基于局部二元卷积的图像处理方法、系统和存储介质技术方案

本申请涉及一种基于局部二元卷积的图像处理方法、系统和存储介质。包括：获取待处理的原始图像，对原始图像进行特征化的再处理，得到初始特征图；根据二元神经网络构建局部二元卷积模型，通过所述二元卷积模型对所述初始特征图进行二值化处理，并得到二值化特征图；将二值化特征图中的邻域像素采用中心像素作为局部阈值，并收集得到高阶图像统计信息；通过让二元神经网络识别所述高阶图像统计信息，实现局部二元卷积的图像处理。本申请以提高BNN结构的准确性，该方法可以通过局部阈值策略有效地从输入特征图中捕获具有最大化信息保留的高阶图像统计信息，从而增强BNN的表示能力和判别能力，提高了图像识别的精确度。提高了图像识别的精确度。提高了图像识别的精确度。

【技术实现步骤摘要】
基于局部二元卷积的图像处理方法、系统和存储介质


[0001]本申请涉及人工智能领域，特别是涉及一种基于局部二元卷积的图像处理方法、系统和存储介质。

技术介绍

[0002]人工智能(AI)的一个主要研究方向是开发越来越庞大且计算成本越来越高的深度学习模型，这些模型专注于通过使用大量计算能力和数据来提高预测准确性，而忽略了其他重要方面，例如可持续性、环境友好性、和在资源有限的边缘设备上的部署。许多研究人员已经意识到这一点，他们主张增加对绿色人工智能的研究，以在显着降低计算成本或考虑有限资源的情景下不显着牺牲模型的准确性。
[0003]近年来，为了获得低尺寸、低延迟和低能耗的深度模型，研究人员已经做出了许多努力，例如网络剪枝、紧凑和轻量级的网络设计网络量化等。其中，二元神经网络(BNN)，其中权重(可能还有激活值)被限制为二进制值(即+1和
‑
1)，而非全精度浮点型。BNN硬件友好，节省内存，计算效率高，因此看起来是一项在资源受限的边缘设备上部署深度模型的有吸引力技术。
[0004]对于权重和激活都是二元的BNN，存在下述的挑战，例如由于不可微的Sign二值函数，导致在训练过程中，前向和反向传播之间的梯度不匹配；全精度激活和二值化激活之间的大量化误差(或训练阶段的潜在权重和二值权重)；以及由于极端量化导致的有限表征能力，不可避免地导致严重的信息丢失。所有这些都导致了基于BNN进行图像处理时准确度的差距。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种基于局部二元卷积的图像处理方法、系统、设备和存储介质。
[0006]第一方面，本专利技术实施例提供了一种基于局部二元卷积的图像处理方法，该方法包括：
[0007]获取待处理的原始图像，对所述原始图像进行特征化的再处理，得到初始特征图；
[0008]根据二元神经网络构建局部二元卷积模型，通过所述二元卷积模型对所述初始特征图进行二值化处理，并得到二值化特征图；
[0009]将所述二值化特征图中的邻域像素采用中心像素作为局部阈值，并收集得到高阶图像统计信息；
[0010]通过让二元神经网络识别所述高阶图像统计信息，实现局部二元卷积的图像处理。
[0011]进一步的，所述根据二元神经网络构建局部二元卷积模型，通过所述二元卷积模型对所述初始特征图进行二值化处理，并得到二值化特征图，包括：
[0012]通过修改原始二元卷积中的恒等核，得到自适应核，以捕获和保留预设二值化过
程中初始特征图的高阶信息；
[0013]根据所述自适应核设计辅助微分滤波器，并依据所述辅助微分滤波器对初始特征图进行二值化处理。
[0014]进一步的，所述将所述二值化特征图中的邻域像素采用中心像素作为局部阈值，并收集得到高阶图像统计信息，包括：
[0015]通过初始特征图映射中位置的邻域像素进行二值化的局部阈值计算；
[0016]将每个卷积层中的输入通道分成两个不重叠的部分，分别用于捕获零阶或高阶信息；
[0017]通过调整分流比ξ，获得具有不同混合方案的结构。
[0018]进一步的，所述通过让二元神经网络识别所述高阶图像统计信息，实现局部二元卷积的图像处理，包括：
[0019]通过在每个块中添加额外的跳跃连接以促进高容量的信息流动；
[0020]采用PReLU激活函数实现对数据的训练；
[0021]在每个模块的残差路径中，采用预设序列以获得激活分布。
[0022]另一方面，本专利技术实施例还提供了一种基于局部二元卷积的图像处理系统，包括：
[0023]图像获取模块，用于获取待处理的原始图像，对所述原始图像进行特征化的再处理，得到初始特征图；
[0024]二值化特征模块，用于根据二元神经网络构建局部二元卷积模型，通过所述二元卷积模型对所述初始特征图进行二值化处理，并得到二值化特征图；
[0025]局部阈值获取模块，用于将所述二值化特征图中的邻域像素采用中心像素作为局部阈值，并收集得到高阶图像统计信息；
[0026]图像实现模块，用于通过让二元神经网络识别所述高阶图像统计信息，实现局部二元卷积的图像处理。
[0027]进一步的，所述二值化特征模块包括局部卷积单元，所述局部卷积单元用于：
[0028]通过修改原始二元卷积中的恒等核，得到自适应核，以捕获和保留预设二值化过程中初始特征图的高阶信息；
[0029]根据所述自适应核设计辅助微分滤波器，并依据所述辅助微分滤波器对初始特征图进行二值化处理。
[0030]进一步的，所述局部阈值获取模块包括梯度信息单元，所述梯度信息单元用于：
[0031]通过初始特征图映射中位置的邻域像素进行二值化的局部阈值计算；
[0032]将每个卷积层中的输入通道分成两个不重叠的部分，分别用于捕获零阶或高阶信息；
[0033]通过调整分流比ξ，获得具有不同混合方案的结构。
[0034]进一步的，所述图像实现模块包括二元处理单元，所述二元处理单元用于：
[0035]通过在每个块中添加额外的跳跃连接以促进高容量的信息流动；
[0036]采用PReLU激活函数实现对数据的训练；
[0037]在每个模块的残差路径中，采用预设序列以获得激活分布。
[0038]本专利技术实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0039]获取待处理的原始图像，对所述原始图像进行特征化的再处理，得到初始特征图；
[0040]根据二元神经网络构建局部二元卷积模型，通过所述二元卷积模型对所述初始特征图进行二值化处理，并得到二值化特征图；
[0041]将所述二值化特征图中的邻域像素采用中心像素作为局部阈值，并收集得到高阶图像统计信息；
[0042]通过让二元神经网络识别所述高阶图像统计信息，实现局部二元卷积的图像处理。
[0043]本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0044]获取待处理的原始图像，对所述原始图像进行特征化的再处理，得到初始特征图；
[0045]根据二元神经网络构建局部二元卷积模型，通过所述二元卷积模型对所述初始特征图进行二值化处理，并得到二值化特征图；
[0046]将所述二值化特征图中的邻域像素采用中心像素作为局部阈值，并收集得到高阶图像统计信息；
[0047]通过让二元神经网络识别所述高阶图像统计信息，实现局部二元卷积的图像处理。
[0048]上述基于局部二元卷积的图像处理方法、系统、设备和存储介质，该方法包括：获取待处理的原始图像，对所述原始图像进行特征化的再处理，得到初始特征图；根据二元神经网络构建局部二元卷积模型，通过所述二元卷积模型对所述初始特征图进行二值化处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于局部二元卷积的图像处理方法，其特征在于，所述方法包括：获取待处理的原始图像，对所述原始图像进行特征化的再处理，得到初始特征图；根据二元神经网络构建局部二元卷积模型，通过所述二元卷积模型对所述初始特征图进行二值化处理，并得到二值化特征图；将所述二值化特征图中的邻域像素采用中心像素作为局部阈值，并收集得到高阶图像统计信息；通过让二元神经网络识别所述高阶图像统计信息，实现局部二元卷积的图像处理。2.根据权利要求1所述的基于局部二元卷积的图像处理方法，其特征在于，所述根据二元神经网络构建局部二元卷积模型，通过所述二元卷积模型对所述初始特征图进行二值化处理，并得到二值化特征图，包括：通过修改原始二元卷积中的恒等核，得到自适应核，以捕获和保留预设二值化过程中初始特征图的高阶信息；根据所述自适应核设计辅助微分滤波器，并依据所述辅助微分滤波器对初始特征图进行二值化处理。3.根据权利要求1所述的基于局部二元卷积的图像处理方法，其特征在于，所述将所述二值化特征图中的邻域像素采用中心像素作为局部阈值，并收集得到高阶图像统计信息，包括：通过初始特征图映射中位置的邻域像素进行二值化的局部阈值计算；将每个卷积层中的输入通道分成两个不重叠的部分，分别用于捕获零阶或高阶信息；通过调整分流比ξ，获得具有不同混合方案的结构。4.根据权利要求1所述的基于局部二元卷积的图像处理方法，其特征在于，所述通过让二元神经网络识别所述高阶图像统计信息，实现局部二元卷积的图像处理，包括：通过在每个块中添加额外的跳跃连接以促进高容量的信息流动；采用PReLU激活函数实现对数据的训练；在每个模块的残差路径中，采用预设序列以获得激活分布。5.一种基于局部二元卷积的图像处理系统，其特征在于，包括：图像获取模块，用于获取待处理的原始图像，对所述原始图像进行特征化的再处理，得到初始...

【专利技术属性】
技术研发人员：刘丽，沈亲沐，高勋章，杨威，刘文哲，江新华，周晓琳，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：