1.一种基于轻量级稀疏神经网络的图像数据处理方法，其特征在于，应用于移动终端、嵌入式设备或边缘计算设备，包括：获取待处理的图像数据；对所述图像数据依次进行随机翻转、随机裁剪的数据增强及张量标准化预处理，得到符合模型输入要求的规范张量数据；将所述规范张量数据输入至轻量级稀疏神经网络模型；该模型通过多个稀疏卷积层从图像中逐级提取物理特征，包括由底层卷积层提取的局部边缘与纹理特征，以及由高级卷积层整合形成的全局语义特征；所述局部边缘与纹理特征用于表征图像中的基础结构信息，所述全局语义特征用于表征图像的类别属性；经全连接层将提取的物理特征映射为类别置信度，最终通过Softmax函数输出分类结果。
2.如权利要求1所述的方法，其特征在于，所述轻量级稀疏神经网络模型通过以下训练过程得到：在GPU全局内存中随机初始化一个共享权重的密集神经网络和多个连续掩码；通过启动CUDA内核，调度GPU的流多处理器及CUDA核心，对所述权重张量与每个掩码张量执行逐元素乘法，生成多个稀疏子网络以构成初始种群；将离散二进制掩码进行连续松弛处理为可学习参数，并将其引入目标函数中，与所述网络权重进行联合优化，其中所述目标函数包含损失项和基于所述连续松弛掩码的稀疏性正则项，并在GPU上利用自动微分技术计算联合梯度；采用梯度指导的差分变异策略对所述网络权重和所述连续松弛掩码进行优化；所述策略首先根据个体适应度分配不同的差分变异方向，之后引入梯度信息对变异后的个体进行再训练以加速收敛；将优化后得到的连续掩码离散化为布尔类型的张量，作为最终的稀疏连接掩码存储于GPU的全局内存中，随后将网络权重回退至历史迭代状态，并利用GPU的并行计算能力，使用梯度下降算法对剩余的非零权重进行微调，最终生成可在实际硬件上高效运行的轻量级稀疏神经网络模型。
3.如权利要求1所述的方法，其特征在于，所述图像数据包括以下任意一种或几种：手写数字图像、自然场景图像和街景字符图像；所述局部边缘特征对应于图像中物体的轮廓信息，在手写数字图像中表现为数字笔画的边缘，在自然场景图像中表现为物体边界，在街景字符图像中表现为字符轮廓；所述纹理特征对应于图像中物体表面的模式信息，在自然场景图像中表现为物体表面的纹理变化，在街景字符图像中表现为字符的笔画粗细和间隔；所述全局语义特征对应于图像中物体的类别信息，通过高级语义表示整合局部特征以识别整体内容。
4.如权利要求2所述的方法，其特征在于，所述目标函数表示为：其中， 表示网络 的损失， 用于控制损失和参数数量之间的平衡， 为Sigmoid函数， 为可学习参数，温度参数 控制掩码变量到二进制0或1的收敛程度。
5.如权利要求2所述的方法，其特征在于，所述初始种群包含 个个体的种群 ，其中每个个体 定义为：其中，掩码参数 控制稀疏结构， 为共享的模型权重。
6.如权利要求2所述的方法，其特征在于，所述梯度指导的差分变异策略包括以下子步骤：计算当前种群中每个个体的归一化适应值；选出当前种群中的适应值最优个体；根据所述归一化适应值与预设阈值的关系，为个体分配不同的差分变异策略；对差分变异后生成的中间个体，利用其梯度信息执行一次或多次梯度下降更新。
7.一种基于轻量级稀疏神经网络的图像数据处理系统，其特征在于，包括：数据获取模块，用于获取待处理的图像数据；数据预处理模块，用于对所述图像数据依次进行随机翻转、随机裁剪的数据增强及张量标准化预处理，得到符合模型输入要求的规范张量数据；模型推理模块，用于将所述规范张量数据输入至轻量级稀疏神经网络模型；该模型通过多个稀疏卷积层从图像中逐级提取物理特征，包括由底层卷积层提取的局部边缘与纹理特征，以及由高级卷积层整合形成的全局语义特征；所述局部边缘与纹理特征用于表征图像中的基础结构信息，所述全局语义特征用于表征图像的类别属性；经全连接层将提取的物理特征映射为类别置信度，最终通过Softmax函数输出分类结果。
8.一种电子设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现了如权利要求1至6中任一项所述的基于轻量级稀疏神经网络的图像数据处理方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现了如权利要求1至6中任一项所述的基于轻量级稀疏神经网络的图像数据处理方法的步骤。
10.一种计算机程序产品，包括软件代码，其特征在于，所述软件代码中的程序执行如权利要求1至6中任一项所述的基于轻量级稀疏神经网络的图像数据处理方法的步骤。
