图像处理方法、装置、设备及存储介质与流程

技术特征：
1.一种图像处理方法，其特征在于，所述方法包括：在超网络中确定参考网络和随机网络，所述超网络包括至少两个候选算子，所述参考网络包括在所述超网络中预先确定的第一组算子，所述随机网络包括在所述超网络中随机采样的第二组算子，所述超网络用于进行图像处理；使用训练图像样本集训练更新所述第一组算子和所述第二组算子的网络参数；使用验证图像样本集训练更新所述超网络中所述至少两个候选算子的结构参数，所述结构参数用于从所述超网络中确定图像处理网络；根据所述结构参数从所述超网络中搜索得到所述图像处理网络，所述图像处理网络包括所述超网络中的第三组算子；调用所述图像处理网络对输入图像进行图像处理，得到图像处理结果。2.根据权利要求1所述的方法，其特征在于，所述在超网络中确定参考网络，包括：接收第一指示信息，所述第一指示信息用于指示组成所述参考网络的所述第一组算子；根据所述第一指示信息在所述超网络中确定所述参考网络。3.根据权利要求2所述的方法，其特征在于，所述超网络包括至少一个网络层，每个网络层包括至少一个候选算子；所述根据所述第一指示信息在所述超网络中确定所述参考网络，包括：根据所述第一指示信息，从所述超网络的所述每个网络层中选出一个候选算子得到所述第一组算子，组成所述参考网络。4.根据权利要求1至3任一所述的方法，其特征在于，所述在超网络中确定随机网络，包括：在所述超网络中等概率随机采样得到所述第二组算子，组成所述随机网络；或，根据所述至少两个候选算子的结构参数，在所述超网络中随机采样得到所述第二组算子，组成所述随机网络。5.根据权利要求4所述的方法，其特征在于，所述超网络包括至少一个网络层，每个网络层包括至少一个候选算子；所述根据所述至少两个候选算子的结构参数，在所述超网络中随机采样得到所述第二组算子，组成所述随机网络，包括：调用采样函数基于所述每个网络层的所述至少一个候选算子的所述结构参数，计算所述每个网络层的独热向量；根据所述每个网络层的所述独热向量，从所述每个网络层中选出一个候选算子得到所述第二组算子，组成所述随机网络。6.根据权利要求1至3任一所述的方法，其特征在于，所述图像处理网络为第1轮图像处理网络；所述方法还包括：响应于第i
‑
1轮图像处理网络不满足需求条件，在所述超网络中确定第i轮参考网络和第i轮随机网络，所述第i轮参考网络包括在所述超网络中预先确定的第i轮第一组算子，所述第i轮随机网络包括在所述超网络中随机采样的第i轮第二组算子，i为大于1不大于n的整数；
使用所述训练图像样本集训练更新所述第i轮第一组算子和所述第i轮第二组算子的所述网络参数；使用所述验证图像样本集训练更新所述超网络中所述至少两个候选算子的结构参数；根据所述结构参数从所述超网络中搜索得到第i轮图像处理网络，所述第i轮图像处理网络包括所述超网络中的第i轮第三组算子；重复执行上述步骤，直至第n轮图像处理网络满足所述需求条件，将所述第n轮图像处理网络输出为最终图像处理网络，n为正整数；调用所述最终图像处理网络对所述输入图像进行图像处理，得到所述图像处理结果。7.根据权利要求6所述的方法，其特征在于，所述参考网络为第1轮参考网络，所述在所述超网络中确定第i轮参考网络，包括：计算第i
‑
1轮图像处理网络和第i
‑
1轮参考网络的性能参数，i为大于1且不大于n的整数；将所述第i
‑
1轮图像处理网络与所述第i
‑
1轮参考网络中，所述性能参数较优的网络确定为所述第i轮参考网络。8.根据权利要求6所述的方法，其特征在于，所述在所述超网络中确定第i轮参考网络，包括：接收第二指示信息，所述第二指示信息用于指示组成所述第i轮参考网络的所述第i轮第一组算子；根据所述第二指示信息在所述超网络中确定所述第i轮参考网络。9.根据权利要求1至3任一所述的方法，其特征在于，所述使用训练图像样本集训练更新所述第一组算子和所述第二组算子的网络参数，包括：将所述训练图像样本集中的第一样本输入所述随机网络得到第一预测值；根据所述第一预测值与第一真实值的损失训练更新所述第二组算子的所述网络参数，所述第一真实值为所述第一样本对应的真实值；将所述训练图像样本集中的第二样本输入所述参考网络得到第二预测值；根据所述第二预测值与第二真实值的损失训练更新所述第一组算子的所述网络参数，所述第二真实值为所述第二样本对应的真实值。10.根据权利要求1至3任一所述的方法，其特征在于，所述使用验证图像样本集训练更新所述超网络中所述至少两个候选算子的结构参数，包括：将所述验证图像样本集中的第三样本输入所述超网络得到第三预测值；根据所述第三预测值与第三真实值的损失训练更新所述超网络中所述至少两个候选算子的所述结构参数，所述第三真实值为所述第三样本对应的真实值。11.根据权利要求10所述的方法，其特征在于，所述超网络包括m个网络层，第1个网络层包括q个候选算子，第j个网络层包括k个候选算子，m、q、k均为正整数，j为大于1的整数；所述将所述验证图像样本集中的第三样本输入所述超网络得到第三预测值，包括：将所述验证图像样本集中的所述第三样本分别输入所述第1个网络层中的所述q个候选算子，得到q个中间输出；将所述q个候选算子分别对应的所述结构参数作为权重，计算所述q个中间输出的加权和，得到第1个网络层的第1输出；将第j
‑
1个网络层的第j
‑
1输出，分别输入第j个网络层中的所述k个候选算子中，得到k
个中间输出；将所述k个候选算子分别对应的所述结构参数作为权重，计算所述k个中间输出的加权和，得到第j个网络层的第j输出；重复本步骤，将第m个网络层的第m输出确定为所述第三预测值。12.根据权利要求1至3任一所述的方法，其特征在于，所述方法还包括：初始化所述超网络及所述至少两个候选算子的所述结构参数；使用预热图像样本集训练所述超网络中所述至少两个候选算子的所述网络参数。13.一种图像处理装置，其特征在于，所述装置包括：确定模块，用于在超网络中确定参考网络和随机网络，所述超网络包括至少两个候选算子，所述参考网络包括在所述超网络中预先确定的第一组算子，所述随机网络包括在所述超网络中随机采样的第二组算子，所述超网络用于进行图像处理；网络训练模块，用于使用训练图像样本集训练更新所述第一组算子和所述第二组算子的网络参数；结构训练模块，用于使用验证图像样本集训练更新所述超网络中所述至少两个候选算子的结构参数，所述结构参数用于从所述超网络中确定图像处理网络；搜索模块，用于根据所述结构参数从所述超网络中搜索得到所述图像处理网络，所述图像处理网络包括所述超网络中的第三组算子；调用模块，用于调用所述图像处理网络对输入图像进行图像处理，得到图像处理结果。14.一种计算机设备，其特征在于，所述计算机设备包括：处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行，以实现如权利要求1至12任一项所述的图像处理方法。15.一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至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行，以实现如权利要求1至12任一项所述的图像处理方法。

技术总结
本申请公开了一种图像处理方法、装置、设备及存储介质，涉及人工智能的机器学习领域。该方法包括：在超网络中确定参考网络和随机网络，超网络包括至少两个候选算子，参考网络包括在超网络中预先确定的第一组算子，随机网络包括在超网络中随机采样的第二组算子，超网络用于进行图像处理；使用训练图像样本集训练更新第一组算子和第二组算子的网络参数；使用验证图像样本集训练更新超网络中至少两个候选算子的结构参数，结构参数用于从超网络中确定图像处理网络；根据结构参数从超网络中搜索得到图像处理网络；调用图像处理网络对输入图像进行图像处理，得到图像处理结果。该方法可以训练图像处理网络的网络结构，提升图像处理网络的网络性能。络的网络性能。络的网络性能。


技术研发人员：顾佳昕 沈鹏程 李绍欣 李季檩 黄飞跃
受保护的技术使用者：腾讯科技（深圳）有限公司
技术研发日：2021.02.08
技术公布日：2021/10/28