【技术实现步骤摘要】
图像处理方法、装置、电子设备及存储介质
本申请一些实施例涉及领域，具体涉及图像处理方法、装置及电子设备存储介质。
技术介绍
卷积神经网络被广泛应用在图像分类、目标检测等领域。相对于诸如ResNet的静态卷积神经网络，动态卷积神经网络计算复杂度较低，适于在资源受限的设备中落地。动态卷积神经网络通过神经网络架构搜索算法从原始的卷积神经网络中搜索出。例如，通过DARTS算法在定义的搜索空间下搜索出动态卷积神经网络。相对于原始的卷积神经网络的结构，动态卷积神经网络的结构更简单，以降低计算复杂度。然而，搜索出的动态卷积神经网络仅相对于原始的卷积神经网络降低了计算的复杂度。在性能方面，搜索出的动态卷积神经网络的性能相对于原始的卷积神经网络没有得到提升，还可能由于相对于原始的卷积神经网络的结构简单，动态卷积神经网络的性能低于原始的卷积神经网络。因此，如何提升动态卷积神经网络的性能成为一个需要解决的问题。
技术实现思路
本申请一些实施例实施例提供一种图像处理方法、装置、电子设备及存储介质。本申请一...
【技术保护点】
1.一种图像处理方法，其特征在于，所述方法包括：/n基于待处理图像，确定与所述待处理图像对应的动态卷积神经网络，所述与所述待处理图像对应的动态卷积神经网络具有第二动态连接方式和第二操作方式，其中，第二动态连接方式表征所有处理节点中的每一个处理节点各自连接的对象，第二操作方式表征每一个处理节点连接的各对象对应的操作类型，所述动态卷积神经网络包括：对象选择网络，用于针对各处理节点，从各处理节点的所有候选对象中选择出该处理节点连接的对象；/n所述动态卷积神经网络基于所述第二动态连接方式和第二操作方式对所述待处理图像进行处理，生成所述待处理图像的处理结果。/n
【技术特征摘要】
1.一种图像处理方法，其特征在于，所述方法包括：
基于待处理图像，确定与所述待处理图像对应的动态卷积神经网络，所述与所述待处理图像对应的动态卷积神经网络具有第二动态连接方式和第二操作方式，其中，第二动态连接方式表征所有处理节点中的每一个处理节点各自连接的对象，第二操作方式表征每一个处理节点连接的各对象对应的操作类型，所述动态卷积神经网络包括：对象选择网络，用于针对各处理节点，从各处理节点的所有候选对象中选择出该处理节点连接的对象；
所述动态卷积神经网络基于所述第二动态连接方式和第二操作方式对所述待处理图像进行处理，生成所述待处理图像的处理结果。
2.根据权利要求1所述的方法，其特征在于，所述动态卷积神经网络还包括：位于所述动态卷积神经网络中的所有处理单元之前的卷积单元，对于所述动态卷积神经网络中的第一个处理单元中的每个处理节点，每个处理节点的所有候选对象包括：所述卷积单元、第一个处理单元中的位于该处理节点之前的所有处理节点。
3.根据权利要求1所述的方法，其特征在于，所述多个处理单元中的每一个处理单元的类型为以下之一：常规类型，缩减类型，其中，常规类型的处理单元的特征图输出通道数量为缩减类型的处理单元的特征图输出通道数量的2倍，常规类型的处理单元的输出中的特征图的尺寸为缩减类型的处理单元的输出中的特征图的尺寸的2倍。
4.根据权利要求1-3任一所述的方法，其特征在于，在基于待处理图像，确定与所述待处理图像对应的动态卷积神经网络之前，所述方法还包括：
重复地对动态卷积神经网络执行训练操作，直至完成对动态卷积神经网络的训练，所述动态卷积神经网络包括：多个处理单元，处理单元包括多个处理节点，训练操作包括：确定针对训练图像的第一动态连接方式和第一操作方式，其中，所述第一动态连接方式表征所有处理节点中的每一个处理节点各自连接的对象，所述第一操作方式表征每一个处理节点连接的各对象对应的操作类型；基于在所述第一动态连接方式和第一操作方式下所述训练图像对应的输出与所述训练图像的标注输出之间的损失，更新动态卷积神经网络中的与所述损失相关联的参数的参数值。
5.根据权利要求4所述的方法，其特征在于，所述对象选择网络包括：全局池化层、全连接层、对象选择结果输出层，其中，所述对象选择网络获取在初始连接方式下各处理节点的每个候选对象的第一输出，经过处理，得到每个候选对象为所述处理...
【专利技术属性】
技术研发人员：张选杨，
申请(专利权)人：北京迈格威科技有限公司，
类型：发明
国别省市：北京;11
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。