(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 202210282992.6 (22)申请日 2022.03.22 (71)申请人 北京市商汤科技 开发有限公司 地址 100080 北京市海淀区北四环西路58 号11层1101-1117室 (72)发明人 王柏润　刘建博　张帅　伊帅　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 专利代理师 董文俊 (51)Int.Cl. G06V 10/25(2022.01) G06V 10/44(2022.01) G06V 10/75(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 图像处理方法及 装置、 电子设备及计算机可 读存储介质 (57)摘要 本申请公开了一种图像处理方法及装置、 电 子设备及计算机可读存储介质。 该方法包括： 获 取待处理图像和第一目标检测网络； 使用所述第 一目标检测网络对所述待处理图像进行处理， 得 到所述待处理图像的第一检测结果； 其中， 所述 第一目标检测网络通过将第二目标检测网络进 行网络压缩得到； 所述网络压缩的过程包括： 将 所述第二目标检测网络的任意一层输出的特征 数据的分辨 率降低n倍。 权利要求书3页 说明书25页 附图1页 CN 114612653 A 2022.06.10 CN 114612653 A 1.一种图像处 理方法， 其特 征在于， 所述方法包括： 获取待处 理图像和第一目标检测网络； 使用所述第 一目标检测网络对所述待处理图像进行目标检测处理， 得到所述待处理图 像的第一检测结果； 其中， 所述第一目标检测网络通过将第二目标检测网络进行网络压缩得到； 所述网络 压缩的过程包括： 将所述第二目标检测网络的任意 一层输出的特 征数据的分辨 率降低n倍。 2.根据权利要求1所述的方法， 其特征在于， 所述第二目标检测网络包括第一主干网 络； 所述获取第一目标检测网络， 包括： 获取所述第二目标检测网络， 所述第二目标检测网络为已训练的目标检测网络； 在所述第一主干网络的第m层特征提取层与第(m+1)层特征提取层 之间增加n倍下采样 处理， 得到第二主干网络； 所述n为正整数， 所述第一主干网络的特征提取层的数量大于或 等于(m+1)； 根据所述第二主干网络和所述第二目标检测网络中除所述第一主干网络之外的网络 结构， 得到所述第一目标检测网络 。 3.根据权利要求2所述的方法， 其特征在于， 所述根据所述第 二主干网络和所述第 二目 标检测网络中除所述第一主干网络之外的网络结构， 得到所述第一目标检测网络， 包括： 在所述第二主干网络的第(m+1)层特征提取层 之后增加n倍上采样处理， 得到第三主干 网络； 根据所述第三主干网络和所述第二目标检测网络中除所述第一主干网络之外的网络 结构， 得到所述第一目标检测网络 。 4.根据权利要求2或3所述的方法， 其特征在于， 所述获取所述第二目标检测网络， 包 括： 获取第三目标检测网络， 所述第三目标检测网络为已训练的目标检测网络， 且所述第 三目标检测网络包括第四主干网络， 所述第四主干网络的结构与所述第一主干网络的结构 相同； 所述第四主干网络的第(m+1)层特征提取层 包括目标卷积核， 所述目标卷积核的尺 寸 大于所述第一主干网络的第(m+1)层特 征提取层的卷积核的尺寸； 将所述第三目标检测网络 中的所述目标卷积核的尺寸缩小至第 一尺寸， 得到所述第 二 目标检测网络， 所述第一尺寸为所述第一主干网络的第(m+1)层特征提取层的卷积核的尺 寸。 5.根据权利要求4所述的方法， 其特征在于， 所述目标检测处理所检测的对象为目标对 象； 所述获取第三目标检测网络， 包括： 获取第四目标检测网络和训练图像集， 所述第四目标检测网络的结构与所述第 三目标 检测网络的结构相同； 所述第四目标检测网络中的所述目标卷积核的尺寸为所述第一尺 寸； 所述训练图像集的标签包括所述目标对象的类别和所述目标对象的检测框在图像中的 位置； 将所述第四目标检测网络中的所述目标卷积核的尺寸由所述第一尺寸扩大至第二尺 寸， 得到第五目标检测网络；权　利　要　求　书 1/3 页 2 CN 114612653 A 2使用所述训练图像集对所述第五目标检测网络进行训练， 得到所述第三目标检测网 络。 6.根据权利要求5所述的方法， 其特征在于， 在所述目标卷积核的尺寸为第 一尺寸的情 况下， 所述目标 卷积核包括t个参数； 所述使用所述训练图像集对所述第五 目标检测网络进行训练， 得到所述第 三目标检测 网络， 包括： 使用所述训练图像集对所述第五目标检测网络进行训练， 在所述目标卷积核中的计算 参数的数量小于或等于t的情况下， 得到所述第三目标检测网络， 所述计算参数的取值为参 考值。 7.根据权利要求6所述的方法， 其特 征在于， 所述训练图像集包括第一训练图像； 所述使用所述训练图像集对所述第五 目标检测网络进行训练， 在所述目标卷积核中的 计算参数的数量小于或等于t的情况 下， 得到所述第三目标检测网络， 包括： 使用所述第五 目标检测网络对所述第 一训练图像进行目标检测处理， 得到所述第 一训 练图像的第二检测结果； 在所述第五目标检测网络对所述第一训练图像进 行目标检测处理 的过程中， 所述第四主干网络中的第s层特 征提取层输出第一特 征数据； 通过使用所述第四目标检测网络对所述第 一训练图像进行目标检测处理， 得到所述第 s层特征提取层输出第二特 征数据； 根据所述第二检测结果与所述第一训练图像的标签的第一差异， 得到第一损 失， 所述 第一损失与所述第一差异呈正相关； 根据所述第一特征数据与所述第二特征数据的第二差异， 得到第二损 失， 所述第二损 失与所述第二差异呈正相关； 根据所述第一损 失和所述第二损 失， 更新所述第五目标检测网络的参数， 在所述目标 卷积核中的所述计算 参数的数量小于或等于t的情况 下， 得到所述第三目标检测网络 。 8.根据权利要求4至7中任意一项所述的方法， 其特征在于， 所述将所述第三目标检测 网络中的所述目标 卷积核的尺寸缩小至第一尺寸， 得到所述第二目标检测网络， 包括： 通过对所述第 三目标检测网络 中的所述目标卷积核进行下采样处理， 将所述目标卷积 核的尺寸缩小至所述第一尺寸， 得到所述第二目标检测网络 。 9.根据权利要求4至8中任意一项所述的方法， 其特征在于， 所述根据所述第二主干网 络和所述第二目标检测网络中除所述第一主干网络之外的网络结构， 得到所述第一目标检 测网络， 包括： 合并所述第二主干网络和所述第二目标检测网络中除所述第一主干网络之外的网络 结构， 得到第六目标检测网络； 使用所述第 三目标检测网络对第 二训练图像进行目标检测处理， 得到所述第 二训练图 像的第三检测结果； 使用所述第四目标检测网络对所述第 二训练图像进行目标检测处理， 得到所述第 二训 练图像的第四检测结果； 使用所述第六目标检测网络对所述第 二训练图像进行目标检测处理， 得到所述第 二训 练图像的第五检测结果； 根据所述第三检测结果与所述第五检测结果之间的第三差异， 得到第三损 失， 所述第权　利　要　求　书 2/3 页 3 CN 114612653 A 3