【技术实现步骤摘要】
本申请涉及人工智能，特别是涉及一种图像处理方法及相关方法、装置、电子设备和存储介质。
技术介绍
1、近年来，以图像、语音、自然语言等任务为代表的神经网络模型展现出极大的应用价值。神经网络模型在训练完毕之后，通常部署在服务器或边缘（嵌入式）设备上进行推理。
2、通常情况下，浮点训练之后的神经网络模型需要通过量化技术转化为低比特模型，以提升模型推理速度。但是，通过现有技术部署神经网络模型，如图像处理模型等，仍然存在较高的精度损失，导致图像处理等任务的准确性难以得到提升。有鉴于此，如何尽可能地确保神经网络模型的推理速度，并提升神经网络模型在其处理任务上的准确性，成为亟待解决的问题。
技术实现思路
1、本申请主要解决的技术问题是提供一种图像处理方法及相关方法、装置、电子设备和存储介质，能够尽可能地确保神经网络模型的推理速度，并提升神经网络模型在其处理任务上的准确性。
2、为了解决上述技术问题，本申请第一方面提供了一种图像处理方法，包括：提取待处理图像的图像特征表示，并基于当...
【技术保护点】
1.一种图像处理方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述图像处理模型的训练步骤包括：
3.根据权利要求2所述的方法，其特征在于，所述递减所述裁剪系数，包括：
4.根据权利要求2所述的方法，其特征在于，所述递减所述裁剪系数，包括：
5.根据权利要求2所述的方法，其特征在于，所述基于所述图像处理模型中所述权重参数和所述裁剪系数的当前值，得到第一范围，包括：
6.根据权利要求1所述的方法，其特征在于，在所述裁剪训练结束之后，所述方法还包括：
7.根据权利要求6所述的方法，...
【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述图像处理模型的训练步骤包括：
3.根据权利要求2所述的方法，其特征在于，所述递减所述裁剪系数，包括：
4.根据权利要求2所述的方法，其特征在于，所述递减所述裁剪系数，包括：
5.根据权利要求2所述的方法，其特征在于，所述基于所述图像处理模型中所述权重参数和所述裁剪系数的当前值，得到第一范围，包括：
6.根据权利要求1所述的方法，其特征在于，在所述裁剪训练结束之后，所述方法还包括：
7.根据权利要求6所述的方法，其特征在于，所述量化训练之前所述图像处理模型中各个网络层分别初始化有用于量化输入参数/输出参数的第一缩放因子，且对于任一所述网络层，所述第一缩放因子的初始化步骤包括：
8.根据权利要求6所述的方法，其特征在于，所述量化训练之前所述图像处理模型中各个网络层分别初始化有用于量化权重参数第二缩放因子，且对于任一所述网络层，所述第二缩放因子的初始化步骤包括：
9.根据权利要求2或6所述的方法，其特征在于，...
【专利技术属性】
技术研发人员：王智国，涂思奇，吕亚飞，于振华，
申请(专利权)人：安徽聆思智能科技有限公司，
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。