图像处理方法、装置、设备及存储介质制造方法及图纸

本申请实施例公开了一种图像处理方法、装置、设备及存储介质，属于图像处理技术领域。该方法应用于电子设备中，电子设备能够用于运行神经网络模型，神经网络模型包括卷积层和归一化层，归一化层位于卷积层之后，该方法包括：在对神经网络模型进行训练的过程中，确定归一化层的上一层所输出的多个第一特征图的通道数，多个第一特征图至少由卷积层经过卷积处理；基于通道数和多个第一特征图，确定多组第一数值，每组第一数值包括多个第一特征图在至少两个通道上的像素值，且各个组包括的通道互不相同；基于多组第一数值，对多个第一特征图进行归一化处理。本申请实施例可以保证归一化处理的数据统计量，使得精度较高，从而保证了图像处理效果。

【技术实现步骤摘要】
图像处理方法、装置、设备及存储介质
本申请实施例涉及图像处理
，尤其涉及一种图像处理方法、装置、设备及存储介质。
技术介绍
目前，神经网络模型在图像处理
得到广泛应用，譬如，可以用于图像识别或图像检测等。神经网络模型中通常包括有卷积层、池化层、归一化层等，其中，归一化层可以用于对特征图进行归一化处理。在相关技术中，归一化层大多数采用批归一化处理方式。然而，批归一化处理对批量的大小比较敏感，当批量较小，如输入的特征图的数量较少时，均值和方差的统计不够准确，使得精度较低，从而导致图像处理效果较差。
技术实现思路
本申请实施例提供了一种图像处理方法、装置、设备及存储介质，可以解决相关技术的统计不够准确导致图像处理效果较差的问题。所述技术方案如下：一方面，提供了一种图像处理方法，应用于电子设备中，所述电子设备能够用于运行神经网络模型，所述神经网络模型包括卷积层和归一化层，所述归一化层位于所述卷积层之后，所述方法包括：在对所述神经网络模型进行训练的过程中，确定所述归一化层的上一层所输出的多个第一特征本文档来自技高网...

【技术保护点】
1.一种图像处理方法，其特征在于，应用于电子设备中，所述电子设备能够用于运行神经网络模型，所述神经网络模型包括卷积层和归一化层，所述归一化层位于所述卷积层之后，所述方法包括：/n在对所述神经网络模型进行训练的过程中，确定所述归一化层的上一层所输出的多个第一特征图的通道数，所述多个第一特征图至少由所述卷积层经过卷积处理；/n基于所述通道数和所述多个第一特征图，确定多组第一数值，每组第一数值包括所述多个第一特征图在至少两个通道上的像素值，且各个组包括的通道互不相同；/n基于所述多组第一数值，对所述多个第一特征图进行归一化处理，得到归一化后的目标特征图。/n

【技术特征摘要】
1.一种图像处理方法，其特征在于，应用于电子设备中，所述电子设备能够用于运行神经网络模型，所述神经网络模型包括卷积层和归一化层，所述归一化层位于所述卷积层之后，所述方法包括：
在对所述神经网络模型进行训练的过程中，确定所述归一化层的上一层所输出的多个第一特征图的通道数，所述多个第一特征图至少由所述卷积层经过卷积处理；
基于所述通道数和所述多个第一特征图，确定多组第一数值，每组第一数值包括所述多个第一特征图在至少两个通道上的像素值，且各个组包括的通道互不相同；
基于所述多组第一数值，对所述多个第一特征图进行归一化处理，得到归一化后的目标特征图。


2.如权利要求1所述的方法，其特征在于，所述基于所述通道数和所述多个第一特征图，确定多组第一数值，包括：
获取第一数值，所述第一数值为所述通道数与超参数阈值之商；
按照预设规则，将所述多个第一特征图在所述通道数个通道上的像素值划分为所述超参数阈值个组，得到所述多组第一数值，其中，每组第一数值包括所述多个第一特征图在所述第一数值个通道上的像素值。


3.如权利要求1所述的方法，其特征在于，所述基于所述多组第一数值，对所述多个第一特征图进行归一化处理，包括：
确定所述多组中的每组第一数值的数值均值和方差；
基于每组第一数值的数值均值和方差，对每组中的各个第一数值进行归一化处理，得到每组的归一化数值；
将所述多组的归一化数值对应的特征图确定为所述归一化处理后的目标特征图。


4.如权利要求3所述的方法，其特征在于，所述方法还包括：
在基于训练后的神经网络模型进行图像处理的过程中，按照预设规则，对所述归一化层的上一层所输出的多个第二特征图在所述通道数个通道上的像素值进行分组，得到多组第二数值；
获取所述多组第二数值中每组第二数值对应的数值均值和方差，其中，每组第二数值对应的数值均值和方差是在训练过程中确定的；
基于所述多组第二数值中每组第二数值对应的数值均值和方差，对所述多个第二特征图进行归一...

【专利技术属性】
技术研发人员：石大虎，谭文明，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：浙江;33