一种图像处理方法、装置、电子设备以及存储介质制造方法及图纸

本发明专利技术提供一种图像处理方法、装置、电子设备以及存储介质，图像处理方法包括：对图像处理模型的卷积层和批处理层进行量化，得到量化后的图像处理模型；利用所述量化后的图像处理模型对待处理图像进行处理。该方法能够压缩图像处理模型占用的存储空间，降低图像处理模型在平台上的部署难度。型在平台上的部署难度。型在平台上的部署难度。

【技术实现步骤摘要】
一种图像处理方法、装置、电子设备以及存储介质


[0001]本专利技术涉及图像处理
，尤其是涉及一种图像处理方法、装置、电子设备以及存储介质。

技术介绍

[0002]随着深度学习的快速发展，卷积神经网络结构越来越复杂，参数量越来越大，对存储空间的要求也越来越大，这无疑会增加卷积神经网络在平台上的部署难度，难度主要在于算法推理速度可能达不到实时性，以及模型占用内存空间大。

技术实现思路

[0003]本专利技术提供一种图像处理方法、装置、电子设备以及存储介质，该方法能够压缩图像处理模型占用的存储空间，降低图像处理模型在平台上的部署难度。
[0004]为解决上述技术问题，本专利技术提供的第一个技术方案为：提供一种图像处理方法，包括：对图像处理模型的卷积层和批处理层进行量化，得到量化后的图像处理模型；利用所述量化后的图像处理模型对待处理图像进行处理。
[0005]其中，所述对图像处理模型的卷积层和批处理层进行量化的步骤，包括：将所述卷积层与所述批处理层进行融合，得到融合层；对融合层进行量化。/>[0006]其中本文档来自技高网...

【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：对图像处理模型的卷积层和批处理层进行量化，得到量化后的图像处理模型；利用所述量化后的图像处理模型对待处理图像进行处理。2.根据权利要求1所述的图像处理方法，其特征在于，所述对图像处理模型的卷积层和批处理层进行量化的步骤，包括：将所述卷积层与所述批处理层进行融合，得到融合层；对融合层进行量化。3.根据权利要求1所述的图像处理方法，其特征在于，所述利用所述量化后的图像处理模型对待处理图像进行处理的步骤，包括：利用量化后的融合层对所述待处理图像进行处理。4.根据权利要求1所述的图像处理方法，其特征在于，所述利用所述量化后的图像处理模型对待处理图像进行处理的步骤，包括：对所述待处理图像进行分块，得到多个待处理块；利用GPU线程束中线程基于所述量化后的图像处理模型对所述待处理块中的像素点进行处理；其中，一个所述待处理块中所述像素点的数量是一个所述线程束中所述线程数量的整数倍。5.根据权利要求4所述的图像处理方法，其特征在于，所述利用GPU线程束中线程基于所述量化后的图像处理模型对所述待处理块中的像素点进行处理的步骤，包括：响应于相邻的所述线程对应处理的所述像素点的位置满足预设条件，则利用所述GPU的纹理内存存储所述像素点对应的数据，进而加速访存。6.根据权利要求1～5任一项所述的图像处理方法，其特征在于，所述利用所述量化后的图像处理模型对待处理图像进行处理的步骤，包括...

【专利技术属性】
技术研发人员：黄靖淞，王康，刘德龙，陈波扬，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：