CN113674244A - 一种图像检测方法、装置、存储介质和电子设备 - Google Patents
一种图像检测方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN113674244A CN113674244A CN202110962624.1A CN202110962624A CN113674244A CN 113674244 A CN113674244 A CN 113674244A CN 202110962624 A CN202110962624 A CN 202110962624A CN 113674244 A CN113674244 A CN 113674244A
- Authority
- CN
- China
- Prior art keywords
- neural network
- image detection
- initialization parameters
- distribution
- initialization
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 133
- 238000013528 artificial neural network Methods 0.000 claims abstract description 116
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000005070 sampling Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 13
- 210000002364 input neuron Anatomy 0.000 claims description 10
- 210000004205 output neuron Anatomy 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种图像检测方法、装置、存储介质和电子设备,包括:获取神经网络层的初始化参数的分布,该神经网络层为图像检测神经网络中的神经网络层;基于马尔可夫蒙特卡洛对该初始化参数的分布进行采样处理,得到目标初始化参数;采用包括图像数据的训练数据对包括该目标初始化参数的图像检测神经网络进行训练,得到训练后的图像检测神经网络;该训练后的图像检测神经网络用于进行图像检测。本发明通过基于马尔可夫蒙特卡洛对图像检测神经网络初始化参数的分布进行采样处理,得到目标初始化参数,目标初始化参数中各元素之间为非线性关系,可以使得图像检测神经网络的训练易于收敛,收敛速度快,训练后的图像检测神经网络的图像检测准确度高。
Description
技术领域
本发明涉及图像检测领域,尤其涉及一种图像检测方法、装置、存储介质和电子设备。
背景技术
车辆自动驾驶中需要通过图像检测对车辆所处的交通环境进行检测,通常采用图像检测模型进行该检测过程。对于训练用于图像检测的神经网络检测模型,操作者需要指定开始迭代的参数初始点,并在训练过程中对参数进行调整以获取可用的参数。训练用于车辆自动驾驶的神经网络检测模型很大程度上受选择的参数初始点的影响。参数初始点能够决定用于训练的训练算法是否收敛,决定训练算法收敛的速度等,此外,参数初始点的选择还将影响神经网络检测模型的泛化。
现有的深度学习神经网络模型初始化策略是简单的启发式初始化策略。大多数初始化策略能使神经网络检测模型在某项特定任务中是有利的,但是,不利于神经网络检测模型泛化。
发明内容
为了解决上述技术问题,本发明提供一种图像检测方法、装置、存储介质和电子设备,可以实现用于图像检测的图像检测神经网络在训练时能够收敛,收敛速度快,且训练后的图像检测神经网络的图像检测准确度高,有利于图像检测神经网络泛化。
为了达到上述发明的目的,本发明提供了一种图像检测方法,该方法包括:
获取神经网络层的初始化参数的分布,该神经网络层为图像检测神经网络中的神经网络层;
基于马尔可夫蒙特卡洛对该初始化参数的分布进行采样处理,得到目标初始化参数;
采用训练数据对包括该目标初始化参数的图像检测神经网络进行训练,得到训练后的图像检测神经网络;该训练后的图像检测神经网络用于进行图像检测,该训练数据包括图像数据。
可选地,其中,该神经网络的初始化参数为该图像检测神经网络的权值和/或偏置。
可选地,该神经网络层的初始化参数的分布的类型为高斯正态分布。
可选地,该基于马尔可夫蒙特卡洛对该初始化参数的分布进行采样处理,得到目标初始化参数,包括:
基于马尔可夫蒙特卡洛对该初始化参数的分布进行采样处理,得到随机初始化参数;
对该随机初始化参数进行稀疏处理,得到稀疏初始化参数,将该稀疏初始化参数作为目标初始化参数。
另一方面,本发明还提供一种图像检测装置,该装置包括:
初始化参数分布获取模块,获取神经网络层的初始化参数的分布,该神经网络层为图像检测神经网络中的神经网络层;
采样模块,基于马尔可夫蒙特卡洛对该初始化参数的分布进行采样处理,得到目标初始化参数;
训练模块,用于采用训练数据对包括该目标初始化参数的图像检测神经网络进行训练,得到训练后的图像检测神经网络;该训练后的图像检测神经网络用于进行图像检测,该训练数据包括图像数据。
另一方面,本发明还提供一种计算机可读存储介质,该存储介质中存储有程序,该程序由处理器加载并执行以实现如上述技术方案所述的图像检测方法。
另一方面,本发明还提供一种图像检测电子设备,该电子设备包括处理器和存储器,该存储器中存储有程序,该程序由该处理器加载并执行以实现如上述技术方案所述的图像检测方法。
实施本发明,具有如下有益效果:
本发明针对在车辆自动驾驶中进行的图像检测,对于所用的图像检测神经网络,获取神经网络层的初始化参数的分布,基于马尔可夫蒙特卡洛对所述初始化参数的分布进行采样处理,得到目标初始化参数,该目标初始化参数相对于现有用于神经网络初始化的初始化参数具有更好的随机性,目标初始化参数中的各元素之间为非线性关系,由此可以使得在训练图像检测神经网络时易于收敛,且收敛速度快,训练后的图像检测神经网络的图像检测准确度高,且有利于图像检测神经网络检测模型泛化。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是本发明实施例提供的图像检测方法的流程示意图;
图2是本发明实施例提供的图像检测方法的获取神经网络层的初始化参数的分布交互流程示意图;
图3是本发明实施例提供的图像检测方法中基于马尔科夫蒙特卡罗得到目标初始化参数的流程示意图;
图4是本发明实施例提供的图像检测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤、单元或模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤、单元或模块。
为了实现本发明的技术方案,让更多的工程技术工作者容易了解和应用本发明,将结合具体的实施例,进一步阐述本发明的工作原理。
本发明提供一种图像检测系统,该系统至少可以包括车辆、服务器,可应用于车联网领域,利用云端服务器实时生成图像检测数据,进行自动驾驶中车辆环境信息的动态判断。
本说明书实施例中,该服务器可以是云端服务器,该云端服务器可以包括一个独立运行的服务器,或者分布式服务器,或者由多个服务器组成的服务器集群。该云端服务器可以为该车辆提供后台服务。具体的,该云端服务器可以设置有数据库,该数据库中存储有一种或多种检测模型,用于进行图像检测。
以下介绍本发明一种图像检测方法的实施例,该图像检测方法用于在车辆的自动驾驶中对车辆所处的交通环境进行检测,采用作为图像检测模型的图像检测神经网络对获取的交通环境图像数据进行检测,以识别车辆周围的物体,获取车辆周围的环境信息并用于车辆的自动驾驶。
本说明书实施例中,在车辆自动驾驶过程中,采用图像检测神经网络进行针对车辆所处交通环境的图像检测,相应的,采用训练数据对该图像检测神经网络进行训练,以使得训练后的图像检测神经网络能够用于在自动驾驶中进行图像检测,基于车辆的环境图像数据检测出车辆所处的环境信息。该训练数据包括多个图像数据,该图像数据可以为车辆行驶中获取的环境图像数据,该图像数据中包括一个或多个检测对象,例如,人、车辆、道路标志线、交通信号灯、路灯、绿化带等,可选地,对检测对象进一步细分,例如,将人分为成人、儿童等,将车辆分为自行车、电瓶车、摩托车、轿车、小型货车、中型货车、大型货车等。训练数据还包括与每个图像数据中的检测对象对应的检测对象类别信息,该检测对象类别信息用于指示该检测对象的实际类别。
图1是本发明实施例提供的图像检测方法的流程示意图。本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。具体的,如图1所示,该方法包括:
S201:获取神经网络层的初始化参数的分布,该神经网络层为图像检测神经网络中的神经网络层。
在采用训练数据对用于图像检测的图像检测神经网络进行训练之前,需要对图像检测神经网络进行初始化,以得到具有初始化参数的图像检测神经网络。可选地,本说明书实施例对图像检测神经网络的权值和/或偏置进行初始化,以获得图像检测神经网络的初始化权值和/或初始化偏置。
该神经网络层的初始化参数的分布的类型可以为高斯正态分布、二项式分布、伯努利分布等,优选的,该神经网络层的初始化参数的分布的类型为高斯正态分布。
图2是本发明实施例提供的一种图像检测方法的获取神经网络层的初始化参数的分布交互流程示意图。该获取神经网络层的初始化参数的分布,包括:
S301:获取该神经网络层的输入神经元数量和输出神经元数量;
S303:基于该输入神经元数量和该输出神经元数量,得到该神经网络层的初始化参数的分布和该初始化参数的取值范围。
具体的,以该神经网络层的初始化参数的分布的类型为高斯正态分布为例,该神经网络层的初始化参数的高斯正态分布基于每层神经网络层对应的输入神经元数量和输出神经元数量得出,该高斯正态分布基于式(1)得出:
S203:基于马尔可夫蒙特卡洛对该初始化参数的分布进行采样处理,得到目标初始化参数。
本说明书实施例基于马尔科夫蒙特卡洛对该初始化参数的分布进行采样处理,得到用于图像检测神经网络的目标初始化参数,具体的,采用马尔科夫链蒙特卡罗采样算法对该初始化参数的分布进行采样,得到用于初始化该图像检测神经网络的目标初始化参数。
图3是本发明实施例提供的图像检测方法中基于马尔科夫蒙特卡罗得到目标初始化参数的流程示意图。该基于马尔可夫蒙特卡洛对该初始化参数的分布进行采样处理,得到目标初始化参数,包括:
S401:构造马尔科夫链,使得该初始化参数的分布是该马尔科夫链的平稳分布;
具体的,构造马尔科夫链{Zt}t∈N,其中,{Zt}为初始化参数集合,t为迭代次数,N为预设的总迭代次数;
S403:从该马尔科夫链的任一初始样本点出发,沿着该马尔科夫链进行多次转移采样,得到包括多个样本点的采样序列,将该采样序列作为目标初始化参数。
所得到的该采样序列收敛到该初始化参数的分布,将该采样序列作为目标初始化参数。基于马尔可夫蒙特卡洛在采样范围内对初始化参数的分布进行随机采样,每次采样的样本之间没有关联,使得经采样处理得到的目标初始化参数中的多个样本点之间互不相关,该多个样本点之间为非线性关系,样本点的随机性高,将包括该多个样本点的采样序列作为目标初始化参数,有利于图像检测神经网络的泛化。
可选的,该基于马尔可夫蒙特卡洛对该初始化参数的分布进行采样处理,得到目标初始化参数,包括:
1)基于马尔可夫蒙特卡洛对该初始化参数的分布进行采样处理,得到随机初始化参数。具体的,基于马尔可夫蒙特卡洛在采样范围内对初始化参数的分布进行随机采样,得到采样序列,将该采样序列作为随机初始化参数。
2)对该随机初始化参数进行稀疏处理,得到稀疏初始化参数,将该稀疏初始化参数作为目标初始化参数。其中,随机初始化参数、稀疏初始化参数均为矩阵。
具体的,采用稀疏矩阵算法对该随机初始化参数进行稀疏处理,得到稀疏初始化参数,包括:给定字典,求解最逼近随机初始化参数对应的参数矩阵的稀疏系数;其中,采用针对范数l1最小化问题的最优化算法,把范数l0松弛到范数l1进行求解,统计优化算法,该针对范数l1最小化问题的最优化算法包括范数lp正则化算法,是范数l0求解法和范数l1求解法的折中。
本发明实施例提供采用贪婪算法对随机初始化参数进行该稀疏处理,包括:
1)稀疏初始化:设置初始索引集合Θ0,初始索引集合Θ0包含索引原子,索引原子为随机初始化参数的矩阵中的各个元素,设置字典或固定基;
2)稀疏编码:基于字典或固定基,多次迭代求解随机初始化参数对应的稀疏参数,直到得到的稀疏初始化参数和随机初始化参数无限接近,例如,得到的稀疏初始化参数的各矩阵元素和随机初始化参数的各矩阵元素之间的平方差小于预设阈值,例如0.1或0.5。
通过对该随机初始化参数进行稀疏处理,得到稀疏初始化参数,将该稀疏初始化参数作为目标初始化参数,将该目标初始化参数用于待训练的初始化图像检测神经网络中,可以稀疏化用于图像检测神经网络的初始化参数矩阵,大幅度降低存储空间需求,并降低训练图像检测神经网络时的计算复杂度和所需的存储空间需求。
S205:采用训练数据对包括该目标初始化参数的图像检测神经网络进行训练,得到训练后的图像检测神经网络;该训练后的图像检测神经网络用于进行图像检测,该训练数据包括图像数据。
针对在车辆自动驾驶中进行的图像检测,对于所用的图像检测神经网络,获取神经网络层的初始化参数的分布,基于马尔可夫蒙特卡洛对该初始化参数的分布进行采样处理,得到目标初始化参数,该目标初始化参数相对于现有用于神经网络初始化的初始化参数具有更好的随机性,目标初始化参数中的各元素之间为非线性关系,由此可以使得在训练图像检测神经网络时易于收敛,且收敛速度快,训练后的图像检测神经网络的图像检测准确度高,且有利于图像检测神经网络检测模型泛化。
本说明书实施例还提供一种图像检测装置,图4是本发明实施例提供的图像检测装置的结构示意图,该装置包括:
初始化参数分布获取模块,获取神经网络层的初始化参数的分布,该神经网络层为图像检测神经网络中的神经网络层;
采样模块,基于马尔可夫蒙特卡洛对该初始化参数的分布进行采样处理,得到目标初始化参数;
训练模块,用于采用训练数据对包括该目标初始化参数的图像检测神经网络进行训练,得到训练后的图像检测神经网络;该训练后的图像检测神经网络用于进行图像检测,该训练数据包括图像数据。
可选的,该初始化参数分布获取模块,包括:
第一获取子模块,用于获取该神经网络层的输入神经元数量和输出神经元数量;
第二获取子模块,基于该输入神经元数量和该输出神经元数量,得到该神经网络层的初始化参数的分布和该初始化参数的取值范围;该神经网络层的初始化参数的分布的类型为高斯正态分布。
可选的,该采样模块,包括:
采样子模块,用于基于马尔可夫蒙特卡洛对该初始化参数的分布进行采样处理,得到随机初始化参数;
稀疏处理子模块,对该随机初始化参数进行稀疏处理,得到稀疏初始化参数,将该稀疏初始化参数作为目标初始化参数。
本说明书实施例还提供一种计算机可读存储介质,该存储介质中存储有程序,该程序由处理器加载并执行以实现如上述技术方案所述的图像检测方法。
本说明书实施例还提供一种图像检测电子设备,该电子设备包括处理器和存储器,该存储器中存储有程序,该程序由该处理器加载并执行以实现如上述技术方案所述的图像检测方法。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如本发明的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在本发明的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(如计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,也可以在载体信号上提供,或者以任何其他形式提供。
应该注意的是,上述实施例是对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或者步骤等。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中,这些系统中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二以及第三等的使用不表示任何顺序,可将这些单词解释为名称。
Claims (10)
1.一种图像检测方法,其特征在于,所述方法包括:
获取神经网络层的初始化参数的分布,所述神经网络层为图像检测神经网络中的神经网络层;
基于马尔可夫蒙特卡洛对所述初始化参数的分布进行采样处理,得到目标初始化参数;
采用训练数据对包括所述目标初始化参数的图像检测神经网络进行训练,得到训练后的图像检测神经网络;所述训练后的图像检测神经网络用于进行图像检测,所述训练数据包括图像数据。
2.根据权利要求1所述的图像检测方法,其特征在于,所述神经网络的初始化参数为所述图像检测神经网络的权值和/或偏置。
3.根据权利要求1所述的图像检测方法,其特征在于,所述获取神经网络层的初始化参数的分布,包括:
获取所述神经网络层的输入神经元数量和输出神经元数量;
基于所述输入神经元数量和所述输出神经元数量,得到所述神经网络层的初始化参数的分布和所述初始化参数的取值范围。
4.根据权利要求3所述的图像检测方法,其特征在于,所述神经网络层的初始化参数的分布的类型为高斯正态分布。
5.根据权利要求1所述的图像检测方法,其特征在于,所述基于马尔可夫蒙特卡洛对所述初始化参数的分布进行采样处理,得到目标初始化参数,包括:
基于马尔可夫蒙特卡洛对所述初始化参数的分布进行采样处理,得到随机初始化参数;
对所述随机初始化参数进行稀疏处理,得到稀疏初始化参数,将所述稀疏初始化参数作为目标初始化参数。
6.一种图像检测装置,其特征在于,所述装置包括:
初始化参数分布获取模块,获取神经网络层的初始化参数的分布,所述神经网络层为图像检测神经网络中的神经网络层;
采样模块,基于马尔可夫蒙特卡洛对所述初始化参数的分布进行采样处理,得到目标初始化参数;
训练模块,用于采用训练数据对包括所述目标初始化参数的图像检测神经网络进行训练,得到训练后的图像检测神经网络;所述训练后的图像检测神经网络用于进行图像检测,所述训练数据包括图像数据。
7.根据权利要求6所述的图像检测装置,所述初始化参数分布获取模块,包括:
第一获取子模块,用于获取所述神经网络层的输入神经元数量和输出神经元数量;
第二获取子模块,基于所述输入神经元数量和所述输出神经元数量,得到所述神经网络层的初始化参数的分布和所述初始化参数的取值范围;所述神经网络层的初始化参数的分布的类型为高斯正态分布。
8.根据权利要求7所述的图像检测装置,所述采样模块,包括:
采样子模块,用于基于马尔可夫蒙特卡洛对所述初始化参数的分布进行采样处理,得到随机初始化参数;
稀疏处理子模块,对所述随机初始化参数进行稀疏处理,得到稀疏初始化参数,将所述稀疏初始化参数作为目标初始化参数。
9.一种计算机可读存储介质,其特征在于,所述存储介质中存储有程序,所述程序由处理器加载并执行以实现如权利要求1至5任一所述的图像检测方法。
10.一种图像检测电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现如权利要求1至5任一所述的图像检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110962624.1A CN113674244B (zh) | 2021-08-20 | 2021-08-20 | 一种图像检测方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110962624.1A CN113674244B (zh) | 2021-08-20 | 2021-08-20 | 一种图像检测方法、装置、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113674244A true CN113674244A (zh) | 2021-11-19 |
CN113674244B CN113674244B (zh) | 2024-05-28 |
Family
ID=78544790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110962624.1A Active CN113674244B (zh) | 2021-08-20 | 2021-08-20 | 一种图像检测方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113674244B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278335A1 (en) * | 2013-03-13 | 2014-09-18 | Sas Institute Inc. | Techniques for automated bayesian posterior sampling using markov chain monte carlo and related schemes |
US20160328643A1 (en) * | 2015-05-07 | 2016-11-10 | Siemens Aktiengesellschaft | Method and System for Approximating Deep Neural Networks for Anatomical Object Detection |
CN106971709A (zh) * | 2017-04-19 | 2017-07-21 | 腾讯科技(上海)有限公司 | 统计参数模型建立方法和装置、语音合成方法和装置 |
CN109977902A (zh) * | 2019-04-03 | 2019-07-05 | 刘西 | 一种基于深度学习的建筑施工车辆识别方法 |
CN111242217A (zh) * | 2020-01-13 | 2020-06-05 | 支付宝实验室(新加坡)有限公司 | 图像识别模型的训练方法、装置、电子设备及存储介质 |
CN111709493A (zh) * | 2020-07-10 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 对象分类方法、训练方法、装置、设备及存储介质 |
CN111723674A (zh) * | 2020-05-26 | 2020-09-29 | 河海大学 | 基于马尔科夫链蒙特卡洛与变分推断的半贝叶斯深度学习的遥感图像场景分类方法 |
-
2021
- 2021-08-20 CN CN202110962624.1A patent/CN113674244B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278335A1 (en) * | 2013-03-13 | 2014-09-18 | Sas Institute Inc. | Techniques for automated bayesian posterior sampling using markov chain monte carlo and related schemes |
US20160328643A1 (en) * | 2015-05-07 | 2016-11-10 | Siemens Aktiengesellschaft | Method and System for Approximating Deep Neural Networks for Anatomical Object Detection |
CN106971709A (zh) * | 2017-04-19 | 2017-07-21 | 腾讯科技(上海)有限公司 | 统计参数模型建立方法和装置、语音合成方法和装置 |
CN109977902A (zh) * | 2019-04-03 | 2019-07-05 | 刘西 | 一种基于深度学习的建筑施工车辆识别方法 |
CN111242217A (zh) * | 2020-01-13 | 2020-06-05 | 支付宝实验室(新加坡)有限公司 | 图像识别模型的训练方法、装置、电子设备及存储介质 |
CN111723674A (zh) * | 2020-05-26 | 2020-09-29 | 河海大学 | 基于马尔科夫链蒙特卡洛与变分推断的半贝叶斯深度学习的遥感图像场景分类方法 |
CN111709493A (zh) * | 2020-07-10 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 对象分类方法、训练方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
周佳俊;欧智坚;: "深层神经网络预训练的改进初始化方法", 《电讯技术》, no. 7, 20 July 2013 (2013-07-20) * |
易鸿: "基于贝叶斯算法的神经网络优化算法", 《四川文理学院学报》, vol. 20, no. 2, pages 39 * |
Also Published As
Publication number | Publication date |
---|---|
CN113674244B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
CN111401516B (zh) | 一种神经网络通道参数的搜索方法及相关设备 | |
WO2021077841A1 (zh) | 一种基于循环残差网络的信号调制识别方法及装置 | |
CN107609483B (zh) | 面向驾驶辅助系统的危险目标检测方法、装置 | |
CN111507370A (zh) | 获得自动标注图像中检查标签的样本图像的方法和装置 | |
CN114970705B (zh) | 基于多传感数据的行驶状态分析方法、装置、设备及介质 | |
CN108229522A (zh) | 神经网络的训练方法、属性检测方法、装置及电子设备 | |
CN112085056B (zh) | 目标检测模型生成方法、装置、设备及存储介质 | |
CN108235733B (zh) | 基于拉曼光谱的物质识别方法及云端系统 | |
CN113159273B (zh) | 一种神经网络的训练方法及相关设备 | |
CN111931799B (zh) | 图像识别方法及装置 | |
CN110231447A (zh) | 水质异常检测的方法、装置及终端设备 | |
CN116776208B (zh) | 地震波分类模型的训练方法、地震选波方法、设备及介质 | |
CN113326826A (zh) | 网络模型的训练方法、装置、电子设备及存储介质 | |
CN115545334A (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
CN115147353A (zh) | 缺陷检测模型的训练方法、装置、设备、介质及程序产品 | |
CN117036843A (zh) | 目标检测模型训练方法、目标检测方法和装置 | |
CN116861262B (zh) | 一种感知模型训练方法、装置及电子设备和存储介质 | |
CN113674244A (zh) | 一种图像检测方法、装置、存储介质和电子设备 | |
CN111797690A (zh) | 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置 | |
CN114841211A (zh) | 基于频域数据增强扩充的无人机时频图谱数据库构建方法 | |
CN110399803B (zh) | 一种车辆检测方法及装置 | |
US20110082671A1 (en) | Designing real-world objects using the interaction between multiple design variables and system properties | |
CN108830290B (zh) | 基于稀疏表示和高斯分布的sar图像分类方法 | |
CN110298690B (zh) | 对象类目的周期判断方法、装置、服务器及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |