本申請公開了一種圖像處理方法、裝置及存儲介質。該方法包括：獲取待模擬的3D卷積模型及訓練數據；將3D卷積模型分解為3D空間卷積模型和3D時間卷積模型的級聯，獲得偽3D級聯卷積模型；用訓練數據訓練偽3D級聯卷積模型，獲取3D空間卷積模型和3D時間卷積模型的參數；將3D空間卷積模型和3D時間卷積模型轉化為2D空間卷積模型和2D時間卷積模型；為2D空間卷積模型和2D時間卷積模型設置特征重排規則；將3D空間卷積模型和3D時間卷積模型的模型參數映射成2D空間卷積模型和2D時間卷積模型的參數，獲得2D級聯卷積模型；利用2D空間卷積模型和2D時間卷積模型對圖像進行卷積運算。通過上述方式，本申請能夠通過2D卷積模型實現利用3D卷積運算進行的圖像處理。

技術領域

本申請涉及視頻分析技術領域，特別是涉及一種圖像處理方法、裝置以及計算機存儲介質。

背景技術

卷積神經網絡(Convolutional?Neural?Networks,CNN)是一類包含卷積計算且具有深度結構的前饋神經網絡(Feedforward?Neural?Networks)，是深度學習(deeplearning)的代表算法之一。卷積神經網絡具有表征學習(representation?learning)能力，能夠按其階層結構對輸入信息進行平移不變分類(shift-invariantclassification)，因此也被稱為“平移不變人工神經網絡(Shift-Invariant?ArtificialNeural?Networks,SIANN)”。

對卷積神經網絡的研究始于二十世紀80至90年代，時間延遲網絡和LeNet-5是最早出現的卷積神經網絡；在二十一世紀后，隨著深度學習理論的提出和數值計算設備的改進，卷積神經網絡得到了快速發展，并被應用于計算機視覺、自然語言處理等領域。

其中，一維卷積主要用于對只有一個維度的序列提取特征，比如信號、股價、天氣、文本以及自然語言處理領域。2D卷積可以提取單張靜態圖像的靜態空間特征，然后同神經網絡結合完成圖像的分類、檢測等計算機視覺方面的任務。3D卷積能提取視頻及多幀圖像在時間和空間上的信息。

發明內容

本申請主要解決的技術問題是提供一種圖像處理方法，能夠解決現有技術中利用3D卷積模型實現的圖像處理技術無法通過2D卷積模型實現的問題。

為解決上述技術問題，本申請采用的一個技術方案是：提供一種圖像處理方法，具體步驟包括：獲取待模擬的3D卷積模型以及訓練數據；將所述3D卷積模型分解為3D空間卷積模型和3D時間卷積模型的級聯，以獲得偽3D級聯卷積模型；利用所述訓練數據訓練所述偽3D級聯卷積模型，以獲取所述3D空間卷積模型和3D時間卷積模型的模型參數；將所述3D空間卷積模型和3D時間卷積模型轉化2D空間卷積模型和2D時間卷積模型；為所述2D空間卷積模型和2D時間卷積模型設置相應的特征重排規則；將所述3D空間卷積模型和3D時間卷積模型的模型參數映射成所述2D空間卷積模型和2D時間卷積模型的模型參數，以獲得2D級聯卷積模型；利用所述2D空間卷積模型和2D時間卷積模型對圖像進行卷積運算。

本申請的有益效果是：區別于現有技術的情況，本申請將3D卷積模型分解為偽3D卷積模型的級聯，再將偽3D卷積模型的級聯轉化為2D卷積模型，其中，2D卷積模型的參數為3D卷積模型參數映射得到，再利用特征重排，可以將利用3D卷積實現的圖像處理的方法通過2D卷積模擬實現。

附圖說明

圖1是本申請3D卷積模型一般實現方法一實施例的示意框圖；

圖2是本申請2D卷積模型一般實現方法一實施例的示意圖；

圖3是本申請圖像處理方法一實施例的流程示意圖；

圖4是本申請圖像處理方法應用分組卷積一實施例的示意圖；

圖5是本申請圖像處理裝置一實施例的示意框圖。

具體實施方式