(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 202211368106.8 (22)申请日 2022.11.03 (71)申请人 深圳比特微电子科技有限公司 地址 518051 广东省深圳市南 山区粤海街 道高新南六道航盛科技大厦801 (72)发明人 凌明　艾国　杨作兴　 (74)专利代理 机构 北京润泽恒知识产权代理有 限公司 1 1319 专利代理师 苏培华 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/40(2022.01) G06V 10/82(2022.01) (54)发明名称 一种图像处理方法、 装置和机器可读存储介 质 (57)摘要 本发明实施例提供了一种图像处理方法、 装 置和机器可读存储介质。 其中的方法包括： 接收 针对待处理图像的图像处理任务， 所述图像处理 任务包括用于识别所述待处理图像中目标对象 所属类别的分类任务， 和/或， 用于检测所述待处 理图像中目标对象的目标检测任务； 利用预先训 练的检测分类复用模型的检测网络和/或分类网 络对所述待处理图像进行图像处理， 得到图像处 理结果。 所述检测分类复用模型包含检测网络和 分类网络， 所述检测网络和所述 分类网络复用所 述检测分类复用模型的卷积神经网络、 特征提取 网络中目标尺度对应的特征提取层和特征预测 网络中目标尺度对应的类别预测层。 本发明实施 例可以提高模 型的复用率， 节省边缘计算设备的 存储资源。 权利要求书4页 说明书14页 附图2页 CN 115439700 A 2022.12.06 CN 115439700 A 1.一种图像处 理方法， 其特 征在于， 所述方法包括： 接收针对待处理图像的图像处理任务， 所述图像处理任务包括用于识别所述待处理图 像中目标对象所属类别的分类任务， 和/或， 用于检测所述待处理图像中目标对象 的目标检 测任务； 利用预先训练的检测分类复用模型的检测网络和/或分类网络对所述待处理图像进行 图像处理， 得到图像处 理结果； 其中， 所述检测分类复用模型包括卷积神经网络、 特征提取网络、 特征预测网络和池化 网络层； 所述特征提取网络包括不同尺度的特征提取层， 所述特征预测网络包括不同尺度 的预测层， 所述预测层包括类别预测层、 位置预测层和置信度预测层； 所述检测网络和所述分类网络复用所述检测分类复用模型的卷积神经网络、 特征提取 网络中目标尺度对应的特 征提取层和特 征预测网络中目标尺度对应的类别预测层； 所述检测网络还包括特征提取网络中除目标尺度对应的特征提取层之外的其他特征 提取层， 和特 征预测网络中除目标尺度对应的类别预测层之外的其 他预测层； 所述分类网络还 包括所述池化网络层。 2.根据权利要求1所述的方法， 其特征在于， 所述利用预先训练 的检测分类复用模型的 检测网络和/或分类网络对所述待处理图像进行图像处理， 得到图像处理结果之前， 所述方 法还包括： 获取检测数据集和分类数据集； 在每一轮训练中， 利用所述检测数据集对检测分类复用模型的检测网络进行训练， 得 到所述检测网络的第一损失值； 利用所述分类数据集对所述检测分类复用模型的分类网络进行训练， 得到所述分类网 络的第二损失值； 对所述第一损失值和所述第 二损失值进行求和， 得到所述检测分类复用模型的联合损 失值； 根据所述联合损失值对所述检测分类复用模型的模型参数进行调整， 并进行下一轮训 练， 直至所述联合损失值满足预设条件， 得到训练完成的检测分类复用模型。 3.根据权利要求2所述的方法， 其特 征在于， 所述获取检测数据集和分类数据集， 包括： 获取初始数据集， 所述初始数据集中包含第一样本 图像、 所述第一样本 图像的边界框 和类别标签； 从所述第一样本图像中选取出分辨率大于预设阈值的候选图像， 并根据 所述候选图像 的边界框从所述 候选图像中抠取目标图像； 将所述目标图像缩放至目标尺寸， 得到第二样本图像； 根据所述第一样本 图像、 所述第二样本 图像、 所述第一样本 图像的边界框和所述第二 样本图像的边界框构建检测数据集， 所述检测数据集中所述第一样本图像的数目与所述第 二样本图像的数目的比值 为预设比值； 根据所述第二样本图像和所述第二样本图像的类别标签构建 分类数据集。 4.根据权利要求2所述的方法， 其特征在于， 所述图像处理任务包括分类任务， 所述利 用预先训练的检测分类复用模型的检测网络和/或分类网络对所述待处理图像进 行图像处 理， 得到图像处 理结果， 包括：权　利　要　求　书 1/4 页 2 CN 115439700 A 2利用所述检测分类复用模型的检测网络对所述待处理图像进行目标检测处理， 得到所 述目标对象的边界框； 根据所述目标对象的边界框从所述待处理图像中抠取出第 一图像， 所述第 一图像包含 所述目标对象； 利用所述检测分类复用模型的分类网络对所述第 一图像进行分类处理， 得到所述分类 任务的分类结果。 5.根据权利要求1所述的方法， 其特征在于， 所述利用预先训练 的检测分类复用模型的 检测网络和/或分类网络对所述待处理图像进行图像处理， 得到图像处理结果之前， 所述方 法还包括： 利用预设的检测数据集对所述检测分类复用模型的检测网络进行迭代训练， 直至满足 第一训练终止条件， 得到模型参数为第一 参数的检测分类复用模型； 利用预设的分类数据集对所述检测分类复用模型的分类网络进行迭代训练， 直至满足 第二训练终止条件， 得到模型参数为第二 参数的检测分类复用模型。 6.根据权利要求5所述的方法， 其特征在于， 所述图像处理任务包括分类任务， 所述利 用预先训练的检测分类复用模型的检测网络和/或分类网络对所述待处理图像进 行图像处 理， 得到图像处 理结果， 包括： 将所述待处 理图像缩放至第一尺寸， 得到第二图像； 利用模型参数为第一参数的检测分类复用模型的检测网络对所述第二图像进行目标 检测处理， 得到目标对象的边界框； 根据所述目标对象的边界框从所述待处理图像中抠取出第 三图像， 所述第 三图像包含 所述目标对象； 将所述第三图像缩放至第二尺寸， 得到第四图像； 利用模型参数为第二参数的检测分类复用模型的分类网络对所述第四图像进行分类 处理， 得到分类任务的分类结果。 7.根据权利要求4或6所述的方法， 其特征在于， 所述图像处理任务还包括目标检测任 务， 且所述分类任务和所述目标检测任务的目标对象相同； 所述方法还 包括： 获取所述边界框的边界框信息， 所述边界框信息包括边界框位置信息和边界框置信 度； 将所述分类任务的分类结果作为所述目标检测任务的类别检测结果； 根据所述边界框位置信息、 所述边界框置信度和所述类别检测结果， 生成所述目标检 测任务的检测结果。 8.一种图像处 理装置， 其特 征在于， 所述装置包括： 任务接收模块， 用于接收针对待处理图像的图像处理任务， 所述图像处理任务包括用 于识别所述待处理图像中目标对象所属类别的分类任务， 和/或， 用于检测所述待处理图像 中目标对象的目标检测任务； 图像处理模块， 用于利用预先训练的检测分类复用模型的检测网络和/或分类网络对 所述待处 理图像进行图像处 理， 得到图像处 理结果； 其中， 所述检测分类复用模型包括卷积神经网络、 特征提取网络、 特征预测网络和池化 网络层； 所述特征提取网络包括不同尺度的特征提取层， 所述特征预测网络包括不同尺度权　利　要　求　书 2/4 页 3 CN 115439700 A 3