用于图像处理的卷积神经网络模型的训练方法技术

本公开涉及用于图像处理的卷积神经网络模型的训练方法。用于图像处理的卷积神经网络模型的训练方法，包括：利用训练集图像对待训练的卷积神经网络模型进行训练，卷积神经网络模型包括包含多个通道的卷积核，用于对包括多个通道的图像特征进行卷积处理；以及对经训练的卷积神经网络模型进行校验：基于测试集图像对图像特征的通道向量进行聚类以得到参考通道向量；对用于对图像特征进行卷积处理的每个卷积核计算其每个通道向量与每个参考通道向量的点乘结果以得到通道向量点乘表；以及存储参考通道向量和与卷积核对应的通道向量点乘表作为经训练的卷积神经网络模型的参数，通道向量是由图像特征或卷积核中的不同通道中的相同坐标处的值构成的向量。相同坐标处的值构成的向量。相同坐标处的值构成的向量。

【技术实现步骤摘要】
用于图像处理的卷积神经网络模型的训练方法


[0001]本公开涉及智能设备端的图像处理。
[0002]具体来说，涉及一种用于智能设备端的图像处理的卷积神经网络模型的训练方法，采用如此训练的卷积神经网络模型的图像处理方法，其上存储有上述方法的计算机存储介质，实现上述方法的图像处理装置以及包括图像处理装置的智能设备。

技术介绍

[0003]目前，在智能设备（例如手机、平板电脑、智能摄像头、智能闸机等）中，对图像处理技术有广泛的需要。例如，在智能摄像头中，需要进行图像处理以实现人脸识别、美颜等功能。
[0004]现有的图像处理方法采用卷积神经网络模型，在图像处理时需要进行大量的计算。但是，在智能设备端进行图像处理时，计算资源通常较为紧张，期望的计算时间也通常较短。
[0005]因此，需要改进目前所采用的卷积神经网络模型的训练方法以及相应的图像处理方法，减少利用经训练的卷积神经网络模型进行图像处理的过程中的计算量，从而减少在智能设备端进行图像处理所需的计算时间和计算资源。

技术实现思路

[0006]本公开的目的之一是提供一种用于图像处理的卷积神经网络模型的训练方法。
[0007]根据本公开的一个方面，提供了一种用于图像处理的卷积神经网络模型的训练方法，其特征在于，所述方法包括：利用训练集图像对待训练的卷积神经网络模型进行训练，其中待训练的卷积神经网络模型包括一个或多个卷积核，每个卷积核包括多个通道，用于对包括多个通道的图像特征进行卷积处理；以及通过以下步骤，对经训练的卷积神经网络模型进行校验：基于测试集图像对图像特征的通道向量进行聚类以得到一组参考通道向量；针对用于对所述图像特征进行卷积处理的每一个卷积核，计算该卷积核的每一个通道向量与所述图像特征的每一个参考通道向量的点乘结果以得到一个通道向量点乘表；以及存储所述一组参考通道向量和与一个或多个卷积核对应的一个或多个通道向量点乘表作为经训练的卷积神经网络模型的参数，其中所述通道向量是由包括多个通道的图像特征或卷积核中的不同通道中的相同坐标处的值构成的向量。
[0008]根据本公开的另一个方面，提供了一种图像处理方法，其特征在于，所述方法包括：获得根据权利要求1所述的方法训练的卷积神经网络模型；以及利用经训练的卷积神经网络模型中的一个或多个卷积核对要处理的图像的图像特征进行卷积处理，其中，在计算所述图像特征的一个通道向量与用于对所述图像特征进行卷积处理的卷积核的一个通道向量的点乘结果时：对所述图像特征的所述通道向量进行分类，确定对应的一组参考通道向量中的与所述图像特征的所述通道向量最接近的参考通道向量；并且查对应的通道向量点乘表，得到所述最接近的参考通道向量与所述卷积核的所述通道向量的点乘结果，作为
所述图像特征的所述通道向量与所述卷积核的所述通道向量的点乘结果。
[0009]根据本公开的另一个方面，提供了一种计算机存储介质，其上存储有可执行指令，所述指令在被执行时能够实现上述方法。
[0010]根据本公开的另一个方面，提供了一种图像处理装置，其特征在于，所述装置能够实现上述方法。
[0011]根据本公开的又一个方面，提供了一种智能设备，其特征在于，所述智能设备包括上述装置。
[0012]通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得更为清楚。
附图说明
[0013]构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
[0014]参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：图1示出了现有技术中用于图像处理的卷积神经网络模型的示意图。
[0015]图2示出了根据本公开的至少一个实施例的用于图像处理的卷积神经网络模型的训练方法的流程图。
[0016]图3示出了根据本公开的至少一个实施例的用于训练的卷积神经网络模型的示意图。
[0017]图4示出了根据本公开的至少一个实施例的图像处理方法的流程图。
[0018]图5示出了根据本公开的至少一个实施例的图像处理装置的示意性框图。
[0019]注意，在以下说明的实施方式中，有时在不同的附图之间共同使用同一附图标记来表示相同部分或具有相同功能的部分，而省略其重复说明。在一些情况中，使用相似的标号和字母表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0020]为了便于理解，在附图等中所示的各结构的位置、尺寸及范围等有时不表示实际的位置、尺寸及范围等。因此，本公开并不限于附图等所公开的位置、尺寸及范围等。
具体实施方式
[0021]下面将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
[0022]以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。也就是说，本文中的结构及方法是以示例性的方式示出，来说明本公开中的结构和方法的不同实施例。然而，本领域技术人员将会理解，它们仅仅说明可以用来实施的本公开的示例性方式，而不是穷尽的方式。此外，附图不必按比例绘制，一些特征可能被放大以示出具体组件的细节。
[0023]对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
cc1; aa2, ab2, ac2,
ꢀ…ꢀ
ca4, cb4, cc4进行乘加运算时，针对卷积核121的每一个通道向量v
AA
=[AA1, AA2, AA3, AA4], v
AB
=[AB1, AB2, AB3, AB4], v
AC
=[AC1, AC2, AC3, AC4],
ꢀ…
, v
CC
=[CC1, CC2, CC3, CC4]分别计算其与图像特征110的相应通道向量u
aa
=[aa1, aa2, aa3, aa4], u
ab
=[ab1, ab2, ab3, ab4], u
ac
=[ac1, ac2, ac3, ac4],
ꢀ…
, u
cc
=[cc1, cc2, cc3, cc4]的点乘结果，即分别计算u
aa
·
v
AA
, u
ab
·
v
AB
, u
ac
·
v
AC
,
…
, u
cc
·
v
CC
。之后，将上述点乘结果之和作为图像特征130的第1通道的坐标(a,a)处的特征值aa1。类似地，在利用卷积核121与图像特征110的特征值ab1, ac1, ad1,...

【技术保护点】

【技术特征摘要】
1.一种用于图像处理的卷积神经网络模型的训练方法，其特征在于，所述方法包括：利用训练集图像对待训练的卷积神经网络模型进行训练，其中待训练的卷积神经网络模型包括一个或多个卷积核，每个卷积核包括多个通道，用于对包括多个通道的图像特征进行卷积处理；以及通过以下步骤，对经训练的卷积神经网络模型进行校验：基于测试集图像对图像特征的通道向量进行聚类以得到一组参考通道向量；针对用于对所述图像特征进行卷积处理的每一个卷积核，计算该卷积核的每一个通道向量与所述图像特征的每一个参考通道向量的点乘结果以得到一个通道向量点乘表；以及存储所述一组参考通道向量和一个或多个通道向量点乘表作为经训练的卷积神经网络模型的参数，其中每一个通道向量点乘表分别与一个卷积核对应，并且其中所述通道向量是由包括多个通道的图像特征中的不同通道中的相同坐标处的值构成的向量，或者是由包括多个通道的卷积核中的不同通道中的相同坐标处的值构成的向量。2.根据权利要求1所述的方法，所述方法还包括：在对经训练的卷积神经网络模型进行校验时，通过不同方式对图像特征的通道向量进行聚类以得到两组或更多组参考通道向量，针对用于对所述图像特征进行卷积处理的每一个卷积核计算该卷积核的每一个通道向量与每一组参考通道向量中的每一个参考通道向量的点乘结果以得到与两组或更多组参考通道向量对应的两组或更多组通道向量点乘表，并且存储所述两组或更多组参考通道向量和所述两组或更多组通道向量点乘表作为经训练的卷积神经网络模型的参数。3.根据权利要求1所述的方法，所述方法还包括：至少部分地基于用于对所述图像特征进行卷积处理的卷积核的分辨率来确定对所述图像特征的通道向量进行聚类的类数。4.根据权利要求1所述的方法，所述方法还包括：将对所述图像特征的通道向量进行聚类的类数确定为使得聚类损失小...

【专利技术属性】
技术研发人员：艾国，杨作兴，房汝明，向志宏，
申请(专利权)人：深圳比特微电子科技有限公司，
类型：发明
国别省市：