基于深度神经网络模型的轻量化部署图像处理方法技术

本发明专利技术公开了基于深度神经网络模型的轻量化部署图像处理方法，方法包括：获取待处理图像，通过训练好的改进神经网络模型对待处理图像进行图像处理，得到待处理图像的目标区域；模型包括用于对待处理图像进行分组卷积，得到待编码特征图的分组输入模块、用于对待编码特征图进行下采样和卷积处理的编码器模块、用于对编码器模块的输出进行上采样和转置卷积处理，得到待重塑特征图的解码器模块和用于对待重塑特征图进行分组重塑，得到待处理图像的目标区域的重塑输出模块。本发明专利技术显著降低了神经网络模型的参量和部署成本，实现模型的轻量化部署，并提高了模型在图像处理任务上的处理效果和效率，可应用于如图像分割、目标识别等图像处理任务。

【技术实现步骤摘要】

本专利技术涉及图像处理，特别涉及基于深度神经网络模型的轻量化部署图像处理方法。

技术介绍

1、计算机视觉是一个通过技术帮助计算机看到并看懂图像的研究领域，计算机视觉主要应用于人脸识别、图像识别等方面，可以分为图像分类、目标定位、目标检测、图像分割等图像处理方面。目前计算机视觉领域中常用于进行图像处理的神经网络模型有fasterrcnn、mobilenet、sufflenet等，它们在如图像分割、目标识别等图像处理任务上均表现出较佳的处理效果和性能。

2、然而，在面对复杂情境下的目标检测、图像分割等图像处理任务时，大部分现有的神经网络模型存在有无法捕捉到长距离相邻特征之间的依赖关系、卷积核感受野太小、神经网络模型参量和计算量较高等问题，导致它们只能感受局部输入而忽略了特征，不仅使得多个特征之间的信息交流存在严重的局限性，限制了神经网络模型的特征表示能力，而且它们在面对目标检测、图像分割等图像处理任务上的精准度和表现不佳，图像处理的精准度和效率有待进一步地提高。

技术实现思路

1、本专利技术的目的是提本文档来自技高网...

【技术保护点】

1.基于深度神经网络的轻量化部署图像处理方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度神经网络的轻量化部署图像处理方法，其特征在于，所述分组输入模块包括顺次连接的输入卷积单元、通道分组层和通道拼接层，所述输入卷积单元包括至少两层CBL层；所述对所述待处理图像进行分组卷积，得到待编码特征图，包括：

3.根据权利要求2所述的基于深度神经网络的轻量化部署图像处理方法，其特征在于，所述重塑输出模块包括顺次连接的通道重塑层、输出卷积单元和输出层，所述输出卷积单元与所述输入卷积单元进行残差连接，所述输出卷积单元包括至少两层CBL层；所述对所述待重塑特征图进...

【技术特征摘要】

1.基于深度神经网络的轻量化部署图像处理方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度神经网络的轻量化部署图像处理方法，其特征在于，所述分组输入模块包括顺次连接的输入卷积单元、通道分组层和通道拼接层，所述输入卷积单元包括至少两层cbl层；所述对所述待处理图像进行分组卷积，得到待编码特征图，包括：

3.根据权利要求2所述的基于深度神经网络的轻量化部署图像处理方法，其特征在于，所述重塑输出模块包括顺次连接的通道重塑层、输出卷积单元和输出层，所述输出卷积单元与所述输入卷积单元进行残差连接，所述输出卷积单元包括至少两层cbl层；所述对所述待重塑特征图进行分组重塑，得到所述待处理图像的目标区域，包括：

4.根据权利要求1所述的基于深度神经网络的轻量化部署图像处理方法，其特征在于，所述编码器模块包括顺次连接的第一下采样层、第一编码器、第二下采样层、第二编码器和第三下采样层；所述对所述待编码特征图进行下采样和卷积处理，包括：

5.根据权利要求4所述的基于深度神经网络的轻量化部署图像处理方法，其特征在于，所述解码器模块包括顺次连接的第一上采样层、第一解码器、第二上采样层和第二解码器，所述第一解码器的输出端与所述第二编码器的输出端残差连接，所述第二...

【专利技术属性】
技术研发人员：蔡泽民，罗嘉瑞，林佳虹，陈炳文，林祥麒，张慧仪，
申请(专利权)人：汕头大学，
类型：发明
国别省市：