CN111539524B - 轻量级自注意力模块和神经网络构架的搜索方法 - Google Patents
轻量级自注意力模块和神经网络构架的搜索方法 Download PDFInfo
- Publication number
- CN111539524B CN111539524B CN202010210768.7A CN202010210768A CN111539524B CN 111539524 B CN111539524 B CN 111539524B CN 202010210768 A CN202010210768 A CN 202010210768A CN 111539524 B CN111539524 B CN 111539524B
- Authority
- CN
- China
- Prior art keywords
- sampling
- attention module
- unit
- layer
- lightweight self
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005070 sampling Methods 0.000 claims abstract description 115
- 239000013598 vector Substances 0.000 claims abstract description 95
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 230000010354 integration Effects 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 46
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000012821 model calculation Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 17
- 238000009825 accumulation Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 43
- 238000010586 diagram Methods 0.000 description 13
- 238000003780 insertion Methods 0.000 description 9
- 230000037431 insertion Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例公开了轻量级自注意力模块、神经网络模型和神经网络构架的搜索方法。该模块的一具体实施方式包括：特征信息输入单元，采样单元，整合单元，卷积单元和累加单元，其中，特征信息输入单元，用于接收输入的目标对象的特征向量；采样单元，包括至少两个采样子单元，采样子单元用于对特征向量进行采样，得到采样特征向量；整合单元，用于整合至少两个采样子单元各自输出的采样特征向量，得到整合采样特征向量；卷积单元，用于对整合采样特征向量执行卷积操作；累加单元，用于将卷积单元输出的卷积结果与特征向量进行累加。实现了可无缝嵌入神经网络中的轻量级自注意力模块，显著减少了自注意力模块的计算复杂度，同时提升了神经网络的分类精度。
Description
技术领域
本公开涉及神经网络技术领域，尤其涉及轻量级自注意力模块、神经网络模型和神经网络构架的搜索方法。
背景技术
随着神经网络技术的发展，各种神经网络模型用于进行图像分类、语义分割、自然语言处理领域。
基于自注意力机制的神经网络可以捕获长范围依赖，使得基于自注意力机制的神经网络逐渐在图像分类、语义分割、自然语言处理领域得到了广泛应用。
发明内容
提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开实施例提供了一种轻量级自注意力模块、神经网络模型和神经网络构架的搜索方法，实现了可无缝嵌入神经网络中的轻量级自注意力模块，显著减少了自注意力模块的计算复杂度，同时提升了神经网络的分类精度。
第一方面，本公开实施例提供了一种轻量级自注意力模块，包括：特征信息输入单元，采样单元，整合单元，卷积单元和累加单元，其中，所述特征信息输入单元，用于接收输入的目标对象的特征向量；所述采样单元，包括至少两个采样子单元，所述采样子单元用于对所述特征向量进行采样，得到采样特征向量；所述整合单元，用于整合所述至少两个采样子单元各自输出的采样特征向量，得到整合采样特征向量；卷积单元，用于对整合采样特征向量执行卷积操作；所述累加单元，用于将卷积单元输出的卷积结果与所述特征向量进行累加。
第二方面，本公开实施例提供了一种神经网络模型，包括多个依次设置的特征提取层，至少一个如第一方面所述的轻量级自注意力模块，所述轻量级自注意力模块设置在相邻两个特征提取层之间。
第三方面，本公开实施例提供了一种神经网络构架的搜索方法，包括：设置包括多个特征提取层、全连接层以及设置在任意相邻两个特征提取层之间的如第一方面所述的轻量级自注意力模块，其中，特征提取层、全连接层及所述轻量级自注意力模块各自对应初始参数；使用训练数据以及预先设置的损失函数，从所述最后一层特征提取层至第一层特征提取层逐层确定各相邻两层是否使用所述轻量级自注意力模块，并逐层确定各层对应的特征提取层、所述轻量级自注意力模块对应的参数以及全连接层对应的参数；其中，所述轻量级自注意力模块的参数包括采样单元、卷积单元各自对应的参数。
第四方面，本公开实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第三方面所述的神经网络模型的构建方法。
第五方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第三方面所述的神经网络模型的构建方法的步骤。
本公开实施例提供的轻量级自注意力模块、神经网络模型和神经网络构架的搜索方法，轻量级自注意模块包括特征信息输入单元，采样单元，整合单元，卷积单元和累加单元，其中所述特征信息输入单元，用于接收输入的目标对象的特征向量；所述采样单元，包括至少两个采样子单元，所述采样子单元用于对所述特征向量进行采样，得到采样特征向量；所述整合单元，用于整合所述至少两个采样子单元各自输出的采样特征向量，得到整合采样特征向量；卷积单元，用于对整合采样特征向量执行卷积操作；所述累加单元，用于将卷积单元输出的卷积结果与所述特征向量进行累加。实现了可无缝嵌入神经网络中的轻量级自注意力模块，显著减少了自注意力模块的计算复杂度，上述轻量级自注意力模块可以应用在移动终端的神经网络中，使用训练数据以及损失函数可以自动确定自注意力模块插入的位置以及各参数，简化了神经网络模型构建的复杂度；可以提升神经网络的分类精度。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是根据本公开的轻量级自注意力模块的一个示意性结构图；
图2是根据本公开的轻量级自注意力模块的另一个示意性结构图；
图3是根据本公开的神经网络模型的一个示意性结构图；
图4是根据本公开的神经网络构架搜索方法的一个实施例的流程示意图；
图5是根据本公开实施例提供的电子设备的基本结构的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
自注意力机制在神经网络中，主要可以用来捕获远程依赖。自注意力机制可以应用在视频分类、目标检测、语义分割、图像分类、对抗鲁棒性等。自注意力机制的核心内容是自我注意运算，一般的自我注意运算可以用如下公式来表示：
这里，i指示输入特征向量x的位置，该位置的x的响应需要被计算出来。j枚举x中所有可能的位置。f(xi,xj)通过计算xi与其上下文特征xj之间的相关矩阵，输出自我注意图。g(xj)计算输入特征在该位置的嵌入，C(x)是归一化项。
公式1中的自我注意运算可以被封装到一个自我注意模块中，该模块具有来自输入特征x的残余连接。数学公式如下：
zi＝Wzyi+xi (2)；
Wz表示一个可学习的特征转换。
由于点积在计算特征之间的相关性的简单性，使用点积作为f(xi,xj)的函数形式。
因此公式(1)可以被写成如下形式：
这里x的形状表示为(H；W；C)，其中H，W分别是特征向量x的高度和宽度；C是特征向量x的通道数。θ()和g()分别是具有C个通道的1×1卷积层。
对自我注意力模块的实例化以公式(3)的形式表示时，利用矩阵乘法的结合律可以大大减少计算量开销。根据结合律，公式(3)可以以两种同等形式书写:
虽然这两种形式产生了相同的数值结果，它们有不同的计算复杂度。因此在计算公式(3)时，可以选择计算量小，效率高的形式。
自注意力机制对于每一个点，在计算该点的响应时，要关注其他所有的点的特征，计算所有位置特征的加权平均值，这导致了非常大的计算负担。目前已经尝试使用各种方法来降低计算成本，例如，用结合律减少矩阵乘法的内存和计算成本。使用泰勒展开来优化自我注意力模块。通过卷积层计算相关矩阵。使用增强卷积等。然而，这些方法要么计算负担(通过使用重运算符)仍然较大，例如大矩阵乘法，要么得不到精确的输出。在将这些方法应用到移动视觉系统时，这些方法的缺点尤其明显，从而这些方法都不适合移动视觉系统。
设计原理
下面介绍降低计算公式(3)的成本的两个关键原则
设计原理1：共享和简化特性转换。
在公式(3)中，对于相同的输入特征向量x，可以使用一个在自我注意运算中共享转换，而不是使用两种不同的转换(θ()和g())。在自我注意运算中使用一个共享的转换。这样，计算公式(3)的自我注意图时，通过重用g(x)的结果，可以显著减少计算代价。简化的自注意运算可以表示为：
输入参数x(隐藏层的输出)可以被看作是输入数据x0经过特征转换函数F()的转换。这样，公式(5)可以写成：
在本实施例提供的神经网络中应用轻量级神经网络中，F()为一个参数化的深层神经网络表示。相反，g()卷积是一个单一的卷积运算。为了进一步简化公式(6)，可以整合F()、g()的学习过程。利用深度神经网络逼近函数的强大能力，可以删除g()，公式(6)被简化为：
最后，介绍简化公式(2)中另一个重变换函数“Wz”的方法。为了进一步减少轻量级自我注意模块的计算量，可以使用3×3的卷积核对y进行卷积，可以进一步提高运算效率。这样，公式(2)变为：
z＝DepthwiseConv(y,Wd)+x(8)；
其中Wd为深度卷积核。DepthwiseConv为卷积运算。x为目标对象的特征向量。
设计原理2：
使用紧凑的特性来计算自注意力地图。由于x是一个高维特征，因此在使用全尺寸x执行公式(7)的每一次计算时，计算量大。为了解决这个问题，可以对x进行下采样，获得更加压缩的特征来替代公式(7)中的x。因为x是一个三维特征向量，包括深度(通道)分量、宽度分量和高度分量。可以沿通道维度、空间维度(包括宽度和高度)，或者两个维度都获取压缩特征Xc，Xs和Xsc。相应地，公式(7)的计算量显著下降了。
因此，基于公式(7)，在自我注意力模块中可以应用紧凑特征{xc，xsc，xs}，来计算和/>
需要权衡计算开销和自我注意力运算的输出(例如y)的表示能力。使用更紧凑的特性(具有更低的下采样率)可以降低计算成本，但输出未能捕获这些被废弃特性中的信息上下文信息；另一方面，使用更密集的特性(具有更高的下采样率)有助于输出捕获更丰富的上下文，但是由此产生的自我注意运算在计算量更大。
通过上述设计原理，设计出了本公开披露的轻量级自注意力模块。该模块可以随机插入在神经网络的任意一层。例如可以插入在深度神经网络的手动选择层。相比传统自注意力模块而言，上述轻量级自注意力模块的计算复杂度大大降低了精度也较高，可以应用在移动深度学习系统中。
请参考图1，其示出了根据本公开的轻量级自注意力模块的一个示意性结构图。如图1所示，轻量级自注意力模块可以包括：特征信息输入单元101，采样单元102，整合单元103，卷积单元104和累加单元105，其中，所述特征信息输入单元101，用于接收输入的目标对象的特征向量x；所述采样单元102，包括至少两个采样子单元，所述采样子单元用于对所述特征向量进行采样，得到采样特征向量；所述整合单元103，用于整合所述至少两个采样子单元各自输出的采样特征向量，得到整合采样特征向量；卷积单元104，用于对整合采样特征向量执行卷积操作；所述累加单元105，用于将卷积单元输出的卷积结果与所述特征向量进行累加。
上述轻量级自注意力模块的特征信息输入单元101输入的可以是图像对应的特征向量x，可以是图像序列(例如视频片段)对应的特征向量，也可以是自然语言对应的特征向量。
下面以特征信息输入单元101输入的是视频图像对应的特征向量进行说明。
在使用任意图像处理特征提取方法提取了图像的特征向量之后，可以使用本公开提供的轻量级自注意力模块。在一些应用场景中，上述轻量级自注意力模块可以设置在对图像进行分析处理(例如图像分类、图像语义分割)的神经网络中。例如设置在用于对图像处理的神经网络中，具体可以设置在对图像提取了图像特征之后的特征提取层之后。这里的特征提取层可以是上述神经网络的任一特征提取层。
这里的特征向量可以是二维特征向量，还可以是三维特征向量。上述三维特征向量可以包括空间的两维向量(宽度分量和高度分量)以及时间轴分量。
这里的目标对象可以是图像，可以是图像序列，还可以是自然语言。
这里的采样单元102可以是按照一定采样率对三维特征向量进行采样的采样单元。这里的采样率例如可以为20％，25％，40％，50％，75％，100％(即使用全部特征向量)等等通过采样单元102后的特征向量去掉了冗余信息，有利于后续的数据处理。
上述整合单元103可以对采样单元102输出的数据进行整合。
卷积单元104，可以为使用二阶矩阵、三阶矩阵对整合单元输出的整合后采样特征向量等。累加单元105用于将卷积单元104的输出与特征信息输入单元101所输入的目标对象的特征向量x进行累加。
在一些应用场景中，上述特征向量可以包括空间分量和通道分量的多维特征向量。这里的通道分量例如可以为时间轴分量。
在这些应用场景中，请参考图2，特征信息输入单元201输入的可以是包括空间分量和通道分量的多维特征向量x。采样单元202可以包括第一采样子单元2021、第二采样子单元2022和第三采样子单元2023。
上述第一采样子单元2021，用于对输入的所述特征向量的通道分量进行下采样，得到采样后的第一采样特征向量。
所述第二采样子单元2022，用于对输入的所述特征向量的通道分量和空间分量分别进行下采样，得到采样后的第二采样特征向量。
所述第三采样子单元2023，用于对输入的所述特征向量的空间分量进行下采样，得到采样后的第三采样特征向量。
上述第一采样子单元，第三采样子单元所使用的采样率可以相同，也可以不同。上述第一采样子单元，第三采样子单元各自对应的采样率可以为20％、25％、30％、50％、75％、100％等。上述第二子单元可以先按照第一采样子单元所使用的采样率，对目标对象的特征向量的通道分量进行下采样，得到中间采样结果。然后再按照第三采样子单元所使用的采样率，对上述中间采样结果进行下采样，得到采样后的第二特征向量。
上述第一采样子单元2021、第二采样子单元2022、第三采样子单元2023各自输出的第一采样特征向量、第二采样特征向量和第三采样特征向量可以分别被传输至整合单元203。整合单元203可以对上述第一采样特征向量、第二采样特征向量和第三采样特征向量进行整合，例如对第一采样特征向量、第二采样特征向量的转置和第三采样特征向量执行乘积操作，得到整合后的采样特征向量。整合后的采样特征向量包括对通道分量执行采样后的特征，对空间分量进行采样后的特征。
上述卷积单元204用于将整合后的采样特征向量与第一卷积核进行卷积。这里的卷积单元204进一步对整合后的采样特征向量进行了简化。
卷积单元204中的第一卷积核可为3×3逐通道卷积核(Depthwise Convolution)。使用3×3逐通道卷积核，相比使用1×1矩阵做卷积核，可以提高计算效率。
累加单元205可以将卷积单元204的输出与特征信息输入单元201输入的目标对象的特征向量进行累加。
上述轻量级自注意力模块比传统的自注意力模块轻了400倍。
由于上述两个设计原则，我们提出的轻量级自注意力模块被经验证明比传统的自注意力力模块更有效，这使得它有利于部署在移动设备有限的计算资源中。此外，由于轻量级自注意力模块的计算复杂度可以通过下采样率进行调整，因此可以更好地支持不同尺度的深度学习模型。
上述轻量级自注意力模块的计算量大大减小，而且精度也较高，可以应用到终端设备的移动深度学习系统。
请继续参考图3，其示出了根据本公开的神经网络模型的一个示意性结构图。
如图3所示，神经网络模型包括多个特征提取层301，设置在特征提取层301之后的轻量级自注意力模块(LSAM)302，以及全连接层303。
轻量级自注意力模块在神经网络中的插入位置和下采样率对神经网络模型的性能和计算成本都至关重要。自注意力模块可以以单独的模块实现。可以被插入至一些手动选择层。然而由于高计算复杂性，将自注意力模块密集的插入到较深的网络层是比较棘手的事情。如果不密集的插入这些模块，在哪里插入这些模块能够得到较好的效益仍然是不清楚的。
轻量级自注意力模块设置在哪个网络层、以及使用多大的采样率对特征向量进行采样，可以达到既减少计算量，又可以保持较高的原特征保持率，以及在神经网络中自动插入上述轻量级自注意力模块是需要应用轻量级自注意力模块需要解决的问题。
为了解决这一问题，本公开提出了一种神经网络构架搜索方法，以有效地搜索在特定资源约束下具有较优性能的最优轻量级自注意力模块的插入位置，以及确定神经网络各层的参数。神经网络构架搜索方法的核心是使用成本敏感的成本损失函数联合搜索轻量级自注意力模块的配置(插入位置和参数)和基本的神经网络结构参数(例如，卷积核大小，通道数量)。
搜索方法原理如下：
可以选择几个候选位置在整个网络中插入轻量级自注意力模块，并通过比较深度卷积核Wd的L2范数和一个可训练的潜变量t来决定是否使用轻量级自注意力模块：
代表公式(8)中要用到Wd，/>是一个指示性函数。/>表示轻量级自注意力模块将使用/>作为深度卷积核。/>这样公式(8)就退化为z＝x，也就是没有使用轻量级自注意力模块。
将阈值t设置为可训练参数，通过梯度下降与其他参数联合优化。为了计算t的梯度，在反向传播函数中，我们将指示函数松弛为一个可微分的sigmoid函数σ(·)。
从公式(7)可以看出，当执行矩阵乘法时，轻量级自注意力模块的计算成本由下采样特征的紧致性决定。给定一个包含n个候选下采样比率的搜索空间R，即R＝{r1,r2,r3,…,rn}；其中，0≤r1<r2<r3<…<rn≤1。目标为每一个轻量级自注意力模块寻找最优采样率r*。为了清晰起见，这里用沿着通道维搜索下采样率的例子来说明。另外，可以用相同的方式沿其他维度搜索下采样率。
不同于通过公式(10)搜索插入位置，在计算自注意力地图的过程中，我们对下采样率的选择项进行了编码。
其中，xatt表示计算得到的注意图，xr表示下采样率为r的下采样特征，表示指示函数，选择r时为真。通过设置只使用一个下采样率的约束，当ri被选择为下采样率时，公式(11)可以简化为/>关键的一步是制作决定使用哪一个下采样率的条件/>该条件能够确定是否可以使用向下采样的特征来计算一个准确的注意力地图。因此，目标是定义一个“相似度”信号，用于建模来自下采样特征的注意力地图是否接近真实的注意力地图，表示为/>具体来说，我们把指示函数写为：
其中^表示逻辑运算符与。对公式(12)的合理性的直观解释是该算法始终选择xgtxgt T与xgtxgt T之间的欧式距离小于阈值T的最小r。为了确保在前提指示值为0时，我们设置xgt＝xrn。因此，/>
同时，在计算梯度时将指标函数松弛为可微分的sigmoid函数，并通过梯度下降更新阈值t。由于指示性函数的输出随着输入特征x的变化而变化，为了达到更好的训练收敛性，将注意力地图的指数移动平均应用于计算公式(12)。搜索阶段结束后，通过评价以下指标确定下采样率：
其中EMA(x)表示x的指数移动平均值。
从公式(12)可以看出，指示性函数的输出依赖于下采样率较小的指标。可以在计算具有高维特征(具有较高下采样率)的注意图时，重用具有低维特征(具有较低下采样率)的注意图。具体地说，xri可以分割成[xri-1；xri\ri-1]，i>1。使用xri计算注意地图可以分解为
这里，是由较小的下采样率计算得到的可重用的注意力地图。由于计算注意力地图时，有更多的下采样率选择，并不会产生额外的计算成本，因此该特性重用范式可以在很大程度上减少搜索开销。使用搜索算法联合搜索构架参数以及各轻量级自注意力模块的插入位置和向下采样方案。为了获得更好的紧致性，我们在空间维度和通道维度上搜索下采样率。
为了学习高效的深度学习模型，整体目标函数是最小化标准分类损失和模型的计算复杂度的对数的加权和该计算复杂度与插入位置和LSAMs的紧致性有关:
请参考图4，其示出了根据本公开的神经网络构架搜索方法的一个实施例的流程示意图。
步骤401，设置包括多个特征提取层、全连接层以及设置在任意相邻两个特征提取层之间的轻量级自注意力模块。
本实施例中的，特征提取层、全连接层及所述轻量级自注意力模块各自的参数可以为初始参数。
这里的轻量级自注意力模块可以为图1或图2所示的轻量级自注意力模块。
步骤402，使用预设训练数据以及预先确定的损失函数，从神经网络模型的最后一层至第一层特征提取层，确定各相邻两层是否使用上述轻量级自注意力模块，并确定各特征提取层、轻量级自注意力模块分别对应的参数以及全连接层对应的参数。
上述轻量级自注意力模块的参数包括采样单元、卷积单元各自对应的参数。
上述轻量自注意力模块对应的参数包括对特征向量进行采样的采样率，以及上述步骤402的使用预先设置的损失函数，从所述最后一层特征提取层至第一层特征提取层逐层确定各相邻两层是否使用所述轻量级自注意力模块，并逐层确定各层对应的特征提取层、所述轻量级自注意力模块对应的参数以及全连接层对应的参数所述损失函数，包括：
第一，使用预先设置的损失函数，从所述最后一层特征提取层至第一层特征提取层确定各相邻两层是否使用所述轻量级自注意力模块；
第二，对于确定使用所述轻量级自注意力模块的相邻两个特征提取层，确定在该相邻两个特征提取层之间使用的轻量级自注意力模块对应的所述采样率。
采样单元的参数包括采样单元的采样率。在一些应用场景中，上市采样单元包括第一子采样单元，第二子采样单元以及第三子采样单元。上采样单元的参数可以包括轻量级自注意力模块对应的第一采样子单元、第二采样子单元、第三采样子单元分别对应的采样率。
卷积单元对应的参数包括第一卷积核的3×3矩阵所对应的值。
上述损失函数可以包括标准分类损失子函数和模型计算复杂度损失函数，模型计算复杂度损失函数包括成本函数。
在一些应用场景中，上述目标损失函数如公式(15)所示。其中L(W，T)为损失函数；CE()为标准分类损失子函数；CC()为模型计算复杂度损失函数。其中w为模型权值，T为构架参数，可以分为两类:一类来自轻量级自注意力模块，包括插入位置和下采样率；另一类来自神经网络，包括卷积核大小、通道数量等。
CE()可以是交叉熵损失函数，CC()可以是成本函数。可以利用梯度下降法对上述目标损失函数进行端到端优化。
上述计算复杂度损失函数例如可以包括：
上述标准分类损失子函数可以为任意分类损失子函数，此处不做限定。上述模型计算复杂度损失函数可以包括任意成本函数，此处不做限定。
另外需要说明的是，利用训练数据以及损失函数对神经网络进行训练是广泛应用的方法，此处不赘述。
本实施例提供的神经网络架构的搜索方法，通过使用预设损失函数确定各相邻两层是否使用上述轻量级自注意力模块，并对个特征提取层、自注意力模块分别对应的参数、全连接层对应的参数。从而以有效地搜索在特定资源约束下具有较优性能的最优轻量级自注意力模块的插入位置，以及确定神经网络各层的参数。
下面参考图5，其示出了适于用来实现本公开实施例的电子设备(例如终端设备)的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：设置包括多个特征提取层、全连接层以及设置在任意相邻两个特征提取层之间的轻量级自注意力模块，其中，特征提取层、全连接层及所述轻量级自注意力模块各自对应初始参数；使用预设训练数据以及预先确定的损失函数，从所述神经网络模型的最后一层至第一层特征提取层，确定各相邻两层是否使用所述轻量级自注意力模块，并逐层确定各特征提取层、所述轻量级自注意力模块分别对应的参数以及全连接层对应的参数；其中，所述轻量级自注意力模块的参数包括采样单元、卷积单元各自对应的参数。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系构架、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (12)
1.一种轻量级自注意力模块，其特征在于，所述轻量级自注意力模块设置于图像分类的神经网络中，该模块包括：特征信息输入单元，采样单元，整合单元，卷积单元和累加单元，其中
所述特征信息输入单元，用于接收所述图像分类的神经网络的特征提取层输出的目标对象的特征向量；所述目标对象包括图像；
所述采样单元，包括至少两个采样子单元，所述采样子单元用于对所述特征向量进行采样，得到采样特征向量；
所述整合单元，用于整合所述至少两个采样子单元各自输出的采样特征向量，得到整合采样特征向量；
卷积单元，用于对整合采样特征向量执行卷积操作；
所述累加单元，用于将卷积单元输出的卷积结果与所述特征向量进行累加；
所述特征向量为包括空间分量和通道分量的多维特征向量；以及
所述采样单元包括第一采样子单元、第二采样子单元、第三采样子单元；其中
所述第一采样子单元，用于对输入的所述特征向量的通道分量进行下采样，得到采样后的第一采样特征向量；
所述第二采样子单元，用于对输入的所述特征向量进行通道分量下采样，得到中间采样结果；以及对所述中间采样结果进行空间分量下采样，得到采样后的第二采样特征向量；
所述第三采样子单元，用于对输入的所述特征向量的空间分量进行下采样，得到采样后的第三采样特征向量。
2.根据权利要求1所述的轻量级自注意力模块，其特征在于，
所述整合单元，用于对所述第一采样特征向量、所述第二采样特征向量的转置和所述第三采样特征向量执行乘积操作，得到整合后的采样特征向量。
3.根据权利要求2所述的轻量级自注意力模块，其特征在于，所述卷积单元用于将所述整合后的采样特征向量与第一卷积核进行卷积。
4.根据权利要求3所述的轻量级自注意力模块，其特征在于，所述第一卷积核为3×3矩阵。
5.一种神经网络模型，包括：多个依次设置的特征提取层，至少一个如权利要求1-4之一所述的轻量级自注意力模块，所述轻量级自注意力模块设置在相邻两个特征提取层之间。
6.一种神经网络构架的搜索方法，包括：
设置包括多个特征提取层、全连接层以及设置在任意相邻两个特征提取层之间的如权利要求1-4之一所述的轻量级自注意力模块，其中，特征提取层、全连接层及所述轻量级自注意力模块各自对应初始参数；
使用预设训练数据以及预先确定的损失函数，从所述神经网络模型的最后一层至第一层特征提取层，确定各相邻两层是否使用所述轻量级自注意力模块，并确定各特征提取层、所述轻量级自注意力模块分别对应的参数以及全连接层对应的参数；其中
所述轻量级自注意力模块的参数包括采样单元、卷积单元各自对应的参数。
7.根据权利要求6所述的方法，其特征在于，所述轻量级自注意力模块对应的参数包括对特征向量进行采样的采样率，以及
所述使用预先设置的损失函数，从所述最后一层特征提取层至第一层特征提取层逐层确定各相邻两层是否使用所述轻量级自注意力模块，并逐层确定各层对应的特征提取层、所述轻量级自注意力模块对应的参数以及全连接层对应的参数所述损失函数，包括：
使用预先设置的损失函数，从所述最后一层特征提取层至第一层特征提取层逐层确定各相邻两层是否使用所述轻量级自注意力模块；
对于确定使用所述轻量级自注意力模块的相邻两个特征提取层，确定在该相邻两个特征提取层之间使用的轻量级自注意力模块对应的所述采样率。
8.根据权利要求7所述的方法，其特征在于，所述采样单元包括第一采样子单元、第二采样子单元和第三采样子单元；以及
所述采样率包括轻量级自注意力模块对应的第一采样子单元、第二采样子单元、第三采样子单元分别对应的采样率。
9.根据所述权利要求6所述的方法，其特征在于，所述损失函数包括标准分类损失子函数和模型计算复杂度损失函数，其中，所述模型计算复杂度损失函数包括成本函数。
10.根据所述权利要求8所述的方法，其特征在于，所述损失函数如下所示：
L(W，t)=CE（W，t）+λ×log(CC(W，t))；其中
L(W，t)为损失函数；CE（W，t）为标准分类损失子函数；CC(W，t)为模型计算复杂度损失函数；W为模型权值，t为构架参数。
11.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求6-10中任一所述的方法。
12.一种计算机可读介质，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如权利要求6-10中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010210768.7A CN111539524B (zh) | 2020-03-23 | 2020-03-23 | 轻量级自注意力模块和神经网络构架的搜索方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010210768.7A CN111539524B (zh) | 2020-03-23 | 2020-03-23 | 轻量级自注意力模块和神经网络构架的搜索方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111539524A CN111539524A (zh) | 2020-08-14 |
| CN111539524B true CN111539524B (zh) | 2023-11-28 |
Family
ID=71978707
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010210768.7A Active CN111539524B (zh) | 2020-03-23 | 2020-03-23 | 轻量级自注意力模块和神经网络构架的搜索方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111539524B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188705A (zh) * | 2019-06-02 | 2019-08-30 | 东北石油大学 | 一种适用于车载系统的远距离交通标志检测识别方法 |
| CN110378484A (zh) * | 2019-04-28 | 2019-10-25 | 清华大学 | 一种基于注意力机制的空洞卷积空间金字塔池化上下文学习方法 |
| CN110598582A (zh) * | 2019-08-26 | 2019-12-20 | 深圳大学 | 一种眼图像处理模型构建方法和装置 |
| CN110633610A (zh) * | 2019-05-17 | 2019-12-31 | 西南交通大学 | 一种基于yolo的学员状态检测算法 |
| WO2020020088A1 (zh) * | 2018-07-23 | 2020-01-30 | 第四范式（北京）技术有限公司 | 神经网络模型的训练方法和系统以及预测方法和系统 |
| CN110782015A (zh) * | 2019-10-25 | 2020-02-11 | 腾讯科技（深圳）有限公司 | 神经网络的网络结构优化器的训练方法、装置及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10650286B2 (en) * | 2017-09-07 | 2020-05-12 | International Business Machines Corporation | Classifying medical images using deep convolution neural network (CNN) architecture |
-
2020
- 2020-03-23 CN CN202010210768.7A patent/CN111539524B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020020088A1 (zh) * | 2018-07-23 | 2020-01-30 | 第四范式（北京）技术有限公司 | 神经网络模型的训练方法和系统以及预测方法和系统 |
| CN110378484A (zh) * | 2019-04-28 | 2019-10-25 | 清华大学 | 一种基于注意力机制的空洞卷积空间金字塔池化上下文学习方法 |
| CN110633610A (zh) * | 2019-05-17 | 2019-12-31 | 西南交通大学 | 一种基于yolo的学员状态检测算法 |
| CN110188705A (zh) * | 2019-06-02 | 2019-08-30 | 东北石油大学 | 一种适用于车载系统的远距离交通标志检测识别方法 |
| CN110598582A (zh) * | 2019-08-26 | 2019-12-20 | 深圳大学 | 一种眼图像处理模型构建方法和装置 |
| CN110782015A (zh) * | 2019-10-25 | 2020-02-11 | 腾讯科技（深圳）有限公司 | 神经网络的网络结构优化器的训练方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| Jongchan Park et al..BAM: Bottleneck Attention Module.《arXiv:1807.06514v2》.2018,第4-8页、图1、2. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111539524A (zh) | 2020-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111476309B (zh) | 图像处理方法、模型训练方法、装置、设备及可读介质 | |
| CN111860573B (zh) | 模型训练方法、图像类别检测方法、装置和电子设备 | |
| CN109800732B (zh) | 用于生成漫画头像生成模型的方法和装置 | |
| CN112258512B (zh) | 点云分割方法、装置、设备和存储介质 | |
| CN111915480B (zh) | 生成特征提取网络的方法、装置、设备和计算机可读介质 | |
| CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
| CN112766284B (zh) | 图像识别方法和装置、存储介质和电子设备 | |
| EP4318313A1 (en) | Data processing method, training method for neural network model, and apparatus | |
| CN115311730B (zh) | 一种人脸关键点的检测方法、系统和电子设备 | |
| CN113256339B (zh) | 资源投放的方法、装置、存储介质及电子设备 | |
| WO2022012178A1 (zh) | 用于生成目标函数的方法、装置、电子设备和计算机可读介质 | |
| CN112800276B (zh) | 视频封面确定方法、装置、介质及设备 | |
| CN111260074B (zh) | 一种超参数确定的方法、相关装置、设备及存储介质 | |
| CN111539524B (zh) | 轻量级自注意力模块和神经网络构架的搜索方法 | |
| CN116258911A (zh) | 图像分类模型的训练方法、装置、设备及存储介质 | |
| CN113470026B (zh) | 息肉识别方法、装置、介质及设备 | |
| CN115830001A (zh) | 肠道图像处理方法、装置、存储介质及电子设备 | |
| CN113255819B (zh) | 用于识别信息的方法和装置 | |
| CN115424060A (zh) | 模型训练方法、图像分类方法和装置 | |
| CN113283115B (zh) | 图像模型生成方法、装置和电子设备 | |
| CN115861901B (zh) | 视频分类方法、装置、设备及存储介质 | |
| CN114625876B (zh) | 作者特征模型的生成方法、作者信息处理方法和装置 | |
| CN111814807B (zh) | 用于处理图像的方法、装置、电子设备和计算机可读介质 | |
| CN113140012B (zh) | 图像处理方法、装置、介质及电子设备 | |
| CN111898658B (zh) | 图像分类方法、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |