【技术实现步骤摘要】
图像处理方法、可读介质和电子设备
[0001]本申请涉及人工智能
，特别涉及一种图像处理方法、可读介质和电子设备。
技术介绍
[0002]随着人工智能(artificial intelligence，AI)技术的发展，深度学习以深度神经网络(deep neural network，DNN)作为模型，在许多人工智能的关键领域取得了十分显著的成果，如图像识别、目标检测、增强学习、语义分析等。
[0003]以图像识别为例，在神经网络模型计算过程中，神经网络模型对输入的待处理图像通常采用浮点计算。然而，浮点计算需要大量的计算成本、占用大量的内存，进而影响神经网络模型的运行速度。为了提高神经网络模型的运行速度，需要将神经网络模型进行量化，得到定点运算的神经网络模型，再由电子设备来运行，实现对输入神经网络模型的待处理图像的处理。
技术实现思路
[0004]本申请的目的在于提供一种图像处理处理方法、可读介质和电子设备。
[0005]本申请的第一方面提供了一种图像处理方法，包括：获取待识别图像特征图；获...
【技术保护点】
【技术特征摘要】
1.一种图像处理处理方法，其特征在于，包括：获取待识别图像特征图；获取所述待识别图像上的感兴趣区域的浮点区域位置信息，并将所述浮点单元位置信息量化为定点区域位置信息；基于所述感兴趣区域的定点区域位置信息，得到所述感兴趣区域所包括的感兴趣单元的浮点单元位置信息；对所述浮点单元位置信息进行量化，得到定点单元位置信息；基于所述定点单元位置信息，获取对应的感兴趣单元的特征值；基于感兴趣区域中的所述感兴趣单元的特征值，得到所述感兴趣区域的区域特征图；基于所述区域特征图，得到所述待识别图像的识别结果。2.根据权利要求1所述的方法，其特征在于，所述浮点区域位置信息包括所述感兴趣区域的多个顶点的位置坐标。3.根据权利要求1所述的方法，其特征在于，所述获取所述待识别图像上的感兴趣区域的浮点区域位置信息，并将所述浮点单元位置信息量化为定点区域位置信息，包括：获取所述待识别图像上的感兴趣区域的浮点区域位置信息；确定量化参数，并基于量化参数对所述浮点区域位置信息进行量化，得到定点区域位置信息。4.根据权利要求2所述的方法，其特征在于，所述基于所述感兴趣区域的定点区域位置信息，得到所述感兴趣区域所包括的感兴趣单元的浮点单元位置信息，包括：确定区域特征图的尺寸信息，并基于所述区域特征图的尺寸信息和所述定点区域位置信息将所述感兴趣区域划分为多个感兴趣单元；确定各个所述感兴趣单元的浮点单元位置信息。5.根据权利要求4所述的方法，其特征在于，所述确定区域特征图的尺寸信息，并基于所述区域特征图的尺寸信息和所述定点区域位置信息将所述感兴趣区域划分为多个感兴趣单元，包括：确定所述感兴趣区域的第一尺寸信息和所述区域特征图的第二尺寸信息，其中，所述第一尺寸信息包括所述感兴趣区域的宽度和高度，所述第二尺寸信息包括所述区域特征图的宽度和高度；基于所述感兴趣区域的高度和所述区域特征图的高度确定高度缩放系数，基于所述感兴趣区域的宽度和所述区域特征图的宽度确定宽度缩放系数，其中，所述高度缩放系数表示所述感兴趣区域的高度与所述区域特征图的高度的比例，所述宽度缩放系数表示所述感兴趣区域的宽度与所述区域特征图的宽度的比例；基于所述高度缩放系数和所述宽度缩放系数、所述感兴趣区域的定点区域位置信息和所述区域特征图的尺寸信息，将所述感兴趣区域划分为多个感兴趣单元。6.根据权利要求5所述的方法，其特征在于，所述基于所述高度缩放系数和所述宽度缩放系数、所述感兴趣区域的定点区域位置信息和所述区域特征图的尺寸信息，将所述感兴趣区域划分为多个感兴趣单元，包括：基于所述感兴趣区域的左上角的顶点的位置坐标，确定所述感兴趣区域的左上角的顶点在所述待识别图像中的位置；
基于所述区域特征图的尺寸信息、所述高度缩放系数和所述宽度缩放系数，确定各个所述感兴趣单元的高度...
【专利技术属性】
技术研发人员：章小龙，许礼武，
申请(专利权)人：安谋科技中国有限公司，
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。