CN110796202A - 一种网络集成的训练方法及装置、电子设备和存储介质 - Google Patents
一种网络集成的训练方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110796202A CN110796202A CN201911054426.4A CN201911054426A CN110796202A CN 110796202 A CN110796202 A CN 110796202A CN 201911054426 A CN201911054426 A CN 201911054426A CN 110796202 A CN110796202 A CN 110796202A
- Authority
- CN
- China
- Prior art keywords
- network
- integrated
- networks
- convolution
- feature fusion
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种网络集成的训练方法及装置、电子设备和存储介质,其中,该方法包括:获取待训练的第一目标网络,其中所述第一目标网络中包括以桥接方式连接的至少两个待集成网络;根据所述至少两个待集成网络的各自损失及所述第一目标网络的整体损失所得到的目标损失函数,训练所述第一目标网络,得到训练后的第二目标网络。采用本公开,提高了网络集成后所得到第二目标网络的网络处理性能。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及一种网络集成的训练方法及装置、图像分类方法及装置、图像检测方法及装置、视频处理方法及装置、电子设备和存储介质。
背景技术
将多个深度学习神经网络进行网络集成,可以提高网络总体的处理性能。以图像分类场景为例,图像分类作为计算机视觉的基础,通过网络集成可以提高图像分类的分类性能(如分类准确度)。然而,多个深度学习神经网络各自的处理性能有高有低,彼此间存在差距,尤其是处理性能差距很大的情况下会导致最终网络集成的处理性能与预期需求有很大的偏差。可见,目前网络集成方法并不理想,然而,相关技术中未存在有效的解决方案。
发明内容
本公开提出了一种网络集成的训练处理的技术方案。
根据本公开的一方面,提供了一种网络集成的训练方法,所述方法包括:
获取待训练的第一目标网络,其中所述第一目标网络中包括以桥接方式连接的至少两个待集成网络;
根据所述至少两个待集成网络的各自损失及所述第一目标网络的整体损失所得到的目标损失函数,训练所述第一目标网络,得到训练后的第二目标网络。
采用本公开,由于通过桥接方式集成了至少两个待集成网络,从而可以兼顾各个待集成网络各自的网络性能优势及集成后得到第一目标网络的整体网络性能优势。通过根据待集成网络的各自损失和网络的整体损失得到的目标损失函数训练所述第一目标网络,可以自适应调整第一目标网络的网络参数,从而使得到的第二目标网络的网络处理性能更加优越,改善了网络的处理性能。
可能的实现方式中,所述以桥接方式连接的至少两个待集成网络,包括:
基于一个或多个网络桥接模块连接的所述至少两个待集成网络。
采用本公开,可以通过一个或多个网络桥接模块实现所述桥接方式,模块化的桥接,便于实现网络桥接,可以改善网络处理性能。
可能的实现方式中,所述基于一个或多个网络桥接模块连接所述至少两个待集成网络,包括:
基于一个或多个网络桥接模块,连接的同种网络结构且不同分辨率的至少两个待集成网络;或者,
基于一个或多个网络桥接模块,连接的不同网络结构且相同分辨率的至少两个待集成网络;或者,
基于一个或多个网络桥接模块,连接的不同网络结构且不同分辨率的至少两个待集成网络。
采用本公开,通过网络桥接模块,可以连接多种不同的网络结构及分辨率的网络,可以适用于多种网络的集成训练。
可能的实现方式中,所述获取待训练的第一目标网络之后,所述方法还包括:
根据所述网络桥接模块,对所述至少两个待集成网络分别对应不同尺度的特征进行特征融合,得到特征融合结果。
采用本公开,还可以对所述至少两个待集成网络分别对应不同尺度的特征进行特征融合,将该特征融合结果用于网络训练中,可以改善网络处理性能。
可能的实现方式中,所述根据所述网络桥接模块,对所述至少两个待集成网络分别对应不同尺度的特征进行特征融合,得到特征融合结果,包括:
对所述至少两个待集成网络分别对应不同尺度的特征进行同深度的特征融合,得到特征融合结果。
采用本公开,对不同尺度的特征进行同深度的特征融合,得到特征融合结果,可以适用于需要深度对齐后再进行特征融合的场景,对同深度的特征进行特征融合,可以用较少的运算得到更好的特征融合结果。
可能的实现方式中,所述根据所述网络桥接模块,对所述至少两个待集成网络分别对应不同尺度的特征进行特征融合,得到特征融合结果,包括:
对所述至少两个待集成网络分别对应不同尺度的特征进行不同深度的特征融合,得到特征融合结果。
采用本公开,对不同尺度的特征进行不同深度的特征融合,得到特征融合结果,相比需要深度对齐后再进行特征融合的场景,可以适用于更多特征融合的场景,可以用较少的运算得到更好的特征融合结果。
可能的实现方式中,所述对所述至少两个待集成网络分别对应不同尺度的特征进行同深度的特征融合,得到特征融合结果之前,所述方法还包括:
将所述至少两个待集成网络分别进行至少一次的卷积处理,得到第一待集成网络卷积处理后对应输出的第一卷积处理结果,及第二待集成网络卷积处理后对应输出的第二卷积处理结果;
其中,对所述至少两个待集成网络分别进行的卷积处理,为基于相同卷积操作所进行的卷积处理。
采用本公开,在特征融合结果之前的卷积处理中,对于至少两个待集成网络,可以基于相同的卷积操作实现所述卷积处理,可以适用于需要深度对齐后再进行特征融合的场景,对同深度的特征进行特征融合之前进行上述基于卷积操作的特征提取,可以提取到更适用于后续执行特征融合的特征。
可能的实现方式中,所述对所述至少两个待集成网络分别对应不同尺度的特征进行同深度的特征融合,得到特征融合结果,包括:
进行经所述卷积处理后的特征交换,并将对应第一待集成网络卷积处理后对应输出的第一特征提供给第二待集成网络使用,将对应第二待集成网络卷积处理后对应输出的第二特征提供给第一待集成网络使用;
根据输入所述第一待集成网络的原始数据、所述第一卷积处理结果和所述第二特征得到针对所述第一待集成网络的所述特征融合结果;
根据输入所述第二待集成网络的原始数据、所述第二卷积处理结果和所述第一特征得到针对所述第二待集成网络的所述特征融合结果。
采用本公开,在特征融合结果过程中,可以进行所述卷积处理后进行特征交换,从而综合各个待集成网络的特征,以得到更好的特征融合结果。
可能的实现方式中,所述对所述至少两个待集成网络分别对应不同尺度的特征进行同深度的特征融合,得到特征融合结果之前,所述方法还包括:
将所述至少两个待集成网络分别进行至少一次的卷积处理,得到第一待集成网络卷积处理后对应输出的第一卷积处理结果,及第二待集成网络卷积处理后对应输出的第二卷积处理结果;
其中,对所述两个待集成网络分别进行的卷积处理,为基于不同卷积操作所进行的卷积处理。
采用本公开,在特征融合结果之前的卷积处理中,对于至少两个待集成网络,可以基于不同的卷积操作实现所述卷积处理,可以适用于需要深度对齐后再进行特征融合的场景,对同深度的特征进行特征融合之前进行上述基于卷积操作的特征提取,可以提取到更适用于后续执行特征融合的特征。
可能的实现方式中,所述对所述两个待集成网络分别对应不同尺度的特征进行同深度的特征融合,得到特征融合结果,包括:
进行经所述卷积处理后的特征交换,并将对应第一待集成网络卷积处理后对应输出的第一特征提供给第二待集成网络使用,将对应第二待集成网络卷积处理后对应输出的第二特征提供给第一待集成网络使用;
根据输入所述第一待集成网络的原始数据、所述第一卷积处理结果和所述第二特征得到针对所述第一待集成网络的所述特征融合结果;
根据所述第二卷积处理结果和所述第一特征得到针对所述第二待集成网络的所述特征融合结果。
采用本公开,在特征融合结果过程中,可以进行所述卷积处理后进行特征交换,从而综合各个待集成网络的特征,以得到更好的特征融合结果。
可能的实现方式中,所述对所述至少两个待集成网络分别对应不同尺度的特征进行不同深度的特征融合,得到特征融合结果之前,所述方法还包括:
将所述至少两个待集成网络分别进行至少一次的卷积处理,得到第一待集成网络卷积处理后对应输出的第一卷积处理结果,及第二待集成网络卷积处理后对应输出的第二卷积处理结果;
其中,对所述两个待集成网络分别进行的卷积处理,为基于不同卷积操作所进行的卷积处理。
采用本公开,在特征融合结果之前的卷积处理中,对于至少两个待集成网络,可以基于不同的卷积操作实现所述卷积处理,可以适用于需要深度对齐后再进行特征融合的场景,对不同深度的特征进行特征融合之前进行上述基于卷积操作的特征提取,可以提取到更适用于后续执行特征融合的特征。
可能的实现方式中,所述对所述至少两个待集成网络分别对应不同尺度的特征进行不同深度的特征融合,得到特征融合结果,包括:
进行经所述卷积处理后的特征交换,并将对应第一待集成网络卷积处理后对应输出的第一特征提供给第二待集成网络使用,将对应第二待集成网络卷积处理后对应输出的第二特征提供给第一待集成网络使用;
根据输入所述第一待集成网络的原始数据、所述第一卷积处理结果和所述第二特征得到针对所述第一待集成网络的所述特征融合结果;
根据所述第二卷积处理结果和所述第一特征得到针对所述第二待集成网络的所述特征融合结果。
采用本公开,在特征融合结果过程中,可以进行所述卷积处理后进行特征交换,从而综合各个待集成网络的特征,以得到更好的特征融合结果。
可能的实现方式中,所述根据所述至少两个待集成网络的各自损失及所述第一目标网络的整体损失所得到的目标损失函数,训练所述第一目标网络,得到训练后的第二目标网络,包括:
根据所述至少两个待集成网络的各自损失,得到第一损失函数,其中所述第一损失函数包括所述至少两个待集成网络各自独立训练的损失函数;
根据所述第一目标网络的整体损失,得到第二损失函数;
根据所述第一损失函数和所述第二损失函数,得到所述目标损失函数;
根据所述目标损失函数,训练所述第一目标网络,得到所述第二目标网络。
采用本公开,根据包含两个待集成网络各自独立训练的损失函数的第一损失函数,及第一目标网络的整体损失得到的第二损失函数,可以得到目标损失函数。既考虑了待集成网络各自的独立性,又考虑了集成后网络的整体性,从而可以得到更好的训练效果,改善了网络处理性能。
可能的实现方式中,所述根据所述目标损失函数,训练所述第一目标网络,得到所述第二目标网络,包括:
对所述第一目标网络中的全部待集成网络,根据所述目标损失函数进行整体联合训练,得到所述第二目标网络;或者,
对所述第一目标网络中的部分待集成网络进行分组,得到分组后的待集成网络,根据所述目标损失函数对所述分组后的待集成网络进行分组联合训练,得到所述第二目标网络。
采用本公开,除了可以在训练时对全部待集成网络进行整体联合训练,还可以对分组后的待集成网络进行分组联合训练,以多种方式进行训练,得到了更好的训练效果,改善了网络处理性能。
根据本公开的一方面,提供了一种图像分类方法,所述方法包括:
获取图像数据;
采用上述任一项网络集成的训练方法得到的第二目标网络,对所述图像数据进行图像分类,得到图像分类处理结果。
采用本公开,基于网络集成的训练方法得到的第二目标网络,可以提高图像分类精度。
根据本公开的一方面,提供了一种图像检测方法,所述方法包括:
获取图像数据;
采用上述任一项网络集成的训练方法得到的第二目标网络,对所述图像数据中的目标区域进行图像检测,得到图像检测结果。
采用本公开,基于网络集成的训练方法得到的第二目标网络,可以提高图像检测精度。
根据本公开的一方面,提供了一种视频处理方法,所述方法包括:
获取视频图像;
采用上述任一项网络集成的训练方法得到的第二目标网络,对所述视频图像按照预设处理策略进行编码、解码及播放处理中的至少一种视频处理,得到视频处理结果。
采用本公开,基于网络集成的训练方法得到的第二目标网络,可以提高视频处理结果的准确度和处理速度等。
根据本公开的一方面,提供了一种网络集成的训练装置,所述装置包括:
获取单元,用于获取待训练的第一目标网络,其中所述第一目标网络中包括以桥接方式连接的至少两个待集成网络;
训练单元,用于根据所述至少两个待集成网络的各自损失及所述第一目标网络的整体损失所得到的目标损失函数,训练所述第一目标网络,得到训练后的第二目标网络。
可能的实现方式中,所述以桥接方式连接的至少两个待集成网络,包括:
基于一个或多个网络桥接模块连接的所述至少两个待集成网络。
可能的实现方式中,所述基于一个或多个网络桥接模块连接所述至少两个待集成网络,包括:
基于一个或多个网络桥接模块,连接的同种网络结构且不同分辨率的至少两个待集成网络;或者,
基于一个或多个网络桥接模块,连接的不同网络结构且相同分辨率的至少两个待集成网络;或者,
基于一个或多个网络桥接模块,连接的不同网络结构且不同分辨率的至少两个待集成网络。
可能的实现方式中,所述装置还包括特征融合单元,用于:
根据所述网络桥接模块,对所述至少两个待集成网络分别对应不同尺度的特征进行特征融合,得到特征融合结果。
可能的实现方式中,所述特征融合单元,用于:
对所述至少两个待集成网络分别对应不同尺度的特征进行同深度的特征融合,得到特征融合结果。
可能的实现方式中,所述特征融合单元,用于:
对所述至少两个待集成网络分别对应不同尺度的特征进行不同深度的特征融合,得到特征融合结果。
可能的实现方式中,所述装置还包括第一卷积处理单元,用于:
将所述至少两个待集成网络分别进行至少一次的卷积处理,得到第一待集成网络卷积处理后对应输出的第一卷积处理结果,及第二待集成网络卷积处理后对应输出的第二卷积处理结果;
其中,对所述两个待集成网络分别进行的卷积处理,为基于相同卷积操作所进行的卷积处理。
可能的实现方式中,所述特征融合单元,用于:
进行经所述卷积处理后的特征交换,并将对应第一待集成网络卷积处理后对应输出的第一特征提供给第二待集成网络使用,将对应第二待集成网络卷积处理后对应输出的第二特征提供给第一待集成网络使用;
根据输入所述第一待集成网络的原始数据、所述第一卷积处理结果和所述第二特征得到针对所述第一待集成网络的所述特征融合结果;
根据输入所述第二待集成网络的原始数据、所述第二卷积处理结果和所述第一特征得到针对所述第二待集成网络的所述特征融合结果。
可能的实现方式中,所述装置还包括第二卷积处理单元,用于:
将所述至少两个待集成网络分别进行至少一次的卷积处理,得到第一待集成网络卷积处理后对应输出的第一卷积处理结果,及第二待集成网络卷积处理后对应输出的第二卷积处理结果;
其中,对所述两个待集成网络分别进行的卷积处理,为基于不同卷积操作所进行的卷积处理。
可能的实现方式中,所述特征融合单元,用于:
进行经所述卷积处理后的特征交换,并将对应第一待集成网络卷积处理后对应输出的第一特征提供给第二待集成网络使用,将对应第二待集成网络卷积处理后对应输出的第二特征提供给第一待集成网络使用;
根据输入所述第一待集成网络的原始数据、所述第一卷积处理结果和所述第二特征得到针对所述第一待集成网络的所述特征融合结果;
根据所述第二卷积处理结果和所述第一特征得到针对所述第二待集成网络的所述特征融合结果。
可能的实现方式中,所述装置还包括第二卷积处理单元,用于:
将所述至少两个待集成网络分别进行至少一次的卷积处理,得到第一待集成网络卷积处理后对应输出的第一卷积处理结果,及第二待集成网络卷积处理后对应输出的第二卷积处理结果;
其中,对所述两个待集成网络分别进行的卷积处理,为基于不同卷积操作所进行的卷积处理。
可能的实现方式中,所述特征融合单元,用于:
进行经所述卷积处理后的特征交换,并将对应第一待集成网络卷积处理后对应输出的第一特征提供给第二待集成网络使用,将对应第二待集成网络卷积处理后对应输出的第二特征提供给第一待集成网络使用;
根据输入所述第一待集成网络的原始数据、所述第一卷积处理结果和所述第二特征得到针对所述第一待集成网络的所述特征融合结果;
根据所述第二卷积处理结果和所述第一特征得到针对所述第二待集成网络的所述特征融合结果。
可能的实现方式中,所述训练单元,用于:
根据所述至少两个待集成网络的各自损失,得到第一损失函数,其中所述第一损失函数包括所述至少两个待集成网络各自独立训练的损失函数;
根据所述第一目标网络的整体损失,得到第二损失函数;
根据所述第一损失函数和所述第二损失函数,得到所述目标损失函数;
根据所述目标损失函数,训练所述第一目标网络,得到所述第二目标网络。
可能的实现方式中,所述训练单元,用于:
对所述第一目标网络中的全部待集成网络,根据所述目标损失函数进行整体联合训练,得到所述第二目标网络;或者,
对所述第一目标网络中的部分待集成网络进行分组,得到分组后的待集成网络,根据所述目标损失函数对所述分组后的待集成网络进行分组联合训练,得到所述第二目标网络。
根据本公开的一方面,提供了一种图像分类装置,所述装置包括:
第一获取器,用于获取图像数据;
第一处理器,用于采用上述任一项网络集成的训练方法得到的第二目标网络,对所述图像数据进行图像分类,得到图像分类处理结果。
根据本公开的一方面,提供了一种图像检测装置,所述装置包括:
第二获取器,用于获取图像数据;
第二处理器,用于采用上述任一项网络集成的训练方法得到的第二目标网络,对所述图像数据中的目标区域进行图像检测,得到图像检测结果。
根据本公开的一方面,提供了一种视频处理装置,所述装置包括:
第三获取器,用于获取视频图像;
第三处理器,用于采用采用上述任一项网络集成的训练方法得到的第二目标网络,对所述视频图像按照预设处理策略进行编码、解码及播放处理中的至少一种视频处理,得到视频处理结果。
根据本公开的一方面,提供了一种电子设备,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:执行上述任一项的网络集成的训练方法、或执行上述任一项的图像分类方法、或执行上述任一项的图像检测方法、或执行上述任一项的视频处理方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述任一项网络集成的训练方法、或上述任一项的图像分类方法、或上述任一项的图像检测方法、或上述任一项的视频处理方法。
在本公开实施例中,获取待训练的第一目标网络,其中所述第一目标网络中包括以桥接方式连接的至少两个待集成网络;根据所述至少两个待集成网络的各自损失及所述第一目标网络的整体损失所得到的目标损失函数,训练所述第一目标网络,得到训练后的第二目标网络。由于通过桥接方式集成了至少两个待集成网络,从而可以兼顾各个待集成网络各自的网络性能优势及集成后得到第一目标网络的整体网络性能优势。通过根据待集成网络的各自损失和网络的整体损失得到的目标损失函数训练所述第一目标网络,可以自适应调整第一目标网络的网络参数,从而使得到的第二目标网络的网络处理性能更加优越,改善了网络的处理性能,可以在如图像分类、图像检测、视频处理等场景中得到更准确的处理结果。
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,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
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,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的网络集成的训练方法的流程图。
图2示出根据本公开实施例的网络集成的训练方法的流程图。
图3a-图3c示出根据本公开实施例的以桥接方式连接多个待集成网络的示意图;
图4a-图4c示出根据本公开实施例的桥接方式的网络拓扑示意图。
图5示出根据本公开实施例的图像分类场景的网络集成训练的示意图;
图6示出根据本公开实施例的网络集成的训练装置的框图。
图7示出根据本公开实施例的电子设备的框图。
图8示出根据本公开实施例的电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
集成多个网络(如深度学习神经网络),通常可以行之有效的提升总体网络的处理性能。现有的网络集成方法是集成一些互相独立的网络。然而,第一,在被集成的各个网络中存在性能表现差距较大的网络的情况下,该被集成的各个网络中较差的一些网络,会成为集成后所得到的网络的性能瓶颈,也就是说,该集成后所得到的网络,其处理效果往往受限于网络性能比较差的网络,从而,不利于网络处理性能的提升。且针对该集成后所得到的网络,是在已经训练好的网络基础上讨论如何集成已经训练好的各个被集成网络,也无法提升网络处理性能。
针对上述问题,本公开中,除了关注将各个被集成网络进行集成,可以提升最终集成得到的网络的处理性能,还关注该各个被集成网络的中间特征(如不同尺度特征的特征融合),即更有效的融合不同分辨率输入/输出的特征,以提升最终集成得到的网络的处理性能。而且,网络训练过程是:基于集成后的网络进行训练,在训练的同时使得各个被集成网络更适合被集成,自适应的优化网络参数,从而提升最终集成得到的网络的处理性能。
本公开可以是通过桥接该各个被集成网络并进行特征融合的网络集成的训练方法,在训练的前向过程中,利用该各个被集成网络(如彼此间独立的多个被集成网络)的不同网络结构及不同尺度特征带来的优势,完成该各个被集成网络之间的不同尺度特征融合。
而且,本公开还可以根据目标损失函数训练集成得到的第一目标网络,得到第二目标网络。其中,该目标损失函数包含该各个被集成网络的独立损失函数,及集成得到第一目标网络的联合损失函数,从而,使得在保留该各个被集成网络独立性的同时,通过该各个被集成网络的中间特征(如不同尺度特征的特征融合)的互相融合,提升了对第一目标网络进行训练后得到第二目标网络最终的网络性能。
图1示出根据本公开实施例的网络集成的训练方法的流程图,该方法应用于网络集成的训练装置,例如,该装置部署于终端设备或服务器或其它处理设备执行的情况下,可以执行图像分类、图像检测和视频处理等等。其中,终端设备可以为用户设备(UE,UserEquipment)、移动设备、蜂窝电话、无绳电话、个人数字处理(PDA,Personal DigitalAssistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示,该流程包括:
步骤S101、获取待训练的第一目标网络,其中所述第一目标网络中包括以桥接方式连接的至少两个待集成网络。
桥接方式的一个示例中,可以将所述至少两个待集成网络通过一个或多个网络桥接模块进行连接,得到所述第一目标网络。
所述网络桥接模块用于特征提取、特征交换和特征融合。可以实现特征提取、特征交换和特征融合的各个处理模块及相应的处理共同组成该网络桥接模块。比如,该网络桥接模块可以包括:用于特征提取的至少一个卷积模块、用于特征交换的输出及用于特征融合的各运算。
针对至少两个待集成网络的网络结构一个示例中,基于所述网络桥接模块连接的至少两个待集成网络,可以包括:
基于一个或多个网络桥接模块,连接的同种网络结构且不同分辨率的至少两个待集成网络;或者,基于一个或多个网络桥接模块,连接的不同网络结构且相同分辨率的至少两个待集成网络;或者,基于一个或多个网络桥接模块,连接的不同网络结构且不同分辨率的至少两个待集成网络。
步骤S102、根据所述至少两个待集成网络的各自损失及所述第一目标网络的整体损失所得到的目标损失函数,训练所述第一目标网络,得到训练后的第二目标网络。
为了避免桥接后的网络结构丧失多样性,本公开中采用第一损失函数(如所述至少两个待集成网络各自独立训练的独立损失函数),及第二损失函数(以桥接方式连接得到第一目标网络后的整个网络的联合损失函数)所得到的目标损失函数来联合训练待集成的网络,而不是直接使用预先训练好的待集成网络。目标损失函数的一个示例中,可以根据所述至少两个待集成网络的各自损失,得到第一损失函数,其中,所述第一损失函数包括所述至少两个待集成网络各自独立训练的独立损失函数,根据所述第一目标网络的整体损失,得到第二损失函数。根据所述第一损失函数和所述第二损失函数,可以通过加权运算得到所述目标损失函数。之后,可以根据所述目标损失函数,训练所述第一目标网络,得到所述第二目标网络。其中,计算该联合损失函数的一个示例中,桥接第一待集成网络和第二待集成网络后,将这两个待集成网络在指定的结构层做并联操作后再计算其整体的损失函数,得到该联合损失函数。
现有技术中,是在已经训练好各个被集成网络(至少包括两个待集成网络)的基础上,讨论如何集成的问题,也就是说,将各个训练好的被集成网络进行网络集成。采用现有技术所关注的是“端到端”的输出,即输入端的处理-输出端的处理性能,对输入-输出的中间处理过程不关注,可是由于各个网络的性能之前存在差距,最终输出的性能还大部分取决于各个被集成网络中性能最差的网络,从而导致最终集成后得到集成网络总体的处理性能并不理想。
而采用本公开,是基于集成后的网络进行训练,在训练的同时,使得被集成的各网络模型更适合被集成,以提高集成各网络得到总体网络模型的处理性能。也就是说,以桥接方式集成该各个被集成网络(比如通过网络桥接模块连接两个待集成网络)并进行输入-输出的中间处理过程的特征融合,可以得到第一目标网络(如所集成的深度卷积神经网络),改善了各个被集成网络集成后得到的第一目标网络总体的网络处理性能,本公开不只关心输入端的处理-输出端的处理性能,对输入-输出的中间处理过程也关心,从而增强了最终输出端的处理性能。而且,本公开在训练的过程中,包含该各被集成网络的上述独立损失函数,及集成后第一目标网络的上述联合损失函数,并根据该独立损失函数和联合损失函数得到目标损失函数,通过该目标损失函数对第一目标网络(或称被集成的联合网络)进行训练,得到第二目标网络,使得在保留被集成网络独立性的同时,通过被集成网络间特征的互相融合,有利于提升最终所集成的第一目标网络训练后所得到的第二目标网络,在图像分类、图像检测及视频处理上的最终表现(网络处理性能上的提升),使图像分类结果、图像检测结果、视频处理结果更加精确。
需要指出的是,就后续将不同尺度特征进行特征融合而言,融合不同尺度的特征可以结合不同分辨率图像占比的好处,从而提高图像分类、图像检测等场景的处理性能。其中,针对高分辨率图像而言,比如输入网络的原始图像、或者靠近网络输入端这侧经较少卷积处理所得到的至少一个特征图,图像较大,会包含更多位置、细节信息,但是由于经过的卷积处理较少,语义性更低,噪声更多,而且,利用从高分辨率图像提取的特征进行运算,会导致运算速度降低。针对低分辨率图像而言,比如接近网络输出端所得到的至少一个特征图,图像越小,会包含更强的语义信息,对细节的感知能力较差,但是,低分辨率图像可以带来更多全局特征的同时,减少运算量,利用从低分辨率图像提取的特征进行运算,会导致运算速度得到大大提升。从高分辨率图像和低分辨率图像提取的特征是不同尺度的特征,将不同尺度特征予以融合,可以综合不同分辨率图像的优势,因此,桥接不同分辨率的网络结构,可以改善集成后所得到第一目标网络的处理性能,用更少的运算量,以达到更高的网络处理性能(如分类精度,图像检测精度等)。
图2示出根据本公开实施例的网络集成的训练方法的流程图,该方法应用于网络集成的训练装置,例如,该装置部署于终端设备或服务器或其它处理设备执行的情况下,可以执行图像分类、图像检测和视频处理等等。
步骤S201、获取待训练的第一目标网络,其中所述第一目标网络中包括以桥接方式连接的至少两个待集成网络。
步骤S202、根据所述网络桥接模块,对所述两个待集成网络分别对应不同尺度的特征进行特征融合,得到特征融合结果。
所述至少两个待集成网络中,任意或彼此相邻的两个待集成网络,可以分别对应不同尺度特征,以便根据该不同尺度特征进行特征融合,得到特征融合结果。其中,不同尺度特征的特征融合可以发生在针对同一深度的同一层的结构块(Block),也可以是针对不同深度的跨层Block进行特征融合。所述Block可以称为构建的块(building Block),神经网络可以由多个building Block构成,换言之,building Block相当于构成神经网络的神经元。图3a-图3c中包括Block,以图3a为例,比如,用于1×1的卷积运算的卷积模块,用于3×3的卷积运算的卷积模块在实际应用中都可以看做Block。
需要指出的是,如图4a-图4c中的模块11或模块12也可以看做一个Block。针对本公开的网络桥接模块而言,图4a-图4c中的描述为了体现本公开的网络拓扑结构,将本公开的Block定义为与传统的Block有所区别,以图4a和图3a为例来对比描述,本公开图4a中的Block,如模块11可包含:图3a中的“第一待集成网络”中桥接方式的用于1×1的卷积运算的卷积模块、用于3×3的卷积运算的卷积模块、用于1×1的卷积运算的卷积模块及像素相加(SUM)所构成的一系列操作模块,而不是仅以卷积模块表示一个Block。在实际应用中Block的定义方式不限定于本公开的例子。
其中,在网络桥接模块中实现特征融合的过程中,可以采用上述SUM操作,利用SUM操作在进行特征融合时,由于操作简单易用,因此,可以加快网络训练的收敛速度,从而达到更好的网络训练效果。
步骤S203、将所述特征融合结果作为中间处理结果,并根据所述目标损失函数训练所述第一目标网络,得到所述第二目标网络。
一示例中,对于根据作为训练数据一部分(即训练过程中的中间处理结果)的该特征融合结果和目标损失函数,训练所述第一目标网络,得到所述第二目标网络,包括第一种情况:对所述第一目标网络中的全部待集成网络,根据所述目标损失函数进行整体联合训练,得到所述第二目标网络。第二种情况:对所述第一目标网络中的部分待集成网络进行分组,得到分组后的待集成网络,根据所述目标损失函数对所述分组后的待集成网络进行分组联合训练,得到所述第二目标网络。就该分组训练的情况而言,该目标损失函数可以是分组的待集成网络间联合训练得到的损失函数,即:分组内网络的损失函数;该目标损失函数也可以是分组外待集成网络间联合训练得到的损失函数,即分组外网络的损失函数。该目标损失函数还可以是分组内、外网络联合训练得到的损失函数。
采用本公开,将所述至少两个待集成网络通过一个或多个网络桥接模块进行连接,得到待训练的第一目标网络,该网络结构引入网络桥接模块,将整个网络结构以该网络桥接模块拆分为多个子网络进行处理,由于拆分后数据量减少,运算难度降低,从而降低了网络训练过程中进行网络推理的时间,从而可以更快的达到预期目标并提高网络的收敛速度。此外,根据所述网络桥接模块对所述两个待集成网络分别对应不同尺度的特征进行特征融合,由于不同尺度的特征对应不同分辨率的图像,因此,通过针对不同分辨率图像的特征提取并进行网络桥接情况下的两个待集成网络的分辨率配比,从而可以在提升网络速度的同时,进一步提高网络处理性能,比如分类精度等。发明人发现,在两个待集成网络之间采用75%-87.5%的高分辨率配比,并结合不同分辨率(高分辨率和低分辨率)优势的不同尺度特征,可以带来广泛的特征尺度范围,及根据该广泛的特征尺度范围聚集多层特征信息(像素层形状层面的位置和细节信息,及语义信息的融合),从而可以得到更好的网络处理性能,比如,提高图像分类和图像检测的准确度,且不同尺度特征包括从低分辨率图像提取的特征,可以降低运算量,也就说,本公开还可以采用更少的计算量获得更高的网络处理性能(如对于分类网络,可以提高分类精度;对于目标检测网络,可以提高检测精度等)。
可能的实现方式中,所述根据所述网络桥接模块,对所述两个待集成网络分别对应不同尺度的特征进行特征融合,得到特征融合结果,包括:在将所述两个待集成网络进行深度对齐的情况下,对所述两个待集成网络分别对应不同尺度的特征进行同深度的特征融合(如下面方案一和方案二所述),得到特征融合结果。其中,深度对齐的一个例子中,假设待集成网络a有16个Block,待集成网络b有32个Block,桥接模块有4个Block,以网络结构的深度而言,深度对齐即为:将待集成网络a的第4个Block、第8个Block、第12个Block、第16个Block,分别与待集成网络b的第8个Block(是上述4的两倍)、第16个Block(是上述8的两倍)、第24个Block(是上述12的两倍)、第32个Block(是上述16的两倍)进行融合,只要在两个待集成网络中是等比例的对齐,都在本公开的保护范围之内。
方案一:两个待集成网络是:同种网络结构且不同分辨率的网络,该方案包括:
一:将所述两个待集成网络分别进行至少一次的卷积处理,得到第一待集成网络卷积处理后对应输出的第一卷积处理结果,及第二待集成网络卷积处理后对应输出的第二卷积处理结果。第一待集成网络和第二待集成网络为以桥接方式连接的两个待集成网络。
其中,对所述两个待集成网络分别进行的卷积处理,为基于相同卷积操作所进行的卷积处理。该相同的卷积操作,可以都是常规的全量卷积操作,如3×3卷积操作。
二:进行经所述卷积处理后的特征交换,并将对应第一待集成网络卷积处理后对应输出的第一特征提供给第二待集成网络使用,将对应第二待集成网络卷积处理后对应输出的第二特征提供给第一待集成网络使用。
三:根据输入所述第一待集成网络的原始数据、所述第一卷积处理结果和所述第二特征得到针对所述第一待集成网络的所述特征融合结果。根据输入所述第二待集成网络的原始数据、所述第二卷积处理结果和所述第一特征得到针对所述第二待集成网络的所述特征融合结果。
图3a示出根据本公开实施例的以桥接方式连接多个待集成网络的示意图,在图3a所示的同种网络结构(都是常规的全量卷积)且不同分辨率的网络一个例子中,将两个或多个待集成网络按照网络结构的深度逐层对齐后,各个网络的处理采用并行处理。以所连接的两个待集成网络采用桥接方式连接同种网络结构且不同分辨率的两个残差神经网络为例,将两个残差神经网络在训练的前向过程中的特征融合集成在残差卷积模块,该残差卷积模块称之为一个Block,在该Block中包含多个卷积模块等(如1×1卷积模块、3×3卷积模块、1×1卷积模块及像素相加运算模块)。如图3a所示,两个残差神经网络在接近Block输出侧的1×1卷积层之后进行网络的桥接并做了一次特征交换,即将对应第一待集成网络(如第一残差神经网络)卷积处理后对应输出的第一特征提供给第二待集成网络(如第二残差神经网络)使用,将对应第二待集成网络卷积处理后对应输出的第二特征提供给第一待集成网络使用,特征交换后进行特征融合(如采用SUM操作实现特征融合),得到特征融合结果。
方案二:两个待集成网络是:不同网络结构且相同分辨率的网络,该方案包括:
一:将所述两个待集成网络分别进行至少一次的卷积处理,得到第一待集成网络卷积处理后对应输出的第一卷积处理结果,及第二待集成网络卷积处理后对应输出的第二卷积处理结果。第一待集成网络和第二待集成网络为以桥接方式连接的两个待集成网络。
其中,对所述两个待集成网络分别进行的卷积处理,为基于不同卷积操作,如第一待集成网络为常规的全量卷积操作,第二待集成网络为特殊的轻量卷积操作,所进行的卷积处理。
以第二待集成网络为Mobile Net为例,根据卷积操作分解为两个子卷积处理后得到所述第二卷积处理结果。其中,两个子卷积处理可以包括:深度卷积(DW,Depthwise)与逐点卷积(PW,Pointwise)。相比于方案一中常规的全量卷积操作,如3×3卷积操作,该两个子卷积处理的一个例子中,相当于对该3×3卷积操作分解后得到的3×1卷积操作及1×3卷积操作,分解后运算量降低,且可以达到近似3×3卷积操作的卷积处理效果。
二:进行经所述卷积处理后的特征交换,并将对应第一待集成网络卷积处理后对应输出的第一特征提供给第二待集成网络使用,将对应第二待集成网络卷积处理后对应输出的第二特征提供给第一待集成网络使用;
三:根据输入所述第一待集成网络的原始数据、所述第一卷积处理结果和所述第二特征得到针对所述第一待集成网络的所述特征融合结果;
图3b示出根据本公开实施例的以桥接方式连接多个待集成网络的示意图,在图3b所示的不同网络结构(一个是常规的全量卷积,一个是Mobile Net的轻量卷积)且相同分辨率的网络的一个例子中,将两个或多个待集成网络按照网络结构的深度逐层对齐后,各个网络的处理采用并行处理。以所连接的两个待集成网络采用一个残差神经网络和一个Mobile Net类型的轻型网络为例,将这两个网络在训练的前向过程中的特征融合集成在一个网络桥接模块中,该网络桥接模块可以为残差卷积模块或其他卷积模块。
该残差卷积模块称之为一个Block,在该Block中包含多个卷积模块等(如1×1卷积模块、3×3卷积模块、1×1卷积模块及像素相加运算模块)。如图3b所示,将网络结构逐层对齐后分别在Mobile Net类型的轻型网络执行DW+PW卷积和残差神经网络执行第二次1×1卷积后进行网络的桥接并进行了一次特征交换。即,将对应第一待集成网络(如残差神经网络)卷积处理后对应输出的第一特征提供给第二待集成网络(如Mobile Net类型的轻型网络)使用,将对应第二待集成网络卷积处理后对应输出的第二特征提供给第一待集成网络使用。特征交换后进行特征融合,得到特征融合结果。
其中,就DW+PW卷积而言,将分解的DW与PW卷积合起来,可以称为深度可分离卷积(Depthwise Separable Convolution)操作,该操作为轻量卷积操作。采用该DepthwiseSeparable Convolution操作与常规的全量卷积操作类似,都可以用来提取特征,但相比于常规的全量卷积操作,采用该Depthwise Separable Convolution操作,其参数量和运算成本较低。比如,采用常规的全量卷积操作(如3×3卷积核的卷积操作)进行特征提取的情况下,对于一张5×5像素、三通道彩色输入图片(5×5×3),如果输出通道为4,经过该3×3卷积核的卷积操作,最终输出4个特征图。
采用该Depthwise Separable Convolution操作,是将一个完整的卷积运算分解为两步进行,即分别执行DW和PW。DW不同于常规卷积操作,是:一个卷积核只负责一个通道(卷积核与通道一一对应),一个通道只被一个卷积核进行卷积。而在上述全量卷积操作中是:一个卷积核同时负责输入图片的多个或所有通道(卷积核与通道一对多的对应)。那么,同样对于一张5×5像素、三通道彩色输入图片(5×5×3)进行特征提取的情况下,采用DW首先经过第一次卷积运算,卷积核的数量与上一层的通道数相同(通道和卷积核一一对应),如果输出通道为4,则经过DW的卷积操作,最终输出3个特征图。然后进行PW卷积操作,PW与常规卷积运算非常相似,卷积核的尺寸为1×1×M,M为上一层的通道数,也就是说,这里的卷积运算会将上一步的特征图在深度方向上进行加权组合,生成新的特征图。可见,通过该Depthwise Separable Convolution操作比采用全量卷积操作在运算上更简化,运算速度更高。
需要指出的是,网络桥接模块还可以包括中间层,中间层在图3a-图3c中未显示,如图3a-3c所示的多个卷积模块之间还可以包括:如多个1×1的卷积模块构成的中间层,本公开不限于1×1卷积核的卷积模块,还可以采用其他卷积核。以图3a为例,比如,在网络桥接模块输入侧的1×1卷积模块与3×3卷积模块之间,可以包括中间层;又如,在3×3卷积模块与网络桥接模块输出侧的1×1的卷积模块之间,也可以包括中间层。该中间层的构成,可以采用25%收缩率的bottleneck结构执行下采样操作(下采样的作用是将缩小图像),及双向性插值执行上采样操作(上采样的作用是放大图像)。其中,bottleneck结构一种下采样结构,是通过图像压缩可以实现下采样的神经网络结构,下采样之后还可以根据需求再放大,以得到符合需求的图像大小。双线性插值就是使用两次线性插值来获取未知点的值(如最邻近的值)来放大图像。由于在对各个待集成网络进行多次卷积处理运算情况下,特征提取是从高分辨率图像到低分辨率图像,如果在需桥接的两个待集成网络的网络深度,输出特征图的图像分辨率不同,相应的输出特征图的尺寸也不同,此时,如果直接将从特征图所提取的特征进行融合,会增加运算量,运算成本很高,为了避免这种情况,本公开可以采用bottleneck结构(下采样操作)及双向性差值(上采样操作)进行特征融合之前的特征提取,可以解决通过各个待集成网络处理从高分辨率图像到低分辨率图像过程中,输出特征图的尺寸不同的问题,从而降低了运算成本。
就上述特征交换和特征图尺寸调节的一个例子中,待集成网络a和待集成网络b在特征融合时对应的特征通道数分别为c_a及c_b,如果c_a不等于c_b,则需要用特征交换将c_a变为c_b,将c_b变为c_a后再进行求和(SUM)操作。特征图尺寸调节是对于特征图尺寸为s_a及s_b的情况,如果s_a和s_b不同,则需要用下采样操作或上采样操作将s_a变为s_b,将s_b变为s_a。通过SUM操作进行特征融合,可以达到融合效果好且网络训练较快的作用。
可能的实现方式中,所述根据所述网络桥接模块,对所述两个待集成网络分别对应不同尺度的特征进行特征融合,得到特征融合结果,包括:对所述两个待集成网络分别对应不同尺度的特征进行不同深度的特征融合,得到特征融合结果。
对于不同深度的特征融合而言,有别于图3a-图3b是同一深度的深度对齐处理,图3c所示是不同深度的处理。当深度不同情况下,分辨率不同,也可以采用上述下采样操作或上采样操作,且通过下采样操作或上采样操作来实现跳跃连接,以将不同深度不同分辨率的特征进行特征融合,得到特征融合结果。
方案三:两个待集成网络是:不同网络结构且不同分辨率的网络,该方案包括:
一:将所述两个待集成网络分别进行至少一次的卷积处理,得到第一待集成网络卷积处理后对应输出的第一卷积处理结果,及第二待集成网络卷积处理后对应输出的第二卷积处理结果。第一待集成网络和第二待集成网络为以桥接方式连接的两个待集成网络。
其中,对所述两个待集成网络分别进行的卷积处理,为基于不同卷积操作所进行的卷积处理,且将第二待集成网络中针对分叉结构(Inception系列的分叉结构)所分别进行的卷积操作得到的多个卷积处理并联后得到所述第二卷积处理结果。
二、进行经所述卷积处理后的特征交换,并将对应第一待集成网络卷积处理后对应输出的第一特征提供给第二待集成网络使用,将对应第二待集成网络卷积处理后对应输出的第二特征提供给第一待集成网络使用。
三、根据输入所述第一待集成网络的原始数据、所述第一卷积处理结果和所述第二特征得到针对所述第一待集成网络的所述特征融合结果。根据所述第二卷积处理结果和所述第一特征得到针对所述第二待集成网络的所述特征融合结果。
图3c示出根据本公开实施例的以桥接方式连接多个待集成网络的示意图。在图3c所示的不同种网络结构(如一个是常规的全量卷积,一个是Inception系列的分叉结构)且不同分辨率的网络一个例子中,将两个或多个待集成网络按照网络结构的不同深度进行上采样和下采样的跳跃连接处理。
对所述两个待集成网络分别进行的卷积处理,为基于不同卷积操作,如第一待集成网络为一个残差神经网络,第二待集成网络为一个具有Inception系列的分叉结构的网络(不限于该网络,也可以是其他非分叉的网络结构)。
以具有Inception系列的分叉结构的网络为例,将这两个网络在训练的前向过程中的特征融合集成在一个网络桥接模块中,该网络桥接模块可以为残差卷积模块或其他卷积模块。
该残差卷积模块称之为一个Block,在该Block中包含多个卷积模块等(如1×1卷积模块、3×3卷积模块、1×1卷积模块及像素相加运算模块)。如图3c所示,Inception系列的分叉结构包括多个卷积处理分支,需要将多个卷积处理分支得到的处理结果,以并联(Concat,concatenate)方式进行并联处理,如将基于多个卷积处理分支得到的输出分支连接在一起,得到并联处理结果后,再与经残差神经网络执行第二次1×1卷积后进行网络的桥接并进行了一次特征交换。即将对应第一待集成网络(如残差神经网络)卷积处理后对应输出的第一特征提供给第二待集成网络(如Inception系列的分叉结构)使用,将对应第二待集成网络卷积处理后对应输出的第二特征提供给第一待集成网络使用。特征交换后进行特征融合,得到特征融合结果。
本方案中,待集成网络包括残差网络时,还可以在特征融合时保持残差网络的跳跃连接(Skip Connection)的独立性,通过Skip Connection,可以将经过卷积操作后的特征图和之前没有卷积操作的特征图相加。由于没有经过卷积操作的这部分特征图,跳过了一些卷积操作,因此,称之为Skip Connection,采用Skip Connection,缓解了在深度神经网络中增加深度带来的梯度消失问题,从而降低了网络的训练难度。
由于低分辨率网路可以带来更多全局特征的同时减少了计算量,所以本发明桥接不同分辨率结构的网络可以达到用更少的计算量达到更高准确率的效果。
需要指出的是:本公开可以采用公式(1)实现上述各个实施例中的特征融合,以得到特征融合结果。
其中,表示特征融合结果;ffusion( )表示特征融合函数;fconnection表示连接函数;k表示第k个待集成网络;1-k表示与第k个待集成网络相邻的待集成网络,通过网络桥接模块将该第k个待集成网络与该第1-k个待集成网络以桥接方式进行连接;i表示构成第一目标网络的网络拓扑中任一个待集成网络中所选取的第i个网络结构,j表示构成第一目标网络的网络拓扑中任一个待集成网络的Block在第j位置;m表示桥接到当前Block的待集成网络的第m个输出;nl表示进行特征融合的连接数量(即桥接到当前Block的连接数量);B表示Block;Y表示输出;B(Y)指网络的一个Block输出是将上一个Block的输出作为输入得到的。通过上述公式(1),可以将一待集成网络本层Block输出和桥接到本层Block的其他待集成网络的Block的输出进行特征交换后,进行特征融合。比如,可以是将第k个待集成网络中来自于本层Block的输出,第k个待集成网络中来自于本层Block的上层Block的输出,以及第1-k个待集成网络的对应本层的Block及来自于对应本层的Block的上层输出的连接,以该连接函数予以连接后进行特征交换后,再进行特征融合。
图4a-图4c示出根据本公开实施例的桥接方式的网络拓扑示意图,可以基于上述实施例描述的具体实现及图4a-图4c的网络拓扑结构进行桥接方式的网络集成,以得到多种形式的第一目标网络。
图4a所示的网络拓扑结构是基于深度对齐的连接方式,以模块11和模块12为例,模块11和模块12分别位于两个待集成网络结构的同一深度,以桥接方式两两模块连接后得到第一目标网络,其中,比如将模块11和模块12两两连接。该第一目标网络在三种网络拓扑结构中,同层处理,是最简单易用且网络训练速度最快的一种拓扑结构。
图4b所示的网络拓扑结构是相比图4a基于深度对齐且更稠密的连接方式,在深度对齐之外还可以将不同深度的模块连接。以模块11、模块12和模块13为例,模块11和模块12分别位于两个待集成网络结构的同一深度,模块13与该模块11及模块12是不同深度,以桥接方式两两模块连接后得到第一目标网络,其中,比如将模块11和模块12两两连接,将模块11和模块13两两连接。该第一目标网络在三种网络拓扑结构中,由于是跨层处理,因此,结构复杂度提高,但网络训练使用的特征融合度较高,有利于提高网络处理效果稍慢。
图4c所示的网络拓扑结构是多个网络相同深度的连接方式,以模块11、模块12和模块13为例,模块11、模块12和模块13分别位于两个待集成网络结构的同一深度,以桥接方式两两模块连接后得到第一目标网络,其中,比如将模块11和模块12两两连接,将模块11和模块13两两连接,将模块12和模块13两两连接。该第一目标网络在三种网络拓扑结构中,同层处理,相比图4b跨层处理的架构,是网络训练速度更快的一种拓扑结构,且适用于多网络集成。
本公开不限于上述具体的网络结构和连接方式,可以根据需要进行组合,得到的网络处理性能,如图像分类精度、图像检测精度、视频处理效果差不多,只是分别适用的应用场景可以选择不同的网络架构,网络训练速度有所差别。
图5示出根据本公开实施例的图像分类场景的网络集成训练的示意图。对于以桥接方式进行网络集成得到的该第一目标网络而言,以图像分类场景为例,根据特征提取器21和分类器22得到输出结果,构成了第一目标网络。该输出结果还可以与现有网络集成器23(通过现有的网络集成算法如Bagging、Stacking、Boosting等实现)兼容并结合使用,这种情况下也可以构成第一目标网络。
其中,通过特征提取器21,如桥接特征提取器(Bridging feature extractors)以通过桥接方式进行特征融合,得到的特征融合结果用作训练后续多个待集成网络(如多个分类器模块如分类器a、分类器b、分类器c、分类器d)的训练样本,对分类器a、分类器b、分类器c、分类器d进行整体的联合训练或分组联合训练,以得到最终的输出结果。
整体的联合训练,可以是将分类器a、分类器b、分类器c、分类器d一起根据包括特征融合结果的训练样本进行训练。
分组联合训练,可以是将分类器a、分类器b、分类器c、分类器d根据包括特征融合结果的训练样本进行训练,且以任意至少两两结合的分组方式进行训练,比如,将分类器b和分类器c一起分组训练;将分类器a和分类器d一起分组训练等等,也可以将分类器a、分类器b及分类器c一起分组训练等等。
需要指出的是,本公开与现有的网络集成算法如Bagging、Stacking、Boosting、基于同质模型、异质模型和混合模型等集成之间不构成竞争关系,可以与这些算法兼容并结合使用,也就是说,本公开可以作为增强该现有的网络集成算法一种结构并应用于现有框架当中。
对Bagging、Stacking、Boosting进行解释如下:
首先,在集成学习中,可以训练多个待集成网络(通常称为弱学习器)解决相同的问题,并将它们结合起来以获得更好的训练结果。为了建立一个集成学习方法,要选择待集成的基础模型,即待集成网络。本公开不限制待集成网络的网络结构和类型。待集成网络根据被训练的方法被分为同质模型、异质模型和混合模型。所谓同质模型,主要指网络建模原理,训练方法相同或网络模型的输入、输出数据属性相同的模型。可以将同质模型运行于不同环境,可以产生不同效果,在求整体效果时再进行同质模型的集成。所谓异质模型,主要指建模原理,训练方法不尽相同或模型的输入、输出数据属性不一样的模型。可以将异质模型运行于相同或不同环境,可以产生不同效果,在求整体效果时再进行异质模型的集成。所谓混合模型,指集成的模型中既包含同质模型又包含异质模型。可以将求整体效果时将混合模型进行集成。
其次,针对上述各种模型采用的集成方法,可以分为Bagging、Stacking、Boosting几大类,以获得更好的网络处理性能,比如图像分类中提高分类精度。其中,Bagging方法通常相互独立地并行学习这些弱学习器,并按照某种确定性的平均过程将它们组合起来。Boosting方法通常以一种高度自适应的方法顺序地学习这些模型,并按照某种确定性的策略将它们组合起来。Stacking方法通常并行地学习这些模型,并通过训练一个元模型将它们组合起来,根据不同弱模型的预测结果输出一个最终的预测结果。
本公开还提出一种图像分类方法,所述方法包括:获取图像数据;采用上述各实施例及可能实现方式中任一项所述方法得到的第二目标网络,对所述图像数据进行图像分类,得到图像分类处理结果。
本公开还提出一种图像检测方法,所述方法包括:获取图像数据;采用上述各实施例及可能实现方式中任一项所述方法得到的第二目标网络,对所述图像数据中的目标区域进行图像检测,得到图像检测结果。
本公开还提出一种视频处理方法,所述方法包括:获取视频图像;采用上述各实施例及可能实现方式中任一项所述方法得到的第二目标网络,对所述视频图像按照预设处理策略进行编码、解码及播放处理中的至少一种视频处理,得到视频处理结果。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了网络集成的训练装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种针对批归一化数据的处理方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图6示出根据本公开实施例的网络集成的训练装置的框图,如图6所示,该处理装置,包括:获取单元31,用于获取待训练的第一目标网络,其中所述第一目标网络中包括以桥接方式连接的至少两个待集成网络;训练单元32,用于根据所述至少两个待集成网络的各自损失及所述第一目标网络的整体损失所得到的目标损失函数,训练所述第一目标网络,得到训练后的第二目标网络。
可能的实现方式中,所述以桥接方式连接的至少两个待集成网络,包括:基于一个或多个网络桥接模块连接的所述至少两个待集成网络。
可能的实现方式中,所述基于一个或多个网络桥接模块连接所述至少两个待集成网络,包括:基于一个或多个网络桥接模块,连接的同种网络结构且不同分辨率的至少两个待集成网络;或者,基于一个或多个网络桥接模块,连接的不同网络结构且相同分辨率的至少两个待集成网络;或者,基于一个或多个网络桥接模块,连接的不同网络结构且不同分辨率的至少两个待集成网络。
可能的实现方式中,所述装置还包括特征融合单元,用于:根据所述网络桥接模块,对所述至少两个待集成网络分别对应不同尺度的特征进行特征融合,得到特征融合结果。
可能的实现方式中,所述特征融合单元,用于:对所述至少两个待集成网络分别对应不同尺度的特征进行同深度的特征融合,得到特征融合结果。
可能的实现方式中,所述特征融合单元,用于:对所述至少两个待集成网络分别对应不同尺度的特征进行不同深度的特征融合,得到特征融合结果。
可能的实现方式中,所述装置还包括第一卷积处理单元,用于:将所述至少两个待集成网络分别进行至少一次的卷积处理,得到第一待集成网络卷积处理后对应输出的第一卷积处理结果,及第二待集成网络卷积处理后对应输出的第二卷积处理结果;其中,对所述两个待集成网络分别进行的卷积处理,为基于相同卷积操作所进行的卷积处理。
可能的实现方式中,所述特征融合单元,用于:进行经所述卷积处理后的特征交换,并将对应第一待集成网络卷积处理后对应输出的第一特征提供给第二待集成网络使用,将对应第二待集成网络卷积处理后对应输出的第二特征提供给第一待集成网络使用;根据输入所述第一待集成网络的原始数据、所述第一卷积处理结果和所述第二特征得到针对所述第一待集成网络的所述特征融合结果;根据输入所述第二待集成网络的原始数据、所述第二卷积处理结果和所述第一特征得到针对所述第二待集成网络的所述特征融合结果。
可能的实现方式中,所述装置还包括第二卷积处理单元,用于:将所述至少两个待集成网络分别进行至少一次的卷积处理,得到第一待集成网络卷积处理后对应输出的第一卷积处理结果,及第二待集成网络卷积处理后对应输出的第二卷积处理结果;其中,对所述两个待集成网络分别进行的卷积处理,为基于不同卷积操作所进行的卷积处理。
可能的实现方式中,所述特征融合单元,用于:进行经所述卷积处理后的特征交换,并将对应第一待集成网络卷积处理后对应输出的第一特征提供给第二待集成网络使用,将对应第二待集成网络卷积处理后对应输出的第二特征提供给第一待集成网络使用;根据输入所述第一待集成网络的原始数据、所述第一卷积处理结果和所述第二特征得到针对所述第一待集成网络的所述特征融合结果;根据所述第二卷积处理结果和所述第一特征得到针对所述第二待集成网络的所述特征融合结果。
可能的实现方式中,所述装置还包括第二卷积处理单元,用于:将所述至少两个待集成网络分别进行至少一次的卷积处理,得到第一待集成网络卷积处理后对应输出的第一卷积处理结果,及第二待集成网络卷积处理后对应输出的第二卷积处理结果;其中,对所述两个待集成网络分别进行的卷积处理,为基于不同卷积操作所进行的卷积处理。
可能的实现方式中,所述特征融合单元,用于:进行经所述卷积处理后的特征交换,并将对应第一待集成网络卷积处理后对应输出的第一特征提供给第二待集成网络使用,将对应第二待集成网络卷积处理后对应输出的第二特征提供给第一待集成网络使用;根据输入所述第一待集成网络的原始数据、所述第一卷积处理结果和所述第二特征得到针对所述第一待集成网络的所述特征融合结果;根据所述第二卷积处理结果和所述第一特征得到针对所述第二待集成网络的所述特征融合结果。
可能的实现方式中,所述训练单元,用于:根据所述至少两个待集成网络的各自损失,得到第一损失函数,其中所述第一损失函数包括所述至少两个待集成网络各自独立训练的损失函数;根据所述第一目标网络的整体损失,得到第二损失函数;根据所述第一损失函数和所述第二损失函数,得到所述目标损失函数;根据所述目标损失函数,训练所述第一目标网络,得到所述第二目标网络。
可能的实现方式中,所述训练单元,用于:对所述第一目标网络中的全部待集成网络,根据所述目标损失函数进行整体联合训练,得到所述第二目标网络;或者,对所述第一目标网络中的部分待集成网络进行分组,得到分组后的待集成网络,根据所述目标损失函数对所述分组后的待集成网络进行分组联合训练,得到所述第二目标网络。
本公开实施例提供了一种图像分类装置,所述装置包括:第一获取器,用于获取图像数据;第一处理器,用于采用任一项所述网络集成的训练方法得到的第二目标网络,对所述图像数据进行图像分类,得到图像分类处理结果。
本公开实施例提供了一种图像检测装置,所述装置包括:第二获取器,用于获取图像数据;第二处理器,用于采用任一项所述网络集成的训练方法得到的第二目标网络,对所述图像数据中的目标区域进行图像检测,得到图像检测结果。
本公开实施例提供了一种视频处理装置,所述装置包括:第三获取器,用于获取视频图像;第三处理器,用于采用任一项所述网络集成的训练得到的第二目标网络,对所述视频图像按照预设处理策略进行编码、解码及播放处理中的至少一种视频处理,得到视频处理结果。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性计算机可读存储介质或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,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上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800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7,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800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802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800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804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806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800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808包括一个前置摄像头和/或后置摄像头。当电子设备800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810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800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804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802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814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814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814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814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816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800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816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816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,电子设备800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,用于执行上述方法。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8是根据一示例性实施例示出的一种电子设备900的框图。例如,电子设备900可以被提供为一服务器。参照图8,电子设备900包括处理组件922,其进一步包括一个或多个处理器,以及由存储器932所代表的存储器资源,用于存储可由处理组件922的执行的指令,例如应用程序。存储器932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922被配置为执行指令,以执行上述方法。
电子设备900还可以包括一个电源组件926被配置为执行电子设备900的电源管理,一个有线或无线网络接口950被配置为将电子设备900连接到网络,和一个输入输出(I/O)接口958。电子设备900可以操作基于存储在存储器932的操作系统,例如WindowsServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括计算机程序指令的存储器932,上述计算机程序指令可由电子设备900的处理组件922执行以完成上述方法。
本公开实施例还提出了一种计算机程序,该计算机程序被处理器执行时实现前述实施例的任意一种方法。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
在不违背逻辑的情况下,本申请不同实施例之间可以相互结合,不同实施例描述有所侧重,为侧重描述的部分可以参见其他实施例的记载。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种网络集成的训练方法,其特征在于,所述方法包括:
获取待训练的第一目标网络,其中所述第一目标网络中包括以桥接方式连接的至少两个待集成网络;
根据所述至少两个待集成网络的各自损失及所述第一目标网络的整体损失所得到的目标损失函数,训练所述第一目标网络,得到训练后的第二目标网络。
2.根据权利要求1所述的方法,其特征在于,所述以桥接方式连接的至少两个待集成网络,包括:
基于一个或多个网络桥接模块连接的所述至少两个待集成网络。
3.根据权利要求2所述的方法,其特征在于,所述基于一个或多个网络桥接模块连接所述至少两个待集成网络,包括:
基于一个或多个网络桥接模块,连接的同种网络结构且不同分辨率的至少两个待集成网络;或者,
基于一个或多个网络桥接模块,连接的不同网络结构且相同分辨率的至少两个待集成网络;或者,
基于一个或多个网络桥接模块,连接的不同网络结构且不同分辨率的至少两个待集成网络。
4.根据权利要求2或3所述的方法,其特征在于,所述获取待训练的第一目标网络之后,所述方法还包括:
根据所述网络桥接模块,对所述至少两个待集成网络分别对应不同尺度的特征进行特征融合,得到特征融合结果。
5.根据权利要求4所述的方法,其特征在于,所述根据所述网络桥接模块,对所述至少两个待集成网络分别对应不同尺度的特征进行特征融合,得到特征融合结果,包括:
对所述至少两个待集成网络分别对应不同尺度的特征进行同深度的特征融合,得到特征融合结果。
6.根据权利要求4所述的方法,其特征在于,所述根据所述网络桥接模块,对所述至少两个待集成网络分别对应不同尺度的特征进行特征融合,得到特征融合结果,包括:
对所述至少两个待集成网络分别对应不同尺度的特征进行不同深度的特征融合,得到特征融合结果。
7.根据权利要求5所述的方法,其特征在于,所述对所述至少两个待集成网络分别对应不同尺度的特征进行同深度的特征融合,得到特征融合结果之前,所述方法还包括:
将所述至少两个待集成网络分别进行至少一次的卷积处理,得到第一待集成网络卷积处理后对应输出的第一卷积处理结果,及第二待集成网络卷积处理后对应输出的第二卷积处理结果;
其中,对所述至少两个待集成网络分别进行的卷积处理,为基于相同卷积操作所进行的卷积处理。
8.一种网络集成的训练装置,其特征在于,所述装置包括:
获取单元,用于获取待训练的第一目标网络,其中所述第一目标网络中包括以桥接方式连接的至少两个待集成网络;
训练单元,用于根据所述至少两个待集成网络的各自损失及所述第一目标网络的整体损失所得到的目标损失函数,训练所述第一目标网络,得到训练后的第二目标网络。
9.一种电子设备,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:执行权利要求1至权利要求7中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至权利要求7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911054426.4A CN110796202A (zh) | 2019-10-31 | 2019-10-31 | 一种网络集成的训练方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911054426.4A CN110796202A (zh) | 2019-10-31 | 2019-10-31 | 一种网络集成的训练方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110796202A true CN110796202A (zh) | 2020-02-14 |
Family
ID=69440669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911054426.4A Pending CN110796202A (zh) | 2019-10-31 | 2019-10-31 | 一种网络集成的训练方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796202A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580721A (zh) * | 2020-12-19 | 2021-03-30 | 北京联合大学 | 一种基于多分辨率特征融合的目标关键点检测方法 |
-
2019
- 2019-10-31 CN CN201911054426.4A patent/CN110796202A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580721A (zh) * | 2020-12-19 | 2021-03-30 | 北京联合大学 | 一种基于多分辨率特征融合的目标关键点检测方法 |
CN112580721B (zh) * | 2020-12-19 | 2023-10-24 | 北京联合大学 | 一种基于多分辨率特征融合的目标关键点检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11373426B2 (en) | Method for detecting key points in skeleton, apparatus, electronic device and storage medium | |
CN110378976B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109658352B (zh) | 图像信息的优化方法及装置、电子设备和存储介质 | |
CN111462268B (zh) | 图像重建方法及装置、电子设备和存储介质 | |
CN109816611B (zh) | 视频修复方法及装置、电子设备和存储介质 | |
CN107832836B (zh) | 无模型深度增强学习探索方法及装置 | |
CN110909815B (zh) | 神经网络训练、图像处理方法、装置及电子设备 | |
CN110798630B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
KR20210054563A (ko) | 텍스트 시퀀스 인식 방법 및 장치, 전자 기기 및 저장 매체 | |
US20210103733A1 (en) | Video processing method, apparatus, and non-transitory computer-readable storage medium | |
CN111340731B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
CN109840917B (zh) | 图像处理方法及装置、网络训练方法及装置 | |
CN110909861B (zh) | 神经网络优化方法及装置、电子设备和存储介质 | |
CN109858614B (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
CN111242303A (zh) | 网络训练方法及装置、图像处理方法及装置 | |
CN110415258B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
KR20200110379A (ko) | 딥 신경망 구조 축소를 위한 방법 및 시스템 | |
CN111369482A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111988622B (zh) | 视频预测方法及装置、电子设备和存储介质 | |
CN113283343A (zh) | 人群定位方法及装置、电子设备和存储介质 | |
CN111311588B (zh) | 重定位方法及装置、电子设备和存储介质 | |
CN112837237A (zh) | 视频修复方法及装置、电子设备和存储介质 | |
CN110796202A (zh) | 一种网络集成的训练方法及装置、电子设备和存储介质 | |
CN110675355B (zh) | 图像重建方法及装置、电子设备和存储介质 |
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: 20200214 |
|
RJ01 | Rejection of invention patent application after publication |