一种图像处理方法、装置、电子设备及存储介质制造方法及图纸

本申请的技术方案提供了一种图像处理方法，所述方法应用于深度学习模型，包括：对输入图像进行特征检测，得到第一特征图像；对所述第一特征图像进行转换，得到不同尺度的多个第二特征图像；增加所述第二特征图像的感受野，得到不同尺度的多个第三特征图像；根据不同尺度的多个所述第三特征图像，确定所述输入图像内检测目标的检测信息。

【技术实现步骤摘要】
一种图像处理方法、装置、电子设备及存储介质
本专利技术实施例涉及图像处理领域，尤其涉及一种图像处理方法、装置、电子设备及存储介质。
技术介绍
随着计算机技术的发展，计算机技术的应用场景越来越多。计算机技术中包括图像处理技术，例如图像检测等。通过图像处理技术可以对图像进行多种处理，进而可以满足不同应用场景的需求。但是，随着各种需求的不断增加以及不同应用场景的增加，对于图像处理技术的要求也会增加。
技术实现思路
本专利技术实施例提供一种图像处理方法、装置、电子设备及存储介质。本公开实施例第一方面提供一种图像处理方法，所述方法应用于深度学习模型，包括：对输入图像进行特征检测，得到第一特征图像；对所述第一特征图像进行转换，得到不同尺度的多个第二特征图像；增加所述第二特征图像的感受野，得到不同尺度的多个第三特征图像；根据不同尺度的多个所述第三特征图像，确定所述输入图像内检测目标的检测信息。在一个实施例中，所述对输入图像进行特征检测，得到第一特征图像，包括：对所述输入图像依次进行深度卷积和逐点卷积，得到至少具有两本文档来自技高网...

【技术保护点】
1.一种图像处理方法，其特征在于，所述方法应用于深度学习模型，包括：/n对输入图像进行特征检测，得到第一特征图像；/n对所述第一特征图像进行转换，得到不同尺度的多个第二特征图像；/n增加所述第二特征图像的感受野，得到不同尺度的多个第三特征图像；/n根据不同尺度的多个所述第三特征图像，确定所述输入图像内检测目标的检测信息。/n

【技术特征摘要】
1.一种图像处理方法，其特征在于，所述方法应用于深度学习模型，包括：
对输入图像进行特征检测，得到第一特征图像；
对所述第一特征图像进行转换，得到不同尺度的多个第二特征图像；
增加所述第二特征图像的感受野，得到不同尺度的多个第三特征图像；
根据不同尺度的多个所述第三特征图像，确定所述输入图像内检测目标的检测信息。


2.根据权利要求1所述的方法，其特征在于，所述对输入图像进行特征检测，得到第一特征图像，包括：
对所述输入图像依次进行深度卷积和逐点卷积，得到至少具有两种不同尺度的所述第一特征图像。


3.根据权利要求2所述的方法，其特征在于，所述深度学习模型包括第一网络；
所述第一网络包括：第一卷积单元、第二卷积单元及第三卷积单元；所述第一卷积单元、第二卷积单元及第三卷积单元的卷积序列不同；
其中，所述第一卷积单元，用于对所述输入图像依次进行深度卷积和逐点卷积，得到第一尺度的第一特征图像；
所述第二卷积单元，用于对所述第一尺度的第一特征图像依次进行深度卷积和逐点卷积，得到第二尺度的第一特征图像；
所述第三卷积单元，用于对所述第二尺度的第特征图像依次进行深度卷积和逐点卷积，得到第三尺度的第一特征图像。


4.根据权利要求2或3所述的方法，其特征在于，所述对所述第一特征图像进行转换，得到不同尺度的多个第二特征图像，包括：
对不同尺度的所述第一特征图像进行不同的卷积，得到不同尺度的所述第二特征图像。


5.根据权利要求4所述的方法，其特征在于，所述深度学习模型还包括：第二网络；
所述第二网络包括：编码器和位于所述编码器输出端的解码器，
所述编码器包括：自底向上的n个编码层，且所述编码层自底向上排序；所述解码器包括：自顶向下的n个解码层，且所述解码层自顶向下排序；
所述对不同尺度的所述第一特征图像进行不同的卷积，得到不同尺度的所述第二特征图像，包括：
自底向上的n个所述编码层对f个尺度由大到小的所述第一特征图像对应进行卷积，n等于f；
第m个编码层对所述第一特征图像进行卷积，得到第m个输出，并将所述第m个输出传输到第n-m+1个解码层，其中，所述m为小于n的正整数；
第s个解码层对从第s-1个解码层的输出和从第n-s+1个...

【专利技术属性】
技术研发人员：马向军，苏伟博，马原，
申请(专利权)人：北京澎思科技有限公司，
类型：发明
国别省市：北京;11