神经网络模型训练方法、图像处理方法、装置及终端设备制造方法及图纸

本申请适用于数据处理技术领域，提供了一种神经网络模型训练方法、图像处理方法、装置及终端设备，神经网络模型训练方法包括：获取训练样本图像帧；将训练样本图像帧输入预置神经网络模型中，得到训练样本图像帧的识别场景信息，其中，预置神经网络模型的隐藏层中包含一个或多个深度可分离卷积结构；根据训练样本图像帧的场景信息和识别场景信息计算预置神经网络模型的损失值；根据损失值更新预置神经网络模型的网络权重参数，重复进行训练，直至损失值符合预置停止条件时停止训练，得到经过训练的预置神经网络。本申请可以解决现有的图像处理方法中，当使用神经网络进行图像场景识别时，神经网络的模型较大，难以应用在低算力的终端的问题。

【技术实现步骤摘要】
神经网络模型训练方法、图像处理方法、装置及终端设备
本申请属于数据处理
，尤其涉及一种神经网络模型训练方法、图像处理方法、装置及终端设备。
技术介绍
随着科技的发展，人们对电视、手机、电脑等终端设备的画质有了更高的要求，图像画质的调整优化技术拥有着越来越高的价值。当前的图像画质调整优化(例如电视画面调整)主要根据当前画面的亮度、色彩分布、饱和度和对比度等特征自适应地调整参数，进而对画面的画质进行优化。然而，这种调整仅仅是通过简单的统计特征和固定的通用调整方法实现的，画质优化效果不佳。对此，当前提出了根据图像的场景等高层抽象信息对不同画面采用不同的方法进行精细化调整的方案。这种方案需要图像场景识别技术做支撑，当前已有使用神经网络进行图像场景识别的技术，但是这些神经网络模型通常为了追求高正确率使得模型较大，为了确保画质优化的实时性，对终端的算力存在较高的要求，难以适应一些低算力的终端(例如电视)的应用需求。综上，现有的图像处理方法中，当使用神经网络进行图像场景识别时，神经网络的模型较大，难以应用在低算力的终端。本文档来自技高网...

【技术保护点】
1.一种神经网络模型训练方法，其特征在于，方法包括：/n获取训练样本图像帧，所述训练样本图像帧为已标注场景信息的图像帧；/n将所述训练样本图像帧输入预置神经网络模型中，得到所述训练样本图像帧的识别场景信息，其中，所述预置神经网络模型的隐藏层中包含一个或多个深度可分离卷积结构；/n根据所述训练样本图像帧的所述场景信息和所述识别场景信息计算所述预置神经网络模型的损失值；/n根据所述损失值更新所述预置神经网络模型的网络权重参数，重复进行训练，直至所述损失值符合预置停止条件时停止训练，得到所述经过训练的预置神经网络。/n

【技术特征摘要】
1.一种神经网络模型训练方法，其特征在于，方法包括：
获取训练样本图像帧，所述训练样本图像帧为已标注场景信息的图像帧；
将所述训练样本图像帧输入预置神经网络模型中，得到所述训练样本图像帧的识别场景信息，其中，所述预置神经网络模型的隐藏层中包含一个或多个深度可分离卷积结构；
根据所述训练样本图像帧的所述场景信息和所述识别场景信息计算所述预置神经网络模型的损失值；
根据所述损失值更新所述预置神经网络模型的网络权重参数，重复进行训练，直至所述损失值符合预置停止条件时停止训练，得到所述经过训练的预置神经网络。


2.如权利要求1所述的神经网络模型训练方法，其特征在于，所述根据所述训练样本图像帧的所述场景信息和所述识别场景信息计算所述预置神经网络模型的损失值具体包括：
根据所述训练样本图像帧的所述场景信息和所述识别场景信息，通过聚焦损失函数计算所述预置神经网络模型的损失值。


3.如权利要求1所述的神经网络模型训练方法，其特征在于，所述方法还包括：
根据预置网络剪枝算法对所述经过训练的预置神经网络进行网络剪枝处理，得到新的经过训练的预置神经网络。


4.如权利要求1至3中任一项所述的神经网络模型训练方法，其特征在于，所述方法还包括：
对所述经过训练的预置神经网络进行整型化处理，得到新的经过训练的预置神经网络。


5.一种图像处理方法，其特征在于，包括：
获取第一图像帧；
将所述第一图像帧输入经过训练的预置神经网络模型，得到所述第一图像帧的识别场景信息，其中，所述经过训练的预置神经网络模型通过权利要求1至4中任一种神经网络模型训练方法训练得到；
获取与所述第一图像帧的识别场景信息对应的优化参数，根据所述优化参数调节所述第一图像帧的图像数据。


6.如权利要求5所述的图像处理方法，其特征在于，所述将所述第一图像帧输入经过训练的预置神经网络模型，得到所述第一图像帧的识别场景信息具体包括：...

【专利技术属性】
技术研发人员：汪浩，
申请(专利权)人：武汉TCL集团工业研究院有限公司，
类型：发明
国别省市：湖北;42