图像处理加速方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种图像处理加速方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：将同一网络层对应的输出尺寸和输入尺寸分别输入对应的终端回归模型和服务器端回归模型，得到各个网络层分别对应的预测终端时延和预测服务器端时延；基于各个网络层分别对应的输出尺寸和目标带宽，计算各个网络层分别对应的上传时延；融合当前网络层的各个前向网络层分别对应的预测终端时延、当前网络层对应的预测终端时延、当前网络层的各个后向网络层分别对应的预测服务器端时延、以及当前网络层对应的上传时延，得到当前网络层对应的总时延；基于各个网络层分别对应的总时延，从各个网络层中确定目标层。采用本方法能够提高图像处理效率。处理效率。处理效率。

【技术实现步骤摘要】
图像处理加速方法、装置、计算机设备和存储介质


[0001]本申请涉及计算机视觉领域，特别是涉及一种图像处理加速方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]随着深度学习在计算机视觉领域的不断发展，出现了文本识别技术，文本识别技术通过特征提取网络提取图像特征信息，基于图像特征信息确定图像中的文本信息。
[0003]然而，在传统的图像处理方法中，由于图像处理的精度的不断提高，导致计算量越来越大，使得图像处理的效率降低。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高图像处理效率的图像处理加速方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0005]本申请提供了一种图像处理加速方法。所述方法包括：
[0006]获取图像处理网络中各个网络层类型分别对应的终端回归模型和服务器端回归模型、以及图像处理网络中各个网络层分别对应的输出尺寸和输入尺寸，获取目标带宽；
[0007]将同一网络层对应的输出尺寸和输入尺寸分别输入对应的终端回归模型和服本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理加速方法，其特征在于，所述方法包括：获取图像处理网络中各个网络层类型分别对应的终端回归模型和服务器端回归模型、以及所述图像处理网络中各个网络层分别对应的输出尺寸和输入尺寸，获取目标带宽；将同一网络层对应的输出尺寸和输入尺寸分别输入对应的终端回归模型和服务器端回归模型，得到所述各个网络层分别对应的预测终端时延和预测服务器端时延；基于所述各个网络层分别对应的输出尺寸和所述目标带宽，计算所述各个网络层分别对应的上传时延；融合当前网络层的各个前向网络层分别对应的预测终端时延、当前网络层对应的预测终端时延、当前网络层的各个后向网络层分别对应的预测服务器端时延、以及当前网络层对应的上传时延，得到当前网络层对应的总时延；基于所述各个网络层分别对应的总时延，从所述各个网络层中确定目标层；所述目标层和所述目标层对应的各个前向网络层用于在终端进行数据处理，所述目标层对应的各个后向网络层用于在服务器中进行数据处理。2.根据权利要求1所述的方法，其特征在于，所述基于所述各个网络层分别对应的总时延，从各个网络层中确定目标层，包括：将各个总时延中的最小值对应的网络层作为目标层。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取属于候选网络层类型的多个网络层在终端进行数据处理对应的实际终端时延、在服务器端进行数据处理对应的实际服务器端时延；基于属于所述候选网络层类型的各个网络层分别对应的输出尺寸、输入尺寸和实际终端时延，对所述候选网络层类型对应的第一初始回归模型进行模型训练，得到所述候选网络层类型对应的终端回归模型；基于属于所述候选网络层类型的各个网络层分别对应的输出尺寸、输入尺寸和实际服务器端时延，对所述候选网络层类型对应的第二初始回归模型进行模型训练，得到所述候选网络层类型对应的服务器端回归模型。4.根据权利要求1所述的方法，其特征在于，所述获取目标带宽，包括：获取预计运行时段；将所述预计运行时段输入带宽预测模型，得到目标带宽；其中，所述带宽预测模型是基于历史带宽序列训练得到的，所述历史带宽序列包括多个历史运行时段和各个历史运行时段分别对应的历史带宽。5.根据权利要求1所述的方法，其特征在于，所...

【专利技术属性】
技术研发人员：郑子彬，池浩鑫，林昊，蔡倬，赵山河，邬稳，梁万山，
申请(专利权)人：中山大学，
类型：发明
国别省市：