CN108009600A - 模型优化、质量检测方法、装置、设备及存储介质 - Google Patents
模型优化、质量检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN108009600A CN108009600A CN201711242597.0A CN201711242597A CN108009600A CN 108009600 A CN108009600 A CN 108009600A CN 201711242597 A CN201711242597 A CN 201711242597A CN 108009600 A CN108009600 A CN 108009600A
- Authority
- CN
- China
- Prior art keywords
- passage
- convolutional layer
- model
- initial model
- convolutional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种模型优化、质量检测方法、装置、设备及存储介质,所述模型优化方法包括:获取基于卷积神经网络训练获得的初始模型;基于所述初始模型中卷积层的通道对初始模型预测结果的影响程度,对所述初始模型中卷积层的通道进行筛选,获得目标模型,所述目标模型中卷积层的通道数量少于所述初始模型中卷积层的通道数量;所述卷积层的通道是卷积核的输入通道,每个通道内进行卷积运算。由于减少了卷积层的通道数量,进而减少了卷积运算,因此可以减少计算量,提高计算效率。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及模型优化、质量检测方法、装置、设备及存储介质。
背景技术
在数据挖掘的业务场景中,经常需要利用大规模的训练数据训练机器学习算法模型,进行分类或者回归计算等。只有用大量数据训练该机器学习算法模型之后,才有可能获得预测精度较高的模型,进而在应用阶段,可以根据输入数据进行各种预测。以图像识别为例,可以基于大规模的训练数据对卷积神经网络进行训练,获得用于进行图像识别的模型。
然而,传统的深度卷积网络结构中,随着卷积层以及卷积核个数的增多,卷积层的通道数也越来越多,而每个通道都会进行卷积运算,因此,过多的通道导致算法的计算量大。
发明内容
为克服相关技术中存在的问题,本公开提供了模型优化、质量检测方法、装置、设备及存储介质。
根据本公开实施例的第一方面,提供一种模型优化方法,所述方法包括:
获取基于卷积神经网络训练获得的初始模型;
基于所述初始模型中卷积层的通道对初始模型预测结果的影响程度,对所述初始模型中卷积层的通道进行筛选,获得目标模型,所述目标模型中卷积层的通道数量少于所述初始模型中卷积层的通道数量;
所述卷积层的通道是卷积核的输入通道,每个通道内进行卷积运算。
在一个可选的实现方式中,所述基于所述初始模型中卷积层的通道对初始模型预测结果的影响程度,对所述初始模型中卷积层的通道进行筛选,获得目标模型,包括:
针对每层卷积层,基于预设的优化目标函数,在保证卷积层的输出值的误差在允许误差范围内时,通过调整通道的权重值,使部分通道的权重值为0,获得卷积层每个通道的权重值;
基于通道的权重值对所述卷积层的通道进行筛选;
在对所有卷积层执行完通道筛选操作后,获得目标模型。
在一个可选的实现方式中,所述优化目标函数如下:
subject to||β||0≤c′
其中,Xi表示进行第i个通道的卷积运算时输入的特征图的值;Wi表示进行第i个通道的卷积运算时输入的卷积核的值;Y表示所述卷积层的输出值,βi表示第i个通道的权重值;c表示所述卷积层的实际通道个数;c'表示所述卷积层的期望通道个数;c'<c;N表示进行优化目标函数运算时所使用所述卷积层内特征图的个数。
在一个可选的实现方式中,所述基于通道的权重值对所述卷积层的通道进行筛选,包括:
若βi=0,删除第i个通道,以禁止第i个通道的卷积运算;
若βi≠0,利用βi与Wi的乘积更新Wi。
根据本公开实施例的第二方面,提供一种图像质量检测方法,所述方法包括:
获取待检测图像;
将所述待检测图像输入目标质量检测模型,获得所述待检测图像的质量检测结果;
其中,所述目标质量检测模型基于上述任一项所述模型优化方法对初始模型优化获得,所述初始模型是基于卷积神经网络训练获得的质量检测模型。
在一个可选的实现方式中,所述质量检测结果为所述待检测图像的质量等级;所述初始模型为:基于预构建的训练样本集对卷积神经网络进行训练获得的用于预测图像质量等级的模型,所述训练样本集包括带标签的样本图像,所述标签表示所述样本图像的质量等级。
根据本公开实施例的第三方面,提供一种模型优化装置,所述装置包括:
模型获取模块,被配置为获取基于卷积神经网络训练获得的初始模型;
模型优化模块,被配置为基于所述初始模型中卷积层的通道对初始模型预测结果的影响程度,对所述初始模型中卷积层的通道进行筛选,获得目标模型,所述目标模型中卷积层的通道数量少于所述初始模型中卷积层的通道数量;所述卷积层的通道是卷积核的输入通道,每个通道内进行卷积运算。
在一个可选的实现方式中,所述模型优化模块包括:
权重值确定子模块,被配置为针对每层卷积层,基于预设的优化目标函数,在保证卷积层的输出值的误差在允许误差范围内时,通过调整通道的权重值,使部分通道的权重值为0,获得卷积层每个通道的权重值;
通道筛选子模块,被配置为基于通道的权重值对所述卷积层的通道进行筛选;
目标模型确定子模块,被配置为在对所有卷积层执行完通道筛选操作后,获得目标模型。
在一个可选的实现方式中,所述优化目标函数如下:
subject to||β||0≤c′
其中,Xi表示进行第i个通道的卷积运算时输入的特征图的值;Wi表示进行第i个通道的卷积运算时输入的卷积核的值;Y表示所述卷积层的输出值,βi表示第i个通道的权重值;c表示所述卷积层的实际通道个数;c'表示所述卷积层的期望通道个数;c'<c;N表示进行优化目标函数运算时所使用所述卷积层内特征图的个数。
在一个可选的实现方式中,所述通道筛选子模块,具体配置为:
若βi=0,删除第i个通道,以禁止第i个通道的卷积运算;
若βi≠0,利用βi与Wi的乘积更新Wi。
根据本公开实施例的第四方面,提供一种图像质量检测装置,所述装置包括:
图像获取模块,被配置为获取待检测图像;
质量检测模块,被配置为将所述待检测图像输入目标质量检测模型,获得所述待检测图像的质量检测结果;
其中,所述目标质量检测模型基于上述任一项所述模型优化装置对初始模型优化获得,所述初始模型是基于卷积神经网络训练获得的质量检测模型。
在一个可选的实现方式中,所述质量检测结果为所述待检测图像的质量等级;
所述初始模型为:基于预构建的训练样本集对卷积神经网络进行训练获得的用于预测图像质量等级的模型,所述训练样本集包括带标签的样本图像,所述标签表示所述样本图像的质量等级。
根据本公开实施例的第五方面,提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取基于卷积神经网络训练获得的初始模型;
基于所述初始模型中卷积层的通道对初始模型预测结果的影响程度,对所述初始模型中卷积层的通道进行筛选,获得目标模型,所述目标模型中卷积层的通道数量少于所述初始模型中卷积层的通道数量;所述卷积层的通道是卷积核的输入通道,每个通道内进行卷积运算。
根据本公开实施例的第六方面,提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取待检测图像;
将所述待检测图像输入目标质量检测模型,获得所述待检测图像的质量检测结果;
其中,所述目标质量检测模型基于上述任一项所述模型优化方法对初始模型优化获得,所述初始模型是基于卷积神经网络训练获得的质量检测模型。
根据本公开实施例的第七方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述模型优化方法的步骤。
根据本公开实施例的第八方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述质量检测方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:
本公开实施例通过获取基于卷积神经网络训练获得的模型,并基于模型中卷积层的通道对模型预测结果的影响程度,对模型中卷积层的通道进行筛选,获得目标模型,由于目标模型中卷积层的通道数量少于初始模型中卷积层的通道数量,进而减少了卷积运算,因此可以减少计算量,提高计算效率。
本公开实施例中,可以将获取的待检测图像输入目标质量检测模型,由于目标质量检测模块基于初始模型优化获得,可以减少初始模型中卷积层的通道数目,进而减少了卷积运算,因此可以减少图像质量检测过程中的计算量,进而提高检测效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是AlexNet网络结构示意图。
图2是本公开根据一示例性实施例示出的一种模型优化方法的流程图。
图3是本公开根据一示例性实施例示出的一种图像质量检测方法的流程图。
图4是本公开根据一示例性实施例示出的一种模型优化装置的框图。
图5是本公开根据一示例性实施例示出的另一种模型优化装置的框图。
图6是本公开根据一示例性实施例示出的一种图像质量检测装置的框图。
图7是本公开根据一示例性实施例示出的另一种图像质量检测装置的框图。
图8是本公开根据一示例性实施例示出的一种用于模型优化的装置的框图。
图9是本公开根据一示例性实施例示出的一种用于图像质量检测的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
卷积神经网路(Convolutional Neural Network,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。卷积神经网路可以由一个或多个卷积层和顶端的全连通层(对应经典的神经网路)组成,同时也可以包括关联权重和池化层(pooling layer)。这一结构使得卷积神经网路能够利用输入数据的二维结构。与其他深度学习结构相比,卷积神经网路在图像和语音识别方面能够给出更好的结果,具有适用性强、特征提取与分类同时进行、泛化能力强、全局优化训练参数少等优点,它已经成为了目标机器学习领域的研究热点。
卷积神经网络是一个多层神经网络,每层可以由多个二维平面组成,每个二维平面由多个独立的神经元组成。以卷积神经网络结构中的LeNet为例,卷积神经网络的输入可以是经过简单规则化的二维图像,其中间的隐藏层可以由负责特征提取的卷积层和负责特征压缩的下采样层交替组成。卷积层的每个神经元的输入与前一层的局部感受野相连,并通过一个可学习的卷积核提取该局部的一些基本特征,然后通过在高层将这些局部特征综合起来得到图像的全局信息。一个卷积核对应一种基础特征,通过对同一个图像应用相同的卷积核提取不同位置的相同特征构成一幅特征图(feature map),实现每个特征图共享一个卷积核。通过增加卷积核的个数,对输入图像提取不同的特征来构成不同的特征图,组合这些不同的特征图得到卷积层的输出。
在同一层卷积层中,卷积核的个数与输出的特征图的个数相同。假设有K个特征图,则在卷积层输出时,可以组合成一张具有K个通道的特征图。在下一层卷积层中,针对每个通道,可以将特征图中该通道的值输入卷积核,以进行卷积运算。当前卷积层的卷积核的个数,等于下一卷积层的特征图的通道数;当前卷积层的卷积核的通道数,等于当前输入的特征图的通道数。卷积层的通道可以看作是卷积核的输入通道,也可以看作是进行卷积运算的通道,每个通道可进行卷积运算。
然而,传统的深度卷积网络结构中,随着卷积层以及卷积核个数的增多,卷积层的通道数也越来越多。以卷积神经网络结构中的AlexNet为例,卷积层通常具有96到384个通道,如图1所示,为AlexNet网络结构示意图。由于每个通道都会进行卷积运算,因此,过多的通道导致算法的计算量大。
为了避免计算量大的问题,本公开实施例将基本的深度卷积神经网络予以改进,鉴于卷积层的不同通道的重要性各不相同,某些通道比其他通道对模型预测结果的影响程度更大,为了减少网络的计算量,可以保留重要的通道,删除不重要的通道,实现对通道的裁剪。
以下结合附图对本公开实施例进行示例说明。
如图2所示,图2是本公开根据一示例性实施例示出的一种模型优化方法的流程图,包括以下步骤:
在步骤201中,获取基于卷积神经网络训练获得的初始模型。
在步骤202中,基于所述初始模型中卷积层的通道对初始模型预测结果的影响程度,对所述初始模型中卷积层的通道进行筛选,获得目标模型,所述目标模型中卷积层的通道数量少于所述初始模型中卷积层的通道数量;所述卷积层的通道是卷积核的输入通道,每个通道内进行卷积运算。
本公开实施例可以应用于模型训练阶段所使用的电子设备中,例如,可以应用于服务器、服务器集群等服务端设备。本公开实施例也可以应用于模型应用阶段所使用的电子设备中,例如,可以应用于智能手机、平板电脑、PDA(Personal Digital Assistant,个人数字助理)等电子设备。
在不同的应用场景中,可以基于不同的目的,利用大量的样本数据训练获得不同的初始模型。例如,图像质量识别、图像质量检测、语音识别、语音质量检测、信息分类、图像中物体检测等应用场景中,可以基于相应的样本数据,利用卷积神经网络训练获得相应的初始模型。例如,训练获得的初始模型可以是图像识别模型、语音识别、信息分类模型、图像质量检测模型、语音质量检测模型等。图像识别模型还可以包括指纹识别模型、人脸图像识别模型、字迹识别模型、性别识别模型等。具体如何基于卷积神经网络训练获得初始模型,可以采用相关技术中的训练手段,在此不做限制,本公开实施例主要对如何优化训练获得的初始模型进行介绍。
在获得初始模型后,可以基于初始模型中卷积层的通道对初始模型预测结果的影响程度,对初始模型中卷积层的通道进行筛选/裁剪,以实现减少通道数量,获得优化后的目标模型,从而减轻计算量,提高计算效率。
在一个可选的实现方式中,基于所述初始模型中卷积层的通道对初始模型预测结果的影响程度,对所述初始模型中卷积层的通道进行筛选,获得目标模型,可以包括:
针对每层卷积层,基于所述初始模型中卷积层的通道对初始模型预测结果的影响程度,获得当前卷积层内每个通道的权重值,基于通道的权重值对所述初始模型中卷积层的通道进行筛选;
在所有卷积层的通道筛选操作完成后,获得目标模型。
其中,可以单线程实现依次对每层卷积层执行通道筛选操作,也可以多线程实现对多层卷积层执行通道筛选操作。通道筛选操作即:基于所述初始模型中卷积层的通道对初始模型预测结果的影响程度,获得所述卷积层内每个通道的权重值,基于通道的权重值对所述卷积层的通道进行筛选。例如,可以设置筛选条件,在通道的权重值满足筛选条件时,保留该通道;在通道的权重值不满足筛选条件时,删除该通道。例如,筛选条件可以是大于或等于权重阈值等条件。
在该实施例中,确定每个通道的权重值,权重值代表该通道的重要性,以实现权重值越大,重要性越高,权重值越小,重要性越小。可见,通过为每个通道设置权重值的方式对通道进行筛选,可以提高筛选效率,容易实现。
进一步的,针对每层卷积层,基于预设的优化目标函数,在保证卷积层的输出值的误差在允许误差范围内时,通过调整通道的权重值,使部分通道的权重值为0,获得卷积层每个通道的权重值。
其中,优化目标函数是用于确定每个通道的权重值的函数,所述通道的权重值用于反映所述通道对卷积层的输出结果的影响程度。因此,在获得卷积层通道的权重值后,可以删除权重值为0的通道,保留权重值不为0的通道,从而实现既减少通道数量,又不影响卷积层的输出结果。
在一个可选的实现方式中,可以基于稀疏编码算法中特征选择的方法,确定每个通道的权重值。
在一个例子中,可以采用以下优化目标函数获得卷积层每个通道的权重值:
subject to||β||0≤c′
其中,Xi表示进行第i个通道的卷积运算时输入的特征图的值(又可以称为特征图的第i个通道值);Wi表示进行第i个通道的卷积运算时输入的卷积核的值(又可以称为卷积核的第i个通道值);Y表示所述卷积层的输出值,βi表示第i个通道的权重值;N表示进行优化目标函数运算时所使用所述卷积层的特征图的个数;c表示所述卷积层的实际通道个数;c'表示所述卷积层的期望通道个数,即期望该层卷积层达到的通道数目。每层卷积层中,期望通道个数可以相同,也可以不同。在一个例子中,期望通道个数可以基于实际通道个数确定。在当前卷积层,如果有多个特征图作为输入时,可以选择一张特征图进行优化目标函数运算,也可以选择多张特征图进行优化目标函数运算,从而达到多张特征图的最优解。
其中,||β||0≤c′表示β非0的个数小于或等于c'。在进行优化目标函数运算过程中,目标是,通过调整βi的值,在保证Y值的误差在允许误差范围内时,使部分通道的权重值为0,即调整βi的值,使一部分通道的权重值为0,但是Y值尽量不受通道减少的影响。
针对上述优化目标函数,可以采用最速下降法、梯度下降法等求解多元函数的方法进行求解,以获得卷积层每个通道的权重值。针对具体求解方法在此不做限定。在求解获得通道的权重值后,可以基于通道的权重值对卷积层的通道进行筛选。例如,若βi=0,删除第i个通道,以禁止第i个通道的卷积运算;若βi≠0,利用βi与Wi的乘积更新Wi,实现利用βi*Wi替换原有的Wi,如此,即可达到剪裁通道的目的。
可见,本实施例将基本的卷积神经网络中的卷积层的通道进行权重计算,权重值为0,表示该通道的重要性低,可以从基本网络结构中删除,从而得到剪裁过通道的新的网络结构。
上述模型优化方法可以应用在多个应用场景中,以下以其中一个应用场景进行示例说明。
实际应用中,图像质量评价的客观评价方法有方差、平均梯度、信息熵、均方误差(MSE)、峰值信噪比(PSNR)等。方差、平均梯度和信息熵这3种方法,可以对单幅图像自身直接进行检测,反映了受测试图像自身的绝对质量。而对诸如复原、压缩、传输等过程中结果图像与原始图像间的相对质量评价一般采用均方误差和峰值信噪比。
随着图像识别技术的发展和应用的不断扩大,如何对图像的质量进行客观评价的问题变得越来越重要,特别是如何对人脸图像的质量进行客观评价的问题变得越来越重要。在对图像进行识别前,可以先对图像质量进行检测,根据质量检测结果确定是否进行图像识别。以人脸识别为例,人脸识别算法能够自动判断给出的两幅人脸图像是否为同一个人,可以应用在人脸考勤机、手机人脸解锁等应用场景。人脸识别算法在进行人脸识别时,可以先对人脸图像的质量进行判断,如果人脸图像的质量过低,则可以直接拒绝进行下一步的人脸识别操作。
鉴于此,本公开实施例提供一种图像质量检测方法,如图3所示,图3是本公开根据一示例性实施例示出的一种图像质量检测方法的流程图,所述方法可以包括:
在步骤301中,获取待检测图像。
在步骤302中,将所述待检测图像输入目标质量检测模型,获得所述待检测图像的质量检测结果。
其中,所述目标质量检测模型基于上述任一种模型优化方法对初始模型优化获得,所述初始模型是基于卷积神经网络训练获得的质量检测模型。
本公开实施例方法可以用于需要进行图像质量检测的电子设备中,例如,可以是智能手机、平板电脑、PDA(Personal Digital Assistant,个人数字助理)、电子书阅读器、多媒体播放器等电子设备。
其中,待检测图像可以是需要进行图像质量检测的图像。目标质量检测模型是将初始模型进行优化后的模型,优化操作包括:基于初始模型中卷积层的通道对图像质量检测结果的影响程度,对所述初始模型中卷积层的通道进行筛选(裁剪)。
初始模型是可以用于对图像进行质量检测的模型,可以基于卷积神经网络训练获得。
在一个可选的实现方式中,可以将图像质量的评价问题转换为分类问题,利用图像质量所属质量分类以评价图像的质量,因此,初始模型可以是用于评价图像质量的分类模型。
例如,在确定初始模型过程中,可以将图像质量分类成预设个数的质量类别,质量类别用于反映图像质量。例如,质量类别可以是清晰类别、模糊类别等。将样本图像所属质量类别作为标签(训练目标),以带标签的样本图像构建训练样本集。将训练样本集作为正确信息输入卷积神经网络,以学习获得样本图像(输入)到标签(输出)的映射关系,从而获得初始模块,实现有监督学习。可见,基于预构建的训练样本集对卷积神经网络进行训练,获得初始模型。
在一个例子中,初始模型可以是用于预测图像质量好坏的二分类模型。在该例子中,将图像质量分为两类:好质量标签和坏质量标签。预构建的训练样本集中可以包括带好质量标签的样本图像以及带坏质量标签的样本图像,从而利用所构建的训练样本集训练获得用于判断图像质量好与坏的初始模型。
在另一个例子中,初始模型可以是用于预测图像质量等级的多分类模型等。例如,将图像质量划分为n个质量等级,等级越高可以表示图像质量越高,等级越低可以表示图像质量越低,初始模型可以用于预测图像所属质量等级。如此,所述初始模型为:基于预构建的训练样本集对卷积神经网络进行训练获得的用于预测图像质量等级的模型,所述训练样本集包括带标签的样本图像,所述标签表示所述样本图像的质量等级。
相应的,还提供一种初始模型确定方法,该方法可以包括:
将样本图像所属质量等级作为样本图像的标签,构建包括带标签的样本图像的样本训练集;
基于所构建的训练样本集对卷积神经网络进行训练,获得用于预测图像质量等级的模型。
可见,利用图像质量等级评价图像质量,可以实现将图像质量的评分问题转换为分类问题,从而便于训练模型。
可以理解的是,还可以采用其他手段获得用于进行图像质量检测的初始模型,在此不一一赘述。
在获得初始模型后,可以基于初始模型中卷积层的通道对初始模型预测结果的影响程度,对初始模型中卷积层的通道进行筛选,以实现减少通道数量,获得优化后的目标质量检测模型,从而减轻计算量,提高计算效率。
在一个可选的实现方式中,所述目标质量检测模型的生成过程可以包括:
针对初始模型中每层卷积层,基于所述初始模型中卷积层的通道对初始模型预测结果的影响程度,获得所述卷积层内每个通道的权重值;
基于通道的权重值对所述卷积层的通道进行筛选;
在对所有卷积层执行完通道筛选操作后,获得目标质量检测模型。
其中,可以对每层卷积层执行通道筛选操作,通道筛选操作为:基于初始模型中卷积层的通道对初始模型预测结果的影响程度,获得该卷积层内每个通道的权重值。例如,可以设置筛选条件,在通道的权重值满足筛选条件时,保留该通道;在通道的权重值不满足筛选条件时,删除该通道。例如,筛选条件可以是大于或等于权重阈值等条件。
在该实施例中,确定每个通道的权重值,权重值代表该通道的重要性,以实现权重值越大,重要性越高;权重值越小,重要性越小。可见,通过为每个通道设置权重值的方式对通道进行筛选,可以提高筛选效率,容易实现。
进一步的,针对每层卷积层,基于预设的优化目标函数,在保证卷积层的输出值的误差在允许误差范围内时,通过调整通道的权重值,使部分通道的权重值为0,获得卷积层每个通道的权重值。
其中,优化目标函数是用于确定每个通道的权重值的函数,所述通道的权重值用于反映所述通道对卷积层的输出结果的影响程度。因此,在获得卷积层通道的权重值后,可以删除权重值为0的通道,保留权重值不为0的通道。
在一个可选的实现方式中,可以基于稀疏编码算法中特征选择的方法,确定每个通道的权重值。
在一个例子中,所述基于所述初始模型中卷积层的通道对初始模型预测结果的影响程度,获得所述卷积层内每个通道的权重值,可以包括:
基于以下优化目标函数,通过调整βi的值,在保证Y值的误差在允许误差范围内时,使部分通道的权重值为0,获得当前卷积层每个通道的权重值:
subject to||β||0≤c′
其中,Xi表示进行第i个通道的卷积运算时输入的特征图的值;Wi表示进行第i个通道的卷积运算时输入的卷积核的值;Y表示该卷积层的输出值,βi表示第i个通道的权重值;c表示该卷积层的实际通道个数;c'表示该卷积层的期望通道个数;N表示进行优化目标函数运算时所使用该卷积层内特征图的个数。在当前卷积层,如果有多个特征图作为输入时,可以选择一张特征图进行优化目标函数运算,也可以选择多张特征图进行优化目标函数运算,从而达到多张特征图的最优解。
其中,||β||0≤c′表示β为非0数的个数小于或等于c'。在进行优化目标函数运算过程中,目标是:通过调整βi的值,在保证Y值的误差在允许误差范围内时,使部分通道的权重值为0,即调整βi的值,使一部分通道的权重值为0,但是Y值尽量不受通道减少的影响。
针对上述优化目标质量检测函数,可以采用最速下降法、梯度下降法等求解多元函数的方法进行求解,以获得卷积层每个通道的权重值。针对具体求解方法在此不做限定。在求解获得通道的权重值后,可以基于通道的权重值对卷积层的通道进行筛选。例如,若βi=0,删除第i个通道,以禁止第i个通道的卷积运算;若βi≠0,利用βi与Wi的乘积更新Wi,实现利用βi*Wi替换原有的Wi,如此,即可达到剪裁通道的目的。
由于基本的深度卷积神经网络结构中,卷积层的通道数较多,卷积层的冗余度较高,不利于图像质量评价这一简单任务。本公开实施例,可以通过稀疏编码算法,将深度卷积神经网络中的卷积层的通道进行权重的计算,若权重为0,表示该通道的重要性不高,可以从基本网络结构中删除。因此,可以得到一个经过通道裁剪的新的网络结构,以适用于图像质量评价这一专业领域,减少图像质量检测的计算量,提高检测效率。
以上实施方式中的各种技术特征可以任意进行组合,只要特征之间的组合不存在冲突或矛盾,但是限于篇幅,未进行一一描述,因此上述实施方式中的各种技术特征的任意进行组合也属于本说明书公开的范围。
与前述模型优化、质量检测方法的实施例相对应,本公开还提供了模型优化、质量检测装置、装置所应用的设备以及存储介质的实施例。
如图4所示,图4是本公开根据一示例性实施例示出的一种模型优化装置的框图,所述装置包括:
模型获取模块41,被配置为获取基于卷积神经网络训练获得的初始模型。
模型优化模块42,被配置为基于所述初始模型中卷积层的通道对初始模型预测结果的影响程度,对所述初始模型中卷积层的通道进行筛选,获得目标模型,所述目标模型中卷积层的通道数量少于所述初始模型中卷积层的通道数量;所述卷积层的通道是卷积核的输入通道,每个通道内进行卷积运算。
在一个可选的实现方式中,所述初始模型可以包括:图像识别模型、语音识别模型、信息分类模型、图像质量检测模型、或语音质量检测模型。
如图5所示,图5是本公开根据一示例性实施例示出的另一种模型优化装置的框图,该实施例在前述图4所示实施例的基础上,所述模型优化模块42包括:
权重值确定子模块421,被配置为针对每层卷积层,基于预设的优化目标函数,在保证卷积层的输出值的误差在允许误差范围内时,通过调整通道的权重值,使部分通道的权重值为0,获得卷积层每个通道的权重值。
通道筛选子模块422,被配置为基于通道的权重值对所述卷积层的通道进行筛选。
目标模型确定子模块423,被配置为在对所有卷积层执行完通道筛选操作后,获得目标模型。
在一个可选的实现方式中,所述优化目标函数如下:
subject to||β||0≤c′
其中,Xi表示进行第i个通道的卷积运算时输入的特征图的值;Wi表示进行第i个通道的卷积运算时输入的卷积核的值;Y表示所述卷积层的输出值,βi表示第i个通道的权重值;c表示所述卷积层的实际通道个数;c'表示所述卷积层的期望通道个数;c'<c;N表示进行优化目标函数运算时所使用所述卷积层内特征图的个数。
在一个可选的实现方式中,所述通道筛选子模块422,具体配置为:
若βi=0,删除第i个通道,以禁止第i个通道的卷积运算;
若βi≠0,利用βi与Wi的乘积更新Wi。
如图6所示,图6是本公开根据一示例性实施例示出的一种图像质量检测装置的框图,所述装置包括:
图像获取模块61,被配置为获取待检测图像;
质量检测模块62,被配置为将所述待检测图像输入目标质量检测模型,获得所述待检测图像的质量检测结果;
其中,所述目标质量检测模型基于上述任一种模型优化装置对初始模型优化获得,所述初始模型是基于卷积神经网络训练获得的质量检测模型。
如图7所示,图7是本公开根据一示例性实施例示出的另一种图像质量检测装置的框图,该实施例在前述图6所示实施例的基础上,所述装置还包括模型生成模块63,所述模型生成模块63包括:
权重值确定子模块631,被配置为针对每层卷积层,基于预设的优化目标函数,在保证卷积层的输出值的误差在允许误差范围内时,通过调整通道的权重值,使部分通道的权重值为0,获得卷积层每个通道的权重值;
通道筛选子模块632,被配置为基于通道的权重值对所述卷积层的通道进行筛选;
模型确定子模块633,被配置为在对所有卷积层执行完通道筛选操作后,获得目标质量检测模型。
在一个可选的实现方式中,所述优化目标函数如下:
subject to||β||0≤c′
其中,Xi表示进行第i个通道的卷积运算时输入的特征图的值;Wi表示进行第i个通道的卷积运算时输入的卷积核的值;Y表示所述卷积层的输出值,βi表示第i个通道的权重值;c表示所述卷积层的实际通道个数;c'表示所述卷积层的期望通道个数;c'<c;N表示进行优化目标函数运算时所使用所述卷积层内特征图的个数。
在一个可选的实现方式中,所述通道筛选子模块632,具体配置为:
若βi=0,删除第i个通道,以禁止第i个通道的卷积运算;
若βi≠0,利用βi与Wi的乘积更新Wi。
在一个可选的实现方式中,所述质量检测结果为所述待检测图像的质量等级;所述初始模型为:基于预构建的训练样本集对卷积神经网络进行训练获得的用于预测图像质量等级的模型,所述训练样本集包括带标签的样本图像,所述标签表示所述样本图像的质量等级。
相应的,本公开还提供一种电子设备,所述设备包括有处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为:
获取基于卷积神经网络训练获得的初始模型;
基于所述初始模型中卷积层的通道对初始模型预测结果的影响程度,对所述初始模型中卷积层的通道进行筛选,获得目标模型,所述目标模型中卷积层的通道数量少于所述初始模型中卷积层的通道数量;所述卷积层的通道是卷积核的输入通道,每个通道内进行卷积运算。
相应的,本公开还提供一种电子设备,所述设备包括有处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为:
获取待检测图像;
将所述待检测图像输入目标质量检测模型,获得所述待检测图像的质量检测结果;
其中,所述目标质量检测模型基于上述任一项所述模型优化方法对初始模型优化获得,所述初始模型是基于卷积神经网络训练获得的质量检测模型。
相应的,本公开还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述模型优化方法的步骤。
相应的,本公开还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述图像质量检测方法的步骤。
本公开可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可用存储介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
上述装置中各个模块的功能和作用的实现过程具体详情见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
如图8所示,图8是根据一示例性实施例示出的一种用于模型优化的装置的框图。
例如,装置800可以被提供为服务端设备。参照图8,装置800包括处理组件822,其进一步包括一个或多个处理器,以及由存储器832所代表的存储器资源,用于存储可由处理部件822的执行的指令,例如应用程序。存储器832中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件822被配置为执行指令,以执行上述模型优化方法。
装置800还可以包括一个电源组件826被配置为执行装置800的电源管理,一个有线或无线网络接口850被配置为将装置800连接到网络,和一个输入输出(I/O)接口858。装置800可以操作基于存储在存储器832的操作系统。
其中,当所述存储器832中的指令由所述处理组件822执行时,使得装置800能够执行一种模型优化方法,包括:
获取基于卷积神经网络训练获得的初始模型;
基于所述初始模型中卷积层的通道对初始模型预测结果的影响程度,对所述初始模型中卷积层的通道进行筛选,获得目标模型,所述目标模型中卷积层的通道数量少于所述初始模型中卷积层的通道数量;所述卷积层的通道是卷积核的输入通道,每个通道内进行卷积运算。
如图9所示,图9是本公开根据一示例性实施例示出的一种用于图像质量检测的装置的框图。该装置900可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图9,装置900可以包括以下一个或多个组件:处理组件902,存储器904,电源组件906,多媒体组件908,音频组件910,输入/输出(I/O)的接口912,传感器组件914,以及通信组件916。
处理组件902通常控制装置900的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件902可以包括一个或多个处理器920来执行指令,以完成上述图像质量检测方法的全部或部分步骤。此外,处理组件902可以包括一个或多个模块,便于处理组件902和其他组件之间的交互。例如,处理组件902可以包括多媒体模块,以方便多媒体组件908和处理组件902之间的交互。
存储器904被配置为存储各种类型的数据以支持在装置900的操作。这些数据的示例包括用于在装置900上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器904可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件906为装置900的各种组件提供电力。电源组件906可以包括电源管理系统,一个或多个电源,及其他与为装置900生成、管理和分配电力相关联的组件。
多媒体组件908包括在所述装置900和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件908包括一个前置摄像头和/或后置摄像头。当装置900处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件910被配置为输出和/或输入音频信号。例如,音频组件910包括一个麦克风(MIC),当装置900处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器904或经由通信组件916发送。在一些实施例中,音频组件910还包括一个扬声器,用于输出音频信号。
I/O接口912为处理组件902和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件914包括一个或多个传感器,用于为装置900提供各个方面的状态评估。例如,传感器组件914可以检测到装置900的打开/关闭状态,组件的相对定位,例如所述组件为装置900的显示器和小键盘,传感器组件914还可以检测装置900或装置900中一个组件的位置改变,用户与装置900接触的存在或不存在,装置900方位或加速/减速和装置900的温度变化。传感器组件914可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件914还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件914还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件916被配置为便于装置900和其他设备之间有线或无线方式的通信。装置900可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件916经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件916还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置900可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述图像质量检测方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器904,上述指令可由装置900的处理器920执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
其中,当所述存储介质中的指令由所述处理器执行时,使得装置900能够执行一种图像质量检测方法,包括:
获取待检测图像;
将所述待检测图像输入目标质量检测模型,获得所述待检测图像的质量检测结果;
其中,所述目标质量检测模型基于上述任一项所述模型优化方法对初始模型优化获得,所述初始模型是基于卷积神经网络训练获得的质量检测模型。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
以上所述仅为本公开的较佳实施例而已,并不用以限制本公开,凡在本公开的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本公开保护的范围之内。
Claims (15)
1.一种模型优化方法,其特征在于,所述方法包括:
获取基于卷积神经网络训练获得的初始模型;
基于所述初始模型中卷积层的通道对初始模型预测结果的影响程度,对所述初始模型中卷积层的通道进行筛选,获得目标模型,所述目标模型中卷积层的通道数量少于所述初始模型中卷积层的通道数量;所述卷积层的通道是卷积核的输入通道,每个通道内进行卷积运算。
2.根据权利要求1所述的方法,其特征在于,所述基于所述初始模型中卷积层的通道对初始模型预测结果的影响程度,对所述初始模型中卷积层的通道进行筛选,获得目标模型,包括:
针对每层卷积层,基于预设的优化目标函数,在保证卷积层的输出值的误差在允许误差范围内时,通过调整通道的权重值,使部分通道的权重值为0,获得卷积层每个通道的权重值;
基于通道的权重值对所述卷积层的通道进行筛选;
在对所有卷积层执行完通道筛选操作后,获得目标模型。
3.根据权利要求2所述的方法,其特征在于,所述优化目标函数如下:
subject to||β||0≤c′
其中,Xi表示进行第i个通道的卷积运算时输入的特征图的值;Wi表示进行第i个通道的卷积运算时输入的卷积核的值;Y表示所述卷积层的输出值,βi表示第i个通道的权重值;c表示所述卷积层的实际通道个数;c'表示所述卷积层的期望通道个数;c'<c;N表示进行优化目标函数运算时所使用所述卷积层内特征图的个数。
4.根据权利要求3所述的方法,其特征在于,所述基于通道的权重值对所述卷积层的通道进行筛选,包括:
若βi=0,删除第i个通道,以禁止第i个通道的卷积运算;
若βi≠0,利用βi与Wi的乘积更新Wi。
5.一种图像质量检测方法,其特征在于,所述方法包括:
获取待检测图像;
将所述待检测图像输入目标质量检测模型,获得所述待检测图像的质量检测结果;
其中,所述目标质量检测模型基于权利要求1至4任一项所述模型优化方法对初始模型优化获得,所述初始模型是基于卷积神经网络训练获得的质量检测模型。
6.根据权利要求5所述的方法,其特征在于,所述质量检测结果为所述待检测图像的质量等级;
所述初始模型为:基于预构建的训练样本集对卷积神经网络进行训练获得的用于预测图像质量等级的模型,所述训练样本集包括带标签的样本图像,所述标签表示所述样本图像的质量等级。
7.一种模型优化装置,其特征在于,所述装置包括:
模型获取模块,被配置为获取基于卷积神经网络训练获得的初始模型;
模型优化模块,被配置为基于所述初始模型中卷积层的通道对初始模型预测结果的影响程度,对所述初始模型中卷积层的通道进行筛选,获得目标模型,所述目标模型中卷积层的通道数量少于所述初始模型中卷积层的通道数量;所述卷积层的通道是卷积核的输入通道,每个通道内进行卷积运算。
8.根据权利要求7所述的装置,其特征在于,所述模型优化模块包括:
权重值确定子模块,被配置为针对每层卷积层,基于预设的优化目标函数,在保证卷积层的输出值的误差在允许误差范围内时,通过调整通道的权重值,使部分通道的权重值为0,获得卷积层每个通道的权重值;
通道筛选子模块,被配置为基于通道的权重值对所述卷积层的通道进行筛选;
目标模型确定子模块,被配置为在对所有卷积层执行完通道筛选操作后,获得目标模型。
9.根据权利要求8所述的装置,其特征在于,所述优化目标函数如下:
subject to||β||0≤c′
其中,Xi表示进行第i个通道的卷积运算时输入的特征图的值;Wi表示进行第i个通道的卷积运算时输入的卷积核的值;Y表示所述卷积层的输出值,βi表示第i个通道的权重值;c表示所述卷积层的实际通道个数;c'表示所述卷积层的期望通道个数;c'<c;N表示进行优化目标函数运算时所使用所述卷积层内特征图的个数。
10.根据权利要求9所述的装置,其特征在于,所述通道筛选子模块,具体配置为:
若βi=0,删除第i个通道,以禁止第i个通道的卷积运算;
若βi≠0,利用βi与Wi的乘积更新Wi。
11.一种图像质量检测装置,其特征在于,所述装置包括:
图像获取模块,被配置为获取待检测图像;
质量检测模块,被配置为将所述待检测图像输入目标质量检测模型,获得所述待检测图像的质量检测结果;
其中,所述目标质量检测模型基于权利要求7至10任一项所述模型优化装置对初始模型优化获得,所述初始模型是基于卷积神经网络训练获得的质量检测模型。
12.根据权利要求11所述的装置,其特征在于,所述质量检测结果为所述待检测图像的质量等级;
所述初始模型为:基于预构建的训练样本集对卷积神经网络进行训练获得的用于预测图像质量等级的模型,所述训练样本集包括带标签的样本图像,所述标签表示所述样本图像的质量等级。
13.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取基于卷积神经网络训练获得的初始模型;
基于所述初始模型中卷积层的通道对初始模型预测结果的影响程度,对所述初始模型中卷积层的通道进行筛选,获得目标模型,所述目标模型中卷积层的通道数量少于所述初始模型中卷积层的通道数量;所述卷积层的通道是卷积核的输入通道,每个通道内进行卷积运算。
14.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取待检测图像;
将所述待检测图像输入目标质量检测模型,获得所述待检测图像的质量检测结果;
其中,所述目标质量检测模型基于权利要求1至4任一项所述模型优化方法对初始模型优化获得,所述初始模型是基于卷积神经网络训练获得的质量检测模型。
15.一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权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711242597.0A CN108009600A (zh) | 2017-11-30 | 2017-11-30 | 模型优化、质量检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711242597.0A CN108009600A (zh) | 2017-11-30 | 2017-11-30 | 模型优化、质量检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108009600A true CN108009600A (zh) | 2018-05-08 |
Family
ID=62055686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711242597.0A Pending CN108009600A (zh) | 2017-11-30 | 2017-11-30 | 模型优化、质量检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009600A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764487A (zh) * | 2018-05-29 | 2018-11-06 | 北京百度网讯科技有限公司 | 用于生成模型的方法和装置、用于识别信息的方法和装置 |
CN109243618A (zh) * | 2018-09-12 | 2019-01-18 | 腾讯科技(深圳)有限公司 | 医学模型的构建方法、疾病标签构建方法及智能设备 |
CN109635920A (zh) * | 2018-11-12 | 2019-04-16 | 北京市商汤科技开发有限公司 | 神经网络优化方法及装置、电子设备和存储介质 |
CN109711311A (zh) * | 2018-12-20 | 2019-05-03 | 北京以萨技术股份有限公司 | 一种基于动态人脸最优帧选取方法 |
CN110210558A (zh) * | 2019-05-31 | 2019-09-06 | 北京市商汤科技开发有限公司 | 评估神经网络性能的方法及装置 |
CN110503181A (zh) * | 2018-05-18 | 2019-11-26 | 百度在线网络技术(北京)有限公司 | 用于生成多层神经网络的方法和装置 |
CN110533156A (zh) * | 2018-05-23 | 2019-12-03 | 富士通株式会社 | 提高卷积神经网络的处理速度的方法和设备 |
CN110636517A (zh) * | 2019-09-25 | 2019-12-31 | 南昌航空大学 | 一种采用卷积长短期记忆的在线链路质量预测方法 |
CN110795993A (zh) * | 2019-09-12 | 2020-02-14 | 深圳云天励飞技术有限公司 | 一种构建模型的方法、装置、终端设备及介质 |
CN111291882A (zh) * | 2018-12-06 | 2020-06-16 | 北京百度网讯科技有限公司 | 一种模型转换的方法、装置、设备和计算机存储介质 |
CN111709458A (zh) * | 2020-05-25 | 2020-09-25 | 中国自然资源航空物探遥感中心 | 一种用于高分五号影像的自动质检方法 |
CN111767980A (zh) * | 2019-04-02 | 2020-10-13 | 杭州海康威视数字技术股份有限公司 | 模型优化方法、装置及设备 |
CN112418405A (zh) * | 2020-12-03 | 2021-02-26 | 厦门市美亚柏科信息股份有限公司 | 模型压缩方法和装置 |
CN113128660A (zh) * | 2019-12-31 | 2021-07-16 | 深圳云天励飞技术有限公司 | 深度学习模型压缩方法及相关设备 |
CN113191377A (zh) * | 2020-01-14 | 2021-07-30 | 北京京东乾石科技有限公司 | 用于处理图像的方法和装置 |
CN113409776A (zh) * | 2021-06-30 | 2021-09-17 | 南京领行科技股份有限公司 | 一种语音识别方法、装置、电子设备及存储介质 |
WO2022022625A1 (zh) * | 2020-07-29 | 2022-02-03 | 北京智行者科技有限公司 | 深度学习模型的加速方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544705A (zh) * | 2013-10-25 | 2014-01-29 | 华南理工大学 | 一种基于深度卷积神经网络的图像质量测试方法 |
CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
CN106780434A (zh) * | 2016-11-15 | 2017-05-31 | 天津大学 | 水下图像视觉质量评价方法 |
-
2017
- 2017-11-30 CN CN201711242597.0A patent/CN108009600A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544705A (zh) * | 2013-10-25 | 2014-01-29 | 华南理工大学 | 一种基于深度卷积神经网络的图像质量测试方法 |
CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
CN106780434A (zh) * | 2016-11-15 | 2017-05-31 | 天津大学 | 水下图像视觉质量评价方法 |
Non-Patent Citations (1)
Title |
---|
YIHUI HE: ""Channel Pruning for Accelerating Very Deep Neural Networks"", 《COMPUTER VISION AND PATTERN RECOGNITION 2017》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503181B (zh) * | 2018-05-18 | 2022-03-01 | 百度在线网络技术(北京)有限公司 | 用于生成多层神经网络的方法和装置 |
CN110503181A (zh) * | 2018-05-18 | 2019-11-26 | 百度在线网络技术(北京)有限公司 | 用于生成多层神经网络的方法和装置 |
CN110533156B (zh) * | 2018-05-23 | 2023-06-23 | 富士通株式会社 | 提高卷积神经网络的处理速度的方法和设备 |
CN110533156A (zh) * | 2018-05-23 | 2019-12-03 | 富士通株式会社 | 提高卷积神经网络的处理速度的方法和设备 |
US11210608B2 (en) | 2018-05-29 | 2021-12-28 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for generating model, method and apparatus for recognizing information |
CN108764487A (zh) * | 2018-05-29 | 2018-11-06 | 北京百度网讯科技有限公司 | 用于生成模型的方法和装置、用于识别信息的方法和装置 |
CN109243618B (zh) * | 2018-09-12 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 医学模型的构建方法、疾病标签构建方法及智能设备 |
CN109243618A (zh) * | 2018-09-12 | 2019-01-18 | 腾讯科技(深圳)有限公司 | 医学模型的构建方法、疾病标签构建方法及智能设备 |
CN109635920B (zh) * | 2018-11-12 | 2021-09-03 | 北京市商汤科技开发有限公司 | 神经网络优化方法及装置、电子设备和存储介质 |
CN109635920A (zh) * | 2018-11-12 | 2019-04-16 | 北京市商汤科技开发有限公司 | 神经网络优化方法及装置、电子设备和存储介质 |
CN111291882A (zh) * | 2018-12-06 | 2020-06-16 | 北京百度网讯科技有限公司 | 一种模型转换的方法、装置、设备和计算机存储介质 |
CN109711311B (zh) * | 2018-12-20 | 2020-11-20 | 北京以萨技术股份有限公司 | 一种基于动态人脸最优帧选取方法 |
CN109711311A (zh) * | 2018-12-20 | 2019-05-03 | 北京以萨技术股份有限公司 | 一种基于动态人脸最优帧选取方法 |
CN111767980B (zh) * | 2019-04-02 | 2024-03-05 | 杭州海康威视数字技术股份有限公司 | 模型优化方法、装置及设备 |
CN111767980A (zh) * | 2019-04-02 | 2020-10-13 | 杭州海康威视数字技术股份有限公司 | 模型优化方法、装置及设备 |
CN110210558A (zh) * | 2019-05-31 | 2019-09-06 | 北京市商汤科技开发有限公司 | 评估神经网络性能的方法及装置 |
CN110795993A (zh) * | 2019-09-12 | 2020-02-14 | 深圳云天励飞技术有限公司 | 一种构建模型的方法、装置、终端设备及介质 |
CN110636517B (zh) * | 2019-09-25 | 2022-02-01 | 南昌航空大学 | 一种采用卷积长短期记忆的在线链路质量预测方法 |
CN110636517A (zh) * | 2019-09-25 | 2019-12-31 | 南昌航空大学 | 一种采用卷积长短期记忆的在线链路质量预测方法 |
CN113128660A (zh) * | 2019-12-31 | 2021-07-16 | 深圳云天励飞技术有限公司 | 深度学习模型压缩方法及相关设备 |
CN113191377A (zh) * | 2020-01-14 | 2021-07-30 | 北京京东乾石科技有限公司 | 用于处理图像的方法和装置 |
CN111709458B (zh) * | 2020-05-25 | 2021-04-13 | 中国自然资源航空物探遥感中心 | 一种用于高分五号影像的自动质检方法 |
CN111709458A (zh) * | 2020-05-25 | 2020-09-25 | 中国自然资源航空物探遥感中心 | 一种用于高分五号影像的自动质检方法 |
WO2022022625A1 (zh) * | 2020-07-29 | 2022-02-03 | 北京智行者科技有限公司 | 深度学习模型的加速方法及装置 |
CN112418405B (zh) * | 2020-12-03 | 2022-08-19 | 厦门市美亚柏科信息股份有限公司 | 模型压缩方法和装置 |
CN112418405A (zh) * | 2020-12-03 | 2021-02-26 | 厦门市美亚柏科信息股份有限公司 | 模型压缩方法和装置 |
CN113409776A (zh) * | 2021-06-30 | 2021-09-17 | 南京领行科技股份有限公司 | 一种语音识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009600A (zh) | 模型优化、质量检测方法、装置、设备及存储介质 | |
CN108121952A (zh) | 人脸关键点定位方法、装置、设备及存储介质 | |
CN111325258B (zh) | 特征信息获取方法、装置、设备及存储介质 | |
CN105320957B (zh) | 分类器训练方法和装置 | |
CN109800744A (zh) | 图像聚类方法及装置、电子设备和存储介质 | |
CN108141645A (zh) | 具有成对深度排序的视频重点检测 | |
CN108171335A (zh) | 建模数据的选取方法、装置、存储介质及电子设备 | |
CN111932269B (zh) | 设备信息处理方法及装置 | |
US11249645B2 (en) | Application management method, storage medium, and electronic apparatus | |
CN107545248A (zh) | 生物特征活体检测方法、装置、设备及存储介质 | |
CN107527024A (zh) | 人脸颜值评估方法及装置 | |
CN107924492A (zh) | 使用归一化置信值对移动设备行为进行分类 | |
CN113239914B (zh) | 课堂学生表情识别及课堂状态评估方法、装置 | |
CN110533105A (zh) | 一种目标检测方法及装置、电子设备和存储介质 | |
CN107330619A (zh) | 确定综合评价值的方法、装置及计算机可读存储介质 | |
CN115545103A (zh) | 异常数据识别、标签识别方法和异常数据识别装置 | |
CN106056095A (zh) | 指纹处理的方法和装置 | |
CN111800445A (zh) | 消息推送方法、装置、存储介质及电子设备 | |
CN112036492B (zh) | 样本集处理方法、装置、设备及存储介质 | |
CN113469807A (zh) | 信贷风险确定和数据处理方法、设备、介质及程序产品 | |
CN107516112A (zh) | 对象类别识别方法、装置、设备及存储介质 | |
CN113065379B (zh) | 融合图像质量的图像检测方法、装置、电子设备 | |
CN107480773A (zh) | 训练卷积神经网络模型的方法、装置及存储介质 | |
CN108537165A (zh) | 用于确定信息的方法和装置 | |
CN113553893A (zh) | 基于深度神经网络的人体跌倒检测方法、装置和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180508 |
|
RJ01 | Rejection of invention patent application after publication |