联的多维张量权重系数被划分为超级块；

均一化模块，用于对所述至少一个超级块的权重系数进行均一化，其中，所述均一化是将所述至少一个超级块中的一个超级块划分为多个块，并将每个块内的所有权重系数的绝对值设置为相同，同时保持权重系数的原始正/负符号；

压缩模块，用于基于已均一化的权重系数集，压缩神经网络模型；以及

提供模块，用于将压缩后的所述神经网络模型提供给视频处理设备，所述视频处理设备利用所述神经网络模型提取视频图像的特征描述符，并根据所述特征描述符对所述视频图像进行处理。