本发明专利技术公开了一种图像处理方法、装置、设备及可读存储介质，该方法包括：获取目标图像；将目标图像输入至量化后的目标深度神经网络模型进行分类/检测，得到输出结果；按照与输出结果对应的策略，对目标图像进行处理；其中，量化得到目标深度神经网络模型的过程，包括：获取预训练得到的浮点型的深度神经网络模型；提取深度神经网络模型的权重特征；利用权重特征，确定出量化策略；按照量化策略，对深度神经网络模型进行量化，得到目标深度神经网络模型。在该方法中，量化得到目标深度神经网络模型的过程减少占用资源，缩短耗时，同时也能保障模型性能，从而使得图像分类/检测的性能得到保障，进一步可提高图像分类处理的性能。进一步可提高图像分类处理的性能。进一步可提高图像分类处理的性能。
【技术实现步骤摘要】
一种图像处理方法、装置、设备及可读存储介质
[0001]本专利技术涉及计算机应用
，特别是涉及一种图像处理方法、装置、设备及可读存储介质。
技术介绍
[0002]基于图像分类/检测来对图像进行处理，可提高图像处理的针对性，使得处理结果更加符合期望。
[0003]但是，在实际应用中，用于图像分类/检测的深度神经网络模型往往存在模型规模大，对硬件成本要求较高的需求。与此同时，在周边应用中，终端设备或边缘设备一般只有较低的计算能力，而且内存和电量消耗也都受限。因此要将深度神经网络模型真正实现部署，要在保证模型精度不变的情况下，将模型变小，使其推理更快，耗电更低是非常有必要的。针对这个问题，目前主要有两种研究方向，一种是重新构建一个高效的模型，另一种则是通过量化，裁剪和压缩来降低模型尺寸。
[0004]目前，量化深度神经网络模型，虽然可以使得模型规模更小，对硬件需求降低，但是不同的量化方式也使得量化过程过于耗时，或量化所得模型的性能造成影响。导致难以满足图像分类/检测准确度的需求。
[0005]综上所述，如何有效地提高图像处理中分类处理准确度等问题，是目前本领域技术人员急需解决的技术问题。
技术实现思路
[0006]本专利技术的目的是提供一种图像处理方法、装置、设备及可读存储介质，在量化深度神经网络模型的过程中，通过提取浮点型的深度神经网络模型的权重特征，基于该权重特征来对模型进行量化，可避免因量化而导致性能降低，如此，在处理图像时，便可基于更加精准的分类/检测结果而采用不同的策略进行处理，能够提供图像处理的准确度。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：
[0008]一种图像处理方法，包括：
[0009]获取目标图像；
[0010]将所述目标图像输入至量化后的目标深度神经网络模型进行分类/检测，得到输出结果；
[0011]按照与所述输出结果对应的策略，对所述目标图像进行处理；
[0012]其中，量化得到所述目标深度神经网络模型的过程，包括：
[0013]获取预训练得到的浮点型的深度神经网络模型；
[0014]提取所述深度神经网络模型的权重特征；
[0015]利用所述权重特征，确定出量化策略；
[0016]按照所述量化策略，对所述深度神经网络模型进行量化，得到所述目标深度神经网络模型。
[0017]优选地，若所述权重特征为权重参数特征，相应地，提取所述深度神经网络模型的权重特征，包括：
[0018]分别计算所述深度神经网络模型对应的逐层量化误差和逐通道量化误差；
[0019]将所述逐层量化误差和所述逐通道量化误差确定为所述权重参数特征。
[0020]优选地，利用所述权重特征，确定出量化策略，包括：
[0021]计算所述逐层量化误差和所述逐通道量化误差的差值；
[0022]判断所述差值是否在误差范围内；
[0023]如果是，则确定所述量化策略为逐层量化；
[0024]如果否，则确定所述量化策略为逐通道量化，或按照特定量化单元进行量化。
[0025]优选地，确定所述量化策略为逐通道量化，或按照特定量化单元进行量化之前，还包括：
[0026]提取所述深度神经网络模型的权重通道特征；
[0027]利用所述权重通道特征，将所述深度神经网络模型中的相似权重通道作为所述特定量化单元；所述特定量化单元中包括至少一个权重通道。
[0028]优选地，若所述权重特征为权重通道特征，相应地，提取所述深度神经网络模型的权重特征，包括：
[0029]对所述深度神经网络模型中的各个权重通道进行聚类处理，得到聚类结果；
[0030]将所述聚类结果确定为所述权重通道特征。
[0031]优选地，对所述深度神经网络模型中的各个权重通道进行聚类处理，得到聚类结果，包括：
[0032]获取所述深度神经网络模型中各个所述权重通道的权重值范围，以及各个所述权重通道的权重参数值统计分布图；
[0033]基于所述权重值范围和所述权重参数值统计分布图，对各个所述权重通道进行聚类处理，得到所述聚类结果。
[0034]优选地，利用所述权重特征，确定出量化策略，包括：
[0035]若所述聚类结果的所述聚类数为1，则确定所述量化策略为逐层量化；
[0036]若所述聚类数为权重通道数，则确定所述量化策略为逐通道量化；
[0037]若所述聚类数大于1且小于所述权重通道数，则将每一个聚类对应的全部权重通道作为1个整体进行量化。
[0038]一种图像处理装置，包括：
[0039]图像获取模块，用于获取目标图像；
[0040]图像分类/检测模块，用于将所述目标图像输入至量化后的目标深度神经网络模型进行分类/检测，得到输出结果；
[0041]图像处理模块，用于按照与所述输出结果对应的策略，对所述目标图像进行处理；
[0042]模型量化模块，用于量化得到所述目标深度神经网络模型，具体包括：
[0043]模型获取单元，用于获取预训练得到的浮点型的深度神经网络模型；
[0044]特征提取单元，用于提取所述深度神经网络模型的权重特征；
[0045]策略确定单元，用于利用所述权重特征，确定出量化策略；
[0046]模型量化单元，用于按照所述量化策略，对所述深度神经网络模型进行量化，得到
所述目标深度神经网络模型。
[0047]一种图像处理设备，包括：
[0048]存储器，用于存储计算机程序；
[0049]处理器，用于执行所述计算机程序时实现上述图像处理方法的步骤。
[0050]一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述图像处理方法的步骤。
[0051]应用本专利技术实施例所提供的方法，获取目标图像；将目标图像输入至量化后的目标深度神经网络模型进行分类/检测，得到输出结果；按照与输出结果对应的策略，对目标图像进行处理；其中，量化得到目标深度神经网络模型的过程，包括：获取预训练得到的浮点型的深度神经网络模型；提取深度神经网络模型的权重特征；利用权重特征，确定出量化策略；按照量化策略，对深度神经网络模型进行量化，得到目标深度神经网络模型。
[0052]在本方法中，在获取到目标图像后，可将其输入至量化后的目标深度神经网络模型进行分类/检测，得到输出结果，然后按照与输出结果对应的策略对目标图像进行处理。特别的，在本方法中，为了能够节约量化占用资源，缩短量化耗时，并且保证量化后的模型性能不受量化影响，量化得到目标深度神经网络的过程具体包括首先得到待量化的浮点型的深度神经网络模型，然后提取出深度神经网络模型的权重特征，基于该权重特征确定出量化策略，最终按照该量化策略对深度神经网络模型进行量化，得到可在一些边缘设备/远端设备等计算力较差、内存较小的设备中也能支持的模型。由于量化过程中，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：获取目标图像；将所述目标图像输入至量化后的目标深度神经网络模型进行分类/检测，得到输出结果；按照与所述输出结果对应的策略，对所述目标图像进行处理；其中，量化得到所述目标深度神经网络模型的过程，包括：获取预训练得到的浮点型的深度神经网络模型；提取所述深度神经网络模型的权重特征；利用所述权重特征，确定出量化策略；按照所述量化策略，对所述深度神经网络模型进行量化，得到所述目标深度神经网络模型。2.根据权利要求1所述的图像处理方法，其特征在于，若所述权重特征为权重参数特征，相应地，提取所述深度神经网络模型的权重特征，包括：分别计算所述深度神经网络模型对应的逐层量化误差和逐通道量化误差；将所述逐层量化误差和所述逐通道量化误差确定为所述权重参数特征。3.根据权利要求2所述的图像处理方法，其特征在于，利用所述权重特征，确定出量化策略，包括：计算所述逐层量化误差和所述逐通道量化误差的差值；判断所述差值是否在误差范围内；如果是，则确定所述量化策略为逐层量化；如果否，则确定所述量化策略为逐通道量化，或按照特定量化单元进行量化。4.根据权利要求3所述的图像处理方法，其特征在于，确定所述量化策略为逐通道量化，或按照特定量化单元进行量化之前，还包括：提取所述深度神经网络模型的权重通道特征；利用所述权重通道特征，将所述深度神经网络模型中的相似权重通道作为所述特定量化单元；所述特定量化单元中包括至少一个权重通道。5.根据权利要求1所述的图像处理方法，其特征在于，若所述权重特征为权重通道特征，相应地，提取所述深度神经网络模型的权重特征，包括：对所述深度神经网络模型中的各个权重通道进行聚类处理，得到聚类结果；将所述聚类结果确定为所述权重通道特征。6.根据权利要求5所述的...
【专利技术属性】
技术研发人员：梁玲燕，董刚，赵雅倩，曹其春，尹文枫，
申请(专利权)人：浪潮北京电子信息产业有限公司，
类型：发明
国别省市：
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。