CN113592004B 分配方法及装置、电子设备和存储介质 （深圳市商汤科技有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN113592004B(45)授权公告日2025.01.10

(21)申请号202110891899.0

(22)申请日2019.02.25

(65)同一申请的已公布的文献号申请公布号CN113592004A

(43)申请公布日2021.11.02

(62)分案原申请数据

201910139007.42019.02.25

(73)专利权人深圳市商汤科技有限公司

地址518000广东省深圳市前海深港合作

区前湾一路1号A栋201室

(72)发明人李艺旷章辉陈益民张伟

(74)专利代理机构北京林达刘知识产权代理事务所(普通合伙)11277

(51)Int.CI.

GO6V10/764(2022.01)GO6V10/82(2022.01)GO6N3/0464(2023.01)GO6N3/08(2023.01)

(56)对比文件

CN109902738B,2021.07.20

审查员张梦乡

专利代理师刘新宇

权利要求书2页说明书13页附图6页

(54)发明名称

(57)摘要本公开涉及一种分配方法及装置、电子设备

(57)摘要

本公开涉及一种分配方法及装置、电子设备和存储介质，其中，所述方法包括：根据所述图像处理模型中多个卷积层的神经元的重要性，对所述神经元进行筛选，得到第一结果；根据所述第一结果中每个神经元的位置属性，统计每个所述神经元所对应的所述特征图的尺度，得到分配关系；根据所述分配关系，对每张所述特征图分配所通过的神经元。本公开实施例实现了基于神经元重要性来对每张特征图进行神经元的分配的目的，使得对每张特征图所分配的神经元更加精确。

CN

CN113592004B

S100

根据图像处理模型中多个卷积层的神经元的重要性，对神经元进行筛选，得到第一结果

S200

根据第一结果中每个神经元的位置属性，统

计每个神经元所对应的特征图的尺度，得到

分配关系

S300

根据分配关系，对每张特征图分配所通过的神经元

CN113592004B权利要求书1/2页

2

1.一种分配方法，其特征在于，用于在图像处理模型中存在多张特征图时，对每张所述特征图分配所通过的神经元，所述方法包括：

根据所述图像处理模型中多个卷积层的神经元的重要性，对所述神经元进行筛选，得到第一结果；

其中，多个卷积层处于所述图像处理模型的同一深度，且

每个卷积层分别用于处理不同尺度的所述特征图；

所述第一结果中包含有多个神经元；

根据所述第一结果中每个神经元的位置属性，统计每个所述神经元所对应的所述特征图的尺度，得到分配关系；

其中，所述位置属性表征每一个神经元所属的卷积层；

所述分配关系，表征每张所述特征图与所述特征图所通过的神经元之间的对应关系；根据所述分配关系，对每张所述特征图分配所通过的神经元。

2.根据权利要求1所述的方法，其特征在于，所述图像处理模型中包括至少一个网络模块，所述网络模块包括：

依次级联的第一网络层、第二网络层和第三网络层；

其中，所述第一网络层，用于对输入的图像进行处理，得到第一特征图；

所述第二网络层包括多个并行的分支；

每个分支包括第一采样层；

所述第一采样层，用于对所述第一特征图进行下采样，得到第二特征图；

其中，不同所述分支中的所述第一采样层得到的所述第二特征图的尺度不同；

所述第三网络层，用于将每个所述分支输出的特征图数据合并。

3.根据权利要求2所述的方法，其特征在于，在根据所述图像处理模型中多个卷积层的神经元的重要性，对所述神经元进行筛选之前，还包括：

确定各个网络模块中的分支数量，并根据预设的所述网络模块的个数构建所述图像处理模型；

对所述图像处理模型进行训练，得到所述图像处理模型中batchnorm层的scale参数；其中，所述scale参数表征所述网络模块中各个分支中的卷积层的神经元的重要性。

4.根据权利要求1-3中任意一项所述的方法，其特征在于，所述根据所述图像处理模型中多个卷积层的神经元的重要性，对所述神经元进行筛选，得到第一结果，包括：

根据对所述图像处理模型进行预先训练得到的batchnorm层的scale参数，对多个所述卷积层的神经元进行排序，得到第一序列；

其中，所述第一序列表征多个所述卷积层中的神经元的排列顺序；

根据预设计算量，确定用于处理多张所