基于深度学习的树状处理方法、终端、芯片及存储介质技术

本申请实施例公开了一种基于深度学习的树状处理方法、终端、芯片及存储介质，该生成方法包括：通过目标处理模型中的第一部分计算层提取目标图像的第一特征图；其中，第一部分计算层中包括i个计算层，i为大于0的整数；基于预设分类计算层确定第一特征图对应的处理级别；其中，预设分类计算层为目标处理模型中的第(i+1)个计算层；处理级别用于表征处理的难易程度；按照处理级别在目标处理模型中确定目标计算层；按照目标计算层获得目标图像对应的处理结果。

Tree processing method, terminal, chip and storage medium based on deep learning

【技术实现步骤摘要】
基于深度学习的树状处理方法、终端、芯片及存储介质
本专利技术涉及虚拟现实
，尤其涉及一种基于深度学习的树状处理方法、终端、芯片及存储介质。
技术介绍
分类器是机器学习领域非常重要的一个分支，从早期的提升算法(boost)、支持向量机(SupportVectormachines，SVM)等，到现在的深度残差网络(ResNet)等，深度学习已经成为分类器的主流算法，目前深度学习一般采用卷积层(conv)+池化(pool)的网络结构。在分类器的实际应用过程中，待处理的对象通常会依次通过输入层、卷积层、激活函数、池化层、全连接层等处理，最终获得处理结果。而这种统一化的处理方式，整个流程复杂度较高，因此大大降低了处理效率，同时，处理的精度也受到了限制。
技术实现思路
本申请实施例提供了一种基于深度学习的树状处理方法、终端、芯片及存储介质，能够有效简化处理流程的复杂度，从而可以大大提高处理效率，提升处理准确性。本申请实施例的技术方案是这样实现的：第一方面，本申请实施例提供了一种基于深度学习的树状处理方法，所本文档来自技高网...

【技术保护点】
1.一种基于深度学习的树状处理方法，其特征在于，所述方法包括：/n通过目标处理模型中的第一部分计算层提取目标图像的第一特征图；其中，所述第一部分计算层中包括i个计算层，i为大于0的整数；/n基于预设分类计算层确定所述第一特征图对应的处理级别；其中，所述预设分类计算层为所述目标处理模型中的第(i+1)个计算层；所述处理级别用于表征处理的难易程度；/n按照所述处理级别在所述目标处理模型中确定目标计算层；/n按照所述目标计算层获得所述目标图像对应的处理结果。/n

【技术特征摘要】
1.一种基于深度学习的树状处理方法，其特征在于，所述方法包括：
通过目标处理模型中的第一部分计算层提取目标图像的第一特征图；其中，所述第一部分计算层中包括i个计算层，i为大于0的整数；
基于预设分类计算层确定所述第一特征图对应的处理级别；其中，所述预设分类计算层为所述目标处理模型中的第(i+1)个计算层；所述处理级别用于表征处理的难易程度；
按照所述处理级别在所述目标处理模型中确定目标计算层；
按照所述目标计算层获得所述目标图像对应的处理结果。


2.根据权利要求1所述的方法，其特征在于，所述预设分类计算层为设置在所述第(i+1)个计算层中的至少一个基本分类单元。


3.根据权利要求2所述的方法，其特征在于，当所述目标处理模型用于分类处理时，所述基于预设分类计算层确定所述第一特征图对应的处理级别，包括：
通过所述预设分类计算层对所述第一特征图进行分类难度预测，获得第一预测结果；
基于所述第一预测结果，确定所述处理级别。


4.根据权利要求3所述的方法，其特征在于，所述按照所述处理级别在所述目标处理模型中确定目标计算层，包括：
若所述处理级别为第一难度等级，则将所述目标处理模型中所述第一部分计算层的第一分类计算层确定为所述目标计算层；
若所述处理级别为第二难度等级，则将所述目标处理模型中的第二部分计算层，和所述第二部分计算层的第二分类计算层确定为所述目标计算层；其中，所述第二部分计算层包括多个计算层；
若所述处理级别为第三难度等级，则将所述目标处理模型中的所述第二部分计算层、第三部分计算层，以及所述第三部分计算层的第三分类计算层确定为所述目标计算层；其中，所述第三部分计算层包括多个计算层。


5.根据权利要求4所述的方法，其特征在于，所述按照所述目标计算层获得所述目标图像对应的处理结果，包括：
若所述处理级别为第一难度等级，则使用所述第一分类计算层对所述第一特征图进行分类处理，获得所述处理结果；
若所述处理级别为第二难度等级，则依次使用所述第二部分计算层和所述第二分类计算层对所述第一特征图进行分类处理，获得所述处理结果；
若所述处理级别为第三难度等级，则依次使用所述第二部分计算层、所述第三部分计算层，以及所述第三分类计算层对所述第一特征图进行分类处理，获得所述处理结果。


6.根据权利要求4所述的方法，其特征在于，所述按照所述目标计算层获得所述目标图像对应的处理结果，包括：
当所述处理级别为第n难度等级时，依次使用所述第二部分计算层至第n部分计算层，以及所述第n部分计算层的第n分类计算层对所述第一特征图进行分类处理，获得所述处理结果；其中，n为大于2的整数，n取值越大，分类难度越高。


7.根据权利要求6所述的方法，其特征在于，所述第n分类计算层包括全连接层和Softmax层，所述依次使用所述第二部分计算层至第n部分计算层，以及所述第n部分计算层的第n分类计算层对所述第一特征图进行分类处理，获得所述处理结果，包括：
将所述第一特征图像依次输入至所述第二部分计算层至第n部分计算层，获得初始结果；
将所述初始结果输入至所述全连接层和所述Softmax层，输出所述处理结果。


8.根据权利要求2所述的方法，其特征在于，当所述目标处理模型用于去噪处理时，所述将所述第一特征图输入至预设分类计算层中，获得所述目标图像对应的处理级别，包括：
通过所述预设分类计算层对所述第一特征图进行去噪难度预测，获得第二预测结果；
基于所述第二预测结果，确定所述处理级别。


9.根据权利要求8所述的方法，其特征在于，所述按照所述处理级别在所述目标处理模型中确定目标计算层，包括：
若所述处理级别为第一难度等级，则将所述目标处理模型中所述第一部分计算层的目标分类计算层确定为所述目标计算层；
若所述处理级别为第二难度等级，则将所述目标处理模型中的第二部分计算层和所述目标分类计算层确定为所述目标计算层；其中，所述第二部分计算层包括多个计算层；
若所述处理级别为第三难度等级，则将所述目标处理模型中的所述第二部分计算层、第三部分计算层，以及所述目标分类计算层确定为所述目标计算层；其中，所述第三部分计算层包括多个计算层；
若所述处理级别为第四难度等级，则将所述目标处理模型中的所述第二部分计算层、第三部分计算层、第四部分计算层，以及所述目标分类计算层确定为所述目标计算层；其中，所述第四部分计算层包括多个计算层。


10.根据权利要求9所述的方法，其特征在于，所述按照所述目标计算层获得所述目标图像对应的处理结果，包括：
若所述处理级别为第一难度等级，利用所述第一特征图进行融合处理，获得第一融合结果；
根据所述第一融合结果和所述目标分类计算层，确定所述处理结果。


11.根据权利要求10所述的方法，其特征在于，所述按照所述目标计算层获得所述目标图像对应的处理结果，包括：
若所述处理级别为第二难度等级，则使用第二部分计算层，获得所述第一特征图对应的第二特征图；
利用所述第一特征图和所述第二特征图进...

【专利技术属性】
技术研发人员：刘君，
申请(专利权)人：OPPO广东移动通信有限公司，
类型：发明
国别省市：广东;44