图像处理方法、装置、设备和介质制造方法及图纸

本公开提供了一种图像处理方法、装置、设备和介质，涉及人工智能领域，具体涉及计算机视觉和深度学习技术领域。图像处理方法的具体实现方案为：基于待检测图像，采用图像检测模型的自注意力网络获得第一图像特征；基于待检测图像，采用图像检测模型的卷积网络获得第二图像特征；以及基于第一图像特征与第二图像特征的融合特征，采用图像检测模型的预测网络获得检测结果。得检测结果。得检测结果。

【技术实现步骤摘要】
图像处理方法、装置、设备和介质


[0001]本公开涉及人工智能
，具体涉及计算机视觉和深度学习
，尤其涉及一种图像处理方法、装置、设备和介质。

技术介绍

[0002]随着计算机技术和网络技术的发展，深度学习技术在众多领域得到了广泛应用。目前，在图像领域中，为了提高精度，通常采用自注意力机制替代卷积操作。但自注意力机制由于对全局信息进行建模，因此存在处理效率慢、收敛速度慢的缺陷。

技术实现思路

[0003]基于此，本公开提供了一种提高处理效率的图像处理方法、装置、设备和介质。
[0004]根据本公开的一个方面，提供了一种图像处理方法，包括：基于待检测图像，采用图像检测模型的自注意力网络获得第一图像特征；基于待检测图像，采用图像检测模型的卷积网络获得第二图像特征；以及基于第一图像特征与第二图像特征的融合特征，采用图像检测模型的预测网络获得检测结果。
[0005]根据本公开的另一个方面，提供了一种图像处理装置，包括：第一图像特征获得模块，用于基于待检测图像，采用图像检测模型的自注意力网络获得第一图像特征；第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，包括：基于待检测图像，采用图像检测模型的自注意力网络获得第一图像特征；基于所述待检测图像，采用所述图像检测模型的卷积网络获得第二图像特征；以及基于所述第一图像特征与所述第二图像特征的融合特征，采用所述图像检测模型的预测网络获得检测结果。2.根据权利要求1所述的方法，其中，所述卷积网络包括深度分离卷积子网络；所述基于所述待检测图像，采用所述图像检测模型的卷积网络获得第二图像特征包括：基于所述待检测图像，采用所述深度分离卷积子网络得到所述待检测图像的局部特征；以及基于所述局部特征，确定所述第二图像特征。3.根据权利要求2所述的方法，其中，所述自注意力网络基于局部自注意力机制构建；所述基于待检测图像，采用图像检测模型的自注意力网络获得第一图像特征包括：基于所述待检测图像，确定所述自注意力网络的输入特征；以及将所述输入特征输入所述自注意力网络，获得所述第一图像特征。4.根据权利要求3所述的方法，其中，所述基于所述待检测图像，确定所述自注意力网络的输入特征包括：基于所述待检测图像，确定针对所述自注意力网络的Q特征、K特征和V特征；以及融合所述V特征和所述局部特征，得到融合后V特征，其中，所述输入特征包括所述Q特征、所述K特征和所述融合后V特征。5.根据权利要求3所述的方法，其中，基于所述待检测图像，确定所述自注意力网络的输入特征包括：对所述待检测图像的特征图进行第一线性变换，得到第一线性特征；以及基于所述第一线性特征，确定所述自注意力网络的输入特征。6.根据权利要求2所述的方法，其中，所述卷积网络还包括点分离卷积子网络；所述基于所述局部特征，确定所述第二图像特征包括：将所述局部特征输入所述点分离卷积子网络，得到通道融合的融合后局部特征；以及将所述第一图像特征与所述融合后局部特征融合，得到所述第二图像特征。7.根据权利要求2所述的方法，其中，所述基于所述待检测图像，采用所述深度分离卷积子网络得到所述待检测图像的局部特征包括：对所述待检测图像的特征图进行第二线性变换，得到第二线性特征；以及将所述第二线性特征输入所述深度分离卷积子网络，得到所述局部特征。8.一种图像处理装置，包括：第一图像特征获得模块，用于基于待检测图像，采用图像检测模型的自注意力网络获得第一图像特征；第二图像特征获得模块，用于基于所述待检测图像，采用所述图像检测模型的卷积网络获得第二图像特征；以及检测结果获得模块，用于基于所述第一图像特征与所述第二图像特征的融合特征，采用所述图像检测模型的预测网络获...

【专利技术属性】
技术研发人员：谌强，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：