[发明专利]用于处理图像的神经网络的生成方法及图像处理方法

说明书

本公开提供了一种用于处理图像的神经网络的生成方法及图像处理方法，其中，神经网络的生成方法包括：获取用于处理图像的初始神经网络，并确定所述初始神经网络中卷积核尺寸为第一尺寸的第一卷积核；基于预设的第二卷积核对所述第一卷积核进行替换，生成与所述初始神经网络对应的稀疏神经网络；其中，所述第二卷积核的尺寸为第二尺寸，所述第二尺寸大于所述第一尺寸；采用图像数据集对所述稀疏神经网络进行训练，获得训练完成的稀疏神经网络中的第三卷积核；将训练完成的所述稀疏神经网络中的所述第三卷积核调整至所述第一尺寸，得到与所述初始神经网络对应的目标神经网络；其中，所述第三卷积核至多包括与所述第一尺寸对应个数的非零值。

技术领域

本公开涉及人工智能技术领域，具体而言，涉及一种用于处理图像的神经网络的生成方法及图像处理方法。

背景技术

深度学习是一种计算密集型的算法，随着处理任务的多样性及复杂度越来越高，对算法准确性及实时性要求不断增高，使得神经网络的规模越来越大，从而需要更多的计算及存储资源的开销，给神经网络的部署带来了压力。

具体的，在图像处理领域，由于最终部署的终端设备往往是智能终端等计算资源较少的设备，因此，如何生成用于处理图像的神经网络成为了该领域内亟待解决的问题。

发明内容

本公开实施例至少提供一种用于处理图像的神经网络的生成方法及图像处理方法。

第一方面，本公开实施例提供了一种用于处理图像的神经网络的生成方法，包括：

获取用于处理图像的初始神经网络，并确定所述初始神经网络中卷积核尺寸为第一尺寸的第一卷积核；

基于预设的第二卷积核对所述第一卷积核进行替换，生成与所述初始神经网络对应的稀疏神经网络；其中，所述第二卷积核的尺寸为第二尺寸，所述第二尺寸大于所述第一尺寸；

采用图像数据集对所述稀疏神经网络进行训练，获得训练完成的稀疏神经网络中的第三卷积核，其中，所述第三卷积核为经过所述训练对所述第二卷积核的权重值调整获得；

将训练完成的所述稀疏神经网络中的所述第三卷积核调整至所述第一尺寸，得到与所述初始神经网络对应的目标神经网络；其中，所述第三卷积核至多包括与所述第一尺寸对应个数的非零值。

这样，使用卷积核尺寸更大的第二卷积核，对初始神经网络的第一卷积核进行替换，构建了具有更大感受野的稀疏神经网络，并通过对所述稀疏神经网络进行训练，为所述稀疏神经网络中的第二卷积核引入零值，使得所述稀疏神经网络能够因为第二卷积核的空间稀疏性带来网络精度的提升；将训练完成的所述稀疏神经网络中的第三卷积核调整至所述第一尺寸，得到与所述初始神经网络对应的目标神经网络，这样，可以将引入空间稀疏性带来的性能优化映射到，与所述初始神经网络相同网络规模的目标神经网络中，从而可以在不改变最终的网络规模的前提下，基于卷积核的空间稀疏性生成性能更优的目标神经网络。

一种可能的实施方式中，所述将训练完成的所述稀疏神经网络中的所述第三卷积核调整至所述第一尺寸，包括：

对所述第三卷积核进行池化操作，以将训练完成的所述稀疏神经网络中的第三卷积核调整至所述第一尺寸。

这样，通过所述最大池化操作可以将稀疏的第三卷积核压缩至与所述初始神经网络的卷积核尺寸相同的大小，有助于在不扩大网络规模的前提下生成目标神经网络。

一种可能的实施方式中，所述初始神经网络包括多个依次连接的结构单元，每个结构单元包括位于首部的第一残差块和位于尾部的第二残差块，每个结构单元内生成的多个特征图的尺寸相同；

其中，所述第一残差块用于对特征图进行压缩，所述第二残差块用于对特征图进行放大。