(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 202111631866.9 (22)申请日 2021.12.2 9 (71)申请人 中汽创智科技有限公司 地址 211100 江苏省南京市江宁区秣陵街 道胜利路8 8号 (72)发明人 周延培　丁华杰　赵起超　谷俊　 金悦　 (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 苗芬芬 (51)Int.Cl. G06T 7/00(2017.01) 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、 存储介质和电子 设备 (57)摘要 本发明公开一种图像处理方法、 装置、 存储 介质和电子设备， 包括： 获取待训练的图像处理 神经网络的初始化参数； 采用训练数据对待训练 的图像处理神经网络进行训练， 得到训练后的 图 像处理神经网络； 该训练数据包括图像数据； 该 图像处理神经网络包括至少一个中间层， 该中间 层包括BN层， 该BN层用于对该中间层的输入数据 进行平方标准化转换； 通过该训练后的图像处理 神经网络进行图像处理， 得到图像处理结果。 由 此， 可以在训练图像检测神经网络时提高 收敛速 度快， 训练后的图像检测神经网络的图像检测、 识别等准确度高， 且有利于图像检测神经网络检 测模型泛化。 权利要求书1页 说明书6页 附图1页 CN 114494145 A 2022.05.13 CN 114494145 A 1.一种图像处 理方法， 其特 征在于， 所述方法包括： 获取待训练的图像处 理神经网络的初始化 参数； 采用训练数据对待训练 的图像处理神经网络进行训练， 得到训练后的图像处理神经网 络； 所述训练数据包括图像数据； 所述图像处理神经网络包括至少一个中间层， 所述中间层 包括BN层， 所述BN层用于对所述中间层的输入数据进行平方 标准化转换； 通过所述训练后的图像处 理神经网络进行图像处 理， 得到图像处 理结果。 2.根据权利要求1所述的图像处理方法， 其特征在于， 所述中间层包括依次设置的卷积 层、 所述BN层、 激活函数层。 3.根据权利要求2所述的图像处理方法， 其特征在于， 所述采用训练数据对待训练的图 像处理神经网络进行训练， 得到训练后的图像处 理神经网络， 包括： 获取所述中间层的输入数据； 所述BN层对所述输入数据进行平方标准化转换， 得到标准化转换数据， 将所述标准化 转换数据作为激活函数层的激活输入数据。 4.根据权利要求3所述的图像处理方法， 其特征在于， 所述BN层对所述输入数据进行平 方标准化转换， 得到标准化转换数据， 将所述标准化转换数据作为激活函数层的激活输入 数据， 包括： 根据所述中间层的输入数据， 获取 所述输入数据的符号特 征、 平方值、 均方值和方差； 根据所述输入数据的符号特征、 平方值、 均方值和方差对所述输入数据进行平移和缩 放， 得到标准 化转换数据， 将所述标准 化转换数据作为激活函数层的激活输入数据。 5.根据权利要求2所述的图像处理方法， 其特征在于， 所述中间层包括依次设置的卷积 层、 所述BN层、 激活函数层、 池化层和全连接层。 6.根据权利要求2所述的图像处 理方法， 其特 征在于， 该激活函数层包括非线性 函数。 7.根据权利要求1所述的图像处理方法， 其特征在于， 所述初始化参数包括所述图像检 测神经网络的权值和偏置 。 8.一种图像处 理装置， 其特 征在于， 所述装置包括： 初始化模块， 用于获取待训练的图像处 理神经网络的初始化 参数； 训练模块， 用于采用训练数据对待训练的图像处理神经网络进行训练， 得到训练后的 图像处理神经网络； 所述训练数据包括图像数据； 所述图像处理神经网络包括至少一个中 间层， 所述中间层包括BN层， 所述BN层用于对所述中间层的输入数据进行平方 标准化转换； 处理模块， 用于通过所述训练后的图像处理神经网络进行图像处理， 得到 图像处理结 果。 9.一种计算机可读存储介质， 其特征在于， 所述存储介质中存储有程序， 所述程序由处 理器加载并执 行以实现如权利要求1至8任一所述的图像处 理方法。 10.一种图像处理电子设备， 其特征在于， 所述电子设备包括处理器和存储器， 所述存 储器中存储有程序， 所述程序由所述处理器加载并执行以实现如权利要求 1至7任一所述的 图像处理方法。权　利　要　求　书 1/1 页 2 CN 114494145 A 2一种图像处理 方法、 装置、 存储介质和电子 设备 技术领域 [0001]本发明涉及图像处理领域， 尤其涉及一种图像处理方法、 装置、 存储介质和电子设 备。 背景技术 [0002]车辆自动驾驶中需要对获取的图像数据进行处理， 以获取车辆所处交通环境的环 境信息， 通常采用图像处理模型对获取 的图像数据进行处理。 图像处理神经网络模型是常 用的图像处理模型。 通常， 基于样本图像数据， 对 预设结构的图像处理神经网络模型进行训 练， 使得训练后的图像处 理神经网络模型能够自动处 理图像数据。 [0003]图像处理神经网络模型在训练之前， 需要进行初始化得到初始化的神经网络模 型， 在训练 时对初始 化的神经网络模型得到训练后的图像处理神经网络模型。 其中， 图像处 理神经网络模型的初始 化会影响神经网络模型的训练结果， 直接影响训练过程中的收敛速 度， 以及是否能在可接受的时间内收敛到可接受的结果。 在一些情形中， 初始 化参数可能会 导致得不到好的训练结果。 导致训练后的图像处理神经网络模型无法获得令人满意的图像 处理结果。 [0004]在神经网络模型中增加BN层可以加速网络收敛速度。 然而该BN层往往不会带来最 佳的效果， 可能存在不同的原因： (1)初始化时强加的初始化参数性质在训练到一定阶段 后， 不能保持； (2)该 方法并没有最大限度的减少泛化 误差。 发明内容 [0005]为了解决上述技术问题， 本发明提供一种图像处理方法、 装置、 存储介质和电子设 备， 可以实现图像处理神经网络在训练时收敛速度快， 且训练后的图像处理神经网络的图 像检测准确度高。 [0006]为了达到上述发明的目的， 本发明提供了一种图像处 理方法， 该 方法包括： [0007]获取待训练的图像处 理神经网络的初始化 参数； [0008]采用训练数据对待训练的图像 处理神经网络进行训练， 得到训练后的图像处理神 经网络； 所述训练数据包括图像数据； 所述图像处理神经网络包括至少一个中间层， 所述中 间层包括BN层， 所述BN层用于对所述中间层的输入数据进行平方 标准化转换； [0009]通过所述训练后的图像处 理神经网络进行图像处 理， 得到图像处 理结果。 [0010]可选地， 所述中间层包括依次设置的卷积层、 所述BN层、 激活函数层。 [0011]可选地， 所述采用训练数据对待训练的图像处理神经网络进行训练， 得到训练后 的图像处 理神经网络， 包括： [0012]获取所述中间层的输入数据； [0013]所述BN层对所述输入数据进行平方标准化转换， 得到标准化转换数据， 将所述标 准化转换数据作为激活函数层的激活输入数据。 [0014]可选地， 所述BN层对所述输入数据进行平方标准化转换， 得到标准化转换数据， 将说　明　书 1/6 页 3 CN 114494145 A 3