一种图像处理，图像训练以通道混洗方法和装置制造方法及图纸

本申请公开一种图像处理方法和装置，一种基于残差网络的图像训练方法和装置，一种神经网络的通道混洗方法和装置，一种神经网络架构以及计算机存储介质和电子设备，所述图像处理方法包括：对获取的特征图像进行卷积操作，获得卷积图像集合；对所述卷积图像集合进行拆分，获得第一卷积图像组和第二卷积图像组；分别对所述第一卷积图像组和第二卷积图像组进行卷积操作，获得所述第一子卷积图像组和第二子卷积图像组；对所述第一子卷积图像组和第二子卷积图像组进行通道混洗，获得混洗后的特征图像。从而降低图像处理过程中的计算量，减少图像特征数据的丢失，提高最终输出特征图像的精度。精度。精度。

【技术实现步骤摘要】
一种图像处理，图像训练以通道混洗方法和装置


[0001]本申请涉及计算机应用
，具体涉及一种图像处理方法和装置，基于残差网络的图像训练方法和装置，神经网络的通道混洗方法和装置，神经网络架构，以及计算机存储介质和电子设备。

技术介绍

[0002]随着人工智能的发展，神经网络被广泛的应用在交通、医学等领域。例如：图像识别，音频识别，人体姿态识别等。
[0003]目前已有的神经网络，在对图像人体姿态检测的优化中，常见的就是通过加深网络方式或者利用迁移学习的方式完成网络精度的提升，从而提高识别的准确度。其中，对于加深网络是指增加网络的层数，网络的层数越多，意味着能够提取的特征层次就越丰富，并且，越深的网络提取的特征越抽象，越具有语义信息。所以，通常在选用神经网络时更倾向于使用更深层次的网络结构，以便取得更高层次的特征。但是在使用深层次的网络结构时存在梯度消失，梯度爆炸和网络退化等问题。
[0004]基于现有深层网络存在的问题，可以采用残差网络结构解决了上述梯度消失，梯度爆炸和网络退化的问题。例如：现有技术中的轻量化网络(Shuff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：对获取的特征图像进行卷积操作，获得卷积图像集合；拆分所述卷积图像集合，获得第一卷积图像组和第二卷积图像组；分别对所述第一卷积图像组和第二卷积图像组进行卷积操作，获得所述第一子卷积图像组和第二子卷积图像组；将所述第一子卷积图像组和第二子卷积图像组的通道顺序进行通道混洗，获得混洗后的特征图像。2.根据权利要求1所述的图像处理处理方法，其特征在于，所述拆分所述卷积图像集合，获得第一卷积图像组和第二卷积图像组，包括：按照设定的拆分要求，基于所述卷积图像集合中的通道数量，对所述卷积图像集合进行拆分，获得所述第一卷积图像组和第二卷积图像组。3.根据权利要求2所述的图像处理方法，其特征在于，所述按照设定的拆分要求，基于所述卷积图像集合中的通道数量，对所述卷积图像集合进行拆分，获得所述第一卷积图像组和第二卷积图像组，包括：若所述通道数量为偶数，则按照通道排列顺序，将所述卷积图像集合拆分成通道数量相同的第一卷积图像组合和第二卷积图像组；若所述通道数量为奇数，则选取所述通道数量的一半并取整数；按照通道排列顺序，将相邻且大于所述整数的通道对应的卷积图像作为第一卷积图像组的末尾卷积图像，将相邻且大于所述末尾卷积图像通道的卷积图像作为第二卷积图像组的首位卷积图像。4.根据权利要求1所述的图像处理方法，其特征在于，所述分别对所述第一卷积图像组和第二卷积图像组卷积操作，获得所述第一子卷积图像组和第二子卷积图像组，包括：对所述第一卷积图像组和所述第二卷积图像组分别采用预设的卷积核进行卷积操作，获得所述第一子卷积图像组和第二子卷积图像组。5.根据权利要求4所述的图像处理方法，其特征在于，所述对所述第一卷积图像组和所述第二卷积图像组分别采用预设的卷积核进行卷积操作，获得所述第一子卷积图像组和第二子卷积图像组，包括：对所述第一卷积图像组采用预设的第一卷积核进行卷积操作，获得所述第一子卷积图像组；对所述第二卷积图像组采用预设的第二卷积核进行卷积操作，获得所述第二子卷积图像组。6.根据权利要求1所述的图像处理方法，其特征在于，所述对所述第一子卷积图像组和第二子卷积图像组的通道顺序进行通道混洗，获得混洗后的特征图像，包括：对所述第一子卷积图像组和第二子卷积图像组进行拼接，获得拼接后的拼接特征图像集合；对所述拼接特征图像集合进行通道混洗，获得所述混洗后的特征图像。7.根据权利要求6所述的图像处理方法，其特征在于，所述对所述第一子卷积图像组和第二子卷积图像组进行拼接，获得拼接后的拼接特征图像集合，包括：按照通道排列顺序，将所述第二子卷积图像组中首位卷积图放到所述第一子卷积图像
组中末尾卷积图之后，获得所述拼接特征图像集合。8.根据权利要求6或7任意一项所述的图像处理方法，其特征在于，所述对所述拼接特征图像集合进行通道混洗，获得混洗后的特征图像，包括：按照设定的通道排列要求，对所述拼接特征图像集合重新排列，获得混洗后的特征图像。9.根据权利要求1所述的图像处理方法，其特征在于，还包括：根据获取的特征图像的图像特征数据和混洗后的特征图像的图像特征数据，确定输出的特征图像。10.根据权利要求9所述的图像处理方法，其特征在于，所述根据获取的特征图像的图像特征数据和混洗后的特征图像的图像特征数据，确定输出的特征图像，包括：将所述特征图像的图像特征数据和混洗后的特征图像的图像特征数据进行逐图像特征数据相加，确定输出的特征图像。11.一种图像处理装置，其特征在于，包括：第一卷积单元，用于对获取的特征图像进行卷积操作，获得卷积图像集合；拆分单元，用于拆分所述卷积图像集合，获得第一卷积图像组和第二卷积图像组；第二卷积单元，用于分别对所述第一卷积图像组和第二卷积图像组进行卷积操作，获得所述第一子卷积图像组和第二子卷积图像组；通道混洗单元，用于对所述第一子卷积图像组和第二子卷积图像组的通道顺序进行通道混洗，获得混洗后的特征图像。12.一种基于残差网络的图像训练方法，其特征在于，包括：基于残差网络模型架构，对输入的特征图像进行卷积操作，获得卷积图像集合；拆分所述卷积图像集合，获得第一卷积图像组和第二卷积图像组；分别对所...

【专利技术属性】
技术研发人员：张昱航，陈长国，杨凤海，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：