(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211106978.7 (22)申请日 2022.09.09 (71)申请人 阿波罗智联 （北京） 科技有限公司 地址 100176 北京市大兴区北京经济技 术 开发区瑞合西二路7号院1号楼1层101 申请人 阿波罗智行 科技 （广州） 有限公司 (72)发明人 夏春龙　 (74)专利代理 机构 北京柏杉松知识产权代理事 务所(普通 合伙) 11413 专利代理师 李冬　高莺然 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/34(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06V 20/58(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种图像处 理方法、 装置、 电子设备及 介质 (57)摘要 本公开提供了一种图像处理方法、 装置、 电 子设备及介质， 涉及人工智能技术领域， 尤其涉 及计算机视觉技术领域。 具体实现方案为： 获取 待处理图像， 然后利用预先训练的特征提取网络 中的至少一层动态卷积算子和多层静态卷积算 子对待处理图像进行特征提取， 得到特征提取网 络输出的包括待处理图像特征的目标特征图。 其 中， 每层动态卷积算子的处理包括： 基于接收到 的特征图预测动态膨胀系数， 按照动态膨胀系数 对接收到的特征图进行卷积操作， 得到输出特征 图； 每层静态卷积算子的处理包括： 按照默认膨 胀系数对接收到的特征图进行卷积操作， 得到输 出特征图。 之后基于目标特征图确定待处理图像 的识别结果。 可以提高图像识别的准确性。 权利要求书3页 说明书12页 附图8页 CN 115439692 A 2022.12.06 CN 115439692 A 1.一种图像处 理方法， 包括： 获取待处 理图像； 利用预先训练的特征提取网络中的至少一层动态卷积算子和多层静态卷积算子对所 述待处理图像进 行特征提取， 得到所述特征提取网络输出的包括所述待处理图像特征的目 标特征图； 其中， 每层动态卷积算子的处理包括： 基于接 收到的特征图预测动态膨胀系数， 按照所述动态膨胀系 数对接收到的特征图进行卷积操作， 得到输出特征图； 每层静态卷积 算子的处 理包括： 按照默认膨胀系数对接收到的特 征图进行 卷积操作， 得到 输出特征图； 基于所述目标 特征图确定所述待处 理图像的识别结果。 2.根据权利要求1所述的方法， 其中， 所述基于接收到的特征图预测动态膨胀系数， 包 括： 对接收到的特 征图进行全局池化操作； 对全局池化结果进行全连接处理， 得到接收到的特征图与各预设膨胀系数匹配的概 率； 选择概率最大的预设膨胀系数作为所述动态膨胀系数。 3.根据权利要求1所述的方法， 其中， 所述基于接收到的特征图预测动态膨胀系数， 包 括： 对接收到的特 征图进行深度可分离卷积 操作； 对深度可分离卷积操作的结果进行全连接处理， 得到输入特征图与 各预设膨胀系数匹 配的概率； 选择概率最大的预设膨胀系数作为所述动态膨胀系数。 4.根据权利要求1所述的方法， 其中， 所述基于接收到的特征图预测动态膨胀系数， 包 括： 对接收到的特 征图进行全局池化操作； 对全局池化操作结果进行深度可分离卷积 操作； 对深度可分离卷积操作的结果进行全连接处理， 得到输入特征图与 各预设膨胀系数匹 配的概率； 选择概率最大的预设膨胀系数作为所述动态膨胀系数。 5.根据权利要求1 ‑4任一项所述的方法， 其中， 所述特征提取网络属于预先训练的图像 分类模型， 所述图像分类模型还 包括分类子网络； 所述基于所述目标 特征图确定所述待处 理图像的识别结果， 包括： 将所述目标特征图输入所述分类子网络的全局池化层， 得到所述待处理图像的池化特 征图； 将所述池化特征图输入所述分类子网络的全连接层， 得到所述待处理图像属于各预设 类别的概 率； 选择概率最大的预设类别作为所述待处 理图像的类别。 6.根据权利要求1 ‑4任一项所述的方法， 其中， 所述特征提取网络属于预先训练的图像 检测模型， 所述图像 检测模型还 包括目标检测子网络； 所述基于所述目标 特征图确定所述待处 理图像的识别结果， 包括： 对所述目标 特征图进行 特征融合， 得到所述目标 特征图的多尺度特 征；权　利　要　求　书 1/3 页 2 CN 115439692 A 2基于所述目标特征图的多尺度 特征， 检测所述待处理图像中的目标区域位置以及目标 区域中的目标。 7.一种图像处 理装置， 包括： 获取模块， 用于获取待处 理图像； 特征提取模块， 用于利用预先训练 的特征提取网络 中的至少一层动态卷积算子和多层 静态卷积算子对所述 获取模块获取的所述待处理图像进行特征提取， 得到所述特征提取网 络输出的包括所述待处理图像特征的目标特征图； 其中， 每层动态卷积算子的处理包括： 基 于接收到的特征图预测 动态膨胀系数， 按照所述动态膨胀系数对接收到的特征图进行卷积 操作， 得到输出特征图； 每层静态卷积算子的处理包括： 按照默认膨胀系数对接收到的特征 图进行卷积操作， 得到 输出特征图； 识别模块， 用于基于所述特征提取模块提取的所述目标特征图确定所述待处理图像的 识别结果。 8.根据权利要求7 所述的装置， 其中， 所述特 征提取模块， 具体用于： 对接收到的特 征图进行全局池化操作； 对全局池化结果进行全连接处理， 得到接收到的特征图与各预设膨胀系数匹配的概 率； 选择概率最大的预设膨胀系数作为所述动态膨胀系数。 9.根据权利要求7 所述的装置， 其中， 所述特 征提取模块， 具体用于： 对接收到的特 征图进行深度可分离卷积 操作； 对深度可分离卷积操作的结果进行全连接处理， 得到输入特征图与 各预设膨胀系数匹 配的概率； 选择概率最大的预设膨胀系数作为所述动态膨胀系数。 10.根据权利要求7 所述的装置， 其中， 所述特 征提取模块， 具体用于： 对接收到的特 征图进行全局池化操作； 对全局池化操作结果进行深度可分离卷积 操作； 对深度可分离卷积操作的结果进行全连接处理， 得到输入特征图与 各预设膨胀系数匹 配的概率； 选择概率最大的预设膨胀系数作为所述动态膨胀系数。 11.根据权利要求7 ‑10任一项所述的装置， 其中， 所述特征提取网络属于预先训练的图 像分类模型， 所述图像分类模型还 包括分类子网络； 所述识别模块， 具体用于： 将所述目标特征图输入所述分类子网络的全局池化层， 得到所述待处理图像的池化特 征图； 将所述池化特征图输入所述分类子网络的全连接层， 得到所述待处理图像属于各预设 类别的概 率； 选择概率最大的预设类别作为所述待处 理图像的类别。 12.根据权利要求7 ‑10任一项所述的装置， 其中， 所述特征提取网络属于预先训练的图 像检测模型， 所述图像 检测模型还 包括目标检测子网络； 所述识别模块， 具体用于：权　利　要　求　书 2/3 页 3 CN 115439692 A 3