【技术实现步骤摘要】
图像处理方法、装置、设备、存储介质及计算机程序产品
[0001]本申请涉及计算机
，尤其涉及一种图像处理方法、装置、设备、存储介质及计算机程序产品。
技术介绍
[0002]深度学习网络是近几年来最流行的机器学习方法，驱动了人工智能算法在各行各业中落地。其中，卷积神经网络作为深度学习网络中的一个热门研究方向之一，其主要用于对图像进行分类或识别处理。卷积层是卷积神经网络中最重要的部分，它主要是通过权重值共享的方式，与输入其的特征进行卷积计算。通常情况下，卷积层的卷积操作是直接在原空间上进行内积运算，但是原空间的表达能力有限，如此使得卷积神经网络的特征表达能力不高，从而导致卷积神经网络对图像的分类或者识别准确度降低。因此，在图像处理领域中，如何利用卷积神经网络对图像进行分类或者识别处理，以提高图像分类或者识别准确度成为研究的热点问题之一。
技术实现思路
[0003]本申请实施例提供了一种图像处理方法、装置、设备、存储介质及计算机程序产品，可以提高图像分类或者识别的准确度。
[0004]一方面，本申请实...
【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：获取待处理图像的输入特征；所述输入特征所在空间的维度为第一维度；获取图像处理网络，所述图像处理网络包括N个卷积层，所述N个卷积层中每个卷积层均包括至少一个卷积核，N为大于1的整数；所述每个卷积层中卷积核对应的权重值所在空间的维度为所述第一维度；所述图像处理网络用于对输入所述图像处理网络的图像进行分类处理或识别处理；调用所述N个卷积层将所述输入特征和所述每个卷积层中卷积核对应的权重值映射到映射空间后进行卷积运算；所述映射空间的维度为第二维度，所述第二维度大于所述第一维度；根据卷积运算结果对所述待处理图像进行图像处理得到处理结果。2.如权利要求1所述的方法，其特征在于，所述图像处理网络用于对输入所述图像处理网络的图像进行分类处理，所述卷积运算结果包括图像特征向量，所述图像处理网络还包括池化层和全连接层，所述根据所述卷积运算结果对所述待处理图像进行处理得到处理结果，包括：调用所述图像处理网络中的池化层对所述图像特征向量进行压缩处理；并调用所述图像处理网络中的全连接层基于压缩处理后的图像特征向量进行分类预测，输出分类预测值；基于所述分类预测值确定所述待处理图像所属类别。3.如权利要求1所述的方法，其特征在于，所述N个卷积层包括第一个卷积层和第二个卷积层，所述第一个卷积层和所述第二个卷积层相连接，且所述第二个卷积层在所述第一个卷积层之后，所述调用所述N个卷积层将所述输入特征和所述每个卷积层中卷积核对应的权重值映射到映射空间后进行卷积运算，包括：调用所述第一个卷积层将所述输入特征和所述第一个卷积层中卷积核对应的权重值映射到映射空间后进行内积运算，得到第一内积运算结果；调用所述第二个卷积层将所述第一内积运算结果和所述第二个卷积层中卷积核对应的权重值映射到映射空间后进行内积运算，得到卷积运算结果。4.如权利要求3所述的方法，其特征在于，所述每个卷积层对应一个卷积处理逻辑，所述每个卷积层对应的卷积处理逻辑用于指示所述每个卷积层将所述每个卷积层的输入和所述每个卷积层中卷积核对应的权重值进行目标核函数运算，所述目标核函数运算用于实现将每个卷积层的输入和所述每个卷积层中卷积核对应的权重值映射到映射空间后进行卷积运算；所述调用所述第一个卷积层将所述输入特征和所述第一个卷积层中卷积核对应的权重值映射到映射空间后进行卷积运算，得到第一内积运算结果，包括：基于所述第一个卷积层中的卷积处理逻辑对所述输入特征和所述第一个卷积层中卷积核对应的权重值进行目标核函数的运算，得到第一内积运算结果。5.如权利要求4所述的方法，其特征在于，所述获取图像处理网络之前，所述方法还包括：构建图像处理网络；获取用于训练所述图像处理网络的训练数据集，所述训练数据集中包括样本图像以及所述样本图像对应的训练标签；
基于所述训练数据集对所述图像处理网络进行训练。6.如权利要求5所述的方法，其特征在于，所述构建图像处理网络，包括：确定网络结构参数，所述网络结构参数包括所述图像处理网络包括的网络层以及各个网络层之间的连接关系，所述网络层包括N个卷积层；确定目标核函数；基于所述目标核函数确定每个卷积层对应的卷积处理逻辑，所述每个卷积层对应的卷积处理逻辑用于指示所述每个卷积层将所述每个卷积层的输入和所述...
【专利技术属性】
技术研发人员：李德辉，
申请(专利权)人：腾讯科技深圳有限公司，
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。