【技术实现步骤摘要】
基于卷积神经网络模型的图像处理方法和装置
本申请涉及图像处理领域，更具体地，特别涉及一种基于卷积神经网络模型的图像处理方法和装置。
技术介绍
近年来，神经网络特别是卷积神经网络在图像处理、图像识别类应用上取得了巨大的成功。一个典型的卷积神经网络一般多个卷积层、全连接层等组成，从计算角度讲，乘法是主要的瓶颈。从所需的存储空间来看，模型参数存储和传输也需要消耗大量能量。很多研究者都在研究压缩和加速神经网络的方法，即可以使得模型存储空间减小的同时，计算量(即乘法次数)也能大幅减少。其中量化是一种常用的模型压缩和加速方法，特别是将参数量化成2的幂次表示，从而将乘法转化为移位操作。乘法转化为移位操作大大降低了计算的复杂度，能够实现加速的效果。但是在实际应用中，例如，对于图像超分辨率的卷积神经网络，需要考虑在得到较大压缩和加速增益的同时，避免因量化而造成过大的误差，进而影响性能，如影响峰值信噪比(peaksignalnoiseratio，PSNR)。
技术实现思路
本申请提供一种基于卷积神经网络模型的图像处理方法和装置，能够减小量化造成的误差，降低精度损失。第一方面，提供了一种基...
【技术保护点】
1.一种基于卷积神经网络模型的图像处理方法，其特征在于，所述卷积神经网络模型的一个神经网络层包括至少一个卷积层和/或至少一个全连接层，所述方法包括：获取所述神经网络层对应的第一权重参数集，所述第一权重参数集包括N1个第一权重参数，其中，N1为正整数；分别计算所述N1个第一权重参数与第一数值m的比值，以得到N1个第二权重参数，其中|Wmax|≤m≤2|Wmax|，Wmax为所述第一权重参数集中绝对值最大的权重参数；将所述N1个第二权重参数分别量化成至少两个2的Q次方的和，以得到N1个第三权重参数，其中，Q≤0，且Q为整数；获取待处理图像；根据所述N1个第三权重参数对所述待处理...
【技术特征摘要】
1.一种基于卷积神经网络模型的图像处理方法，其特征在于，所述卷积神经网络模型的一个神经网络层包括至少一个卷积层和/或至少一个全连接层，所述方法包括：获取所述神经网络层对应的第一权重参数集，所述第一权重参数集包括N1个第一权重参数，其中，N1为正整数；分别计算所述N1个第一权重参数与第一数值m的比值，以得到N1个第二权重参数，其中|Wmax|≤m≤2|Wmax|，Wmax为所述第一权重参数集中绝对值最大的权重参数；将所述N1个第二权重参数分别量化成至少两个2的Q次方的和，以得到N1个第三权重参数，其中，Q≤0，且Q为整数；获取待处理图像；根据所述N1个第三权重参数对所述待处理图像进行处理，以得到输出图像。2.根据权利要求1所述的方法，其特征在于，所述第一权重参数集还包括N2个第四权重参数，其中，N2为大于或等于1的整数；在所述将所述N1个第二权重参数分别量化成至少两个2的Q次方的和，得到N1个第三权重参数之后，包括：根据所述量化的量化结果，训练所述N2个第四权重参数，以得到N2个第五权重参数；分别计算所述N2个第五权重参数与所述第一数值的比值，得到N2个第六权重参数；将所述N2个第六权重参数分别量化成至少两个2的P次方的和，以得到N2个第七权重参数，其中，P≤0，且P为整数；所述根据所述N1个第三权重参数对所述待处理图像进行处理，以得到输出图像，包括：根据所述N1个第三权重参数和所述N2个第七权重参数，对所述待处理图像进行处理，以得到输出图像。3.根据权利要求2所述的方法，其特征在于，|W1min|≥|W2max|，其中，W1min为所述N1个第一权重参数中绝对值最小的权重参数，W2max为所述N2个第四权重参数中绝对值最大的权重参数。4.根据权利要求1至3中任一项所述的方法，其特征在于，所述第一数值为所述Wmax的绝对值与第二数值c的乘积，所述第二数值c是根据所述N1个第一权重参数和所述N1个第三权重参数之间的误差确定的。5.根据权利要求1至4中任一项所述的方法，其特征在于，在所述将所述N1个第二权重参数分别量化成至少两个2的Q次方的和，以得到N1个第三权重参数之后，所述方法还包括确定权重索引值列表，所述权重索引值列表用于表征所述N1个第三权重参数分别对应的N1个二进制数，以及每个所述第三权重参数的符号位。6.根据权利要求5所述的方法，其特征在于，根据所述N1个第三权重参数对所述待处理图像进行处理，以得到输出图像，包括：根据所述权重索引值列表中的所述N1个二进制数，对所述待处理图像进行移位和加法操作，并将所述待处理图像与所述第一数值m相乘，得到输出图像。7.一种基于卷积神经网络模型的图像处理装置，其特征在于，所述卷...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。