CN113780515A - 数据处理方法、图像处理方法、装置、存储介质与设备 - Google Patents
数据处理方法、图像处理方法、装置、存储介质与设备 Download PDFInfo
- Publication number
- CN113780515A CN113780515A CN202110012775.0A CN202110012775A CN113780515A CN 113780515 A CN113780515 A CN 113780515A CN 202110012775 A CN202110012775 A CN 202110012775A CN 113780515 A CN113780515 A CN 113780515A
- Authority
- CN
- China
- Prior art keywords
- parameter
- subset
- parameters
- parameter set
- processing
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 143
- 238000000034 method Methods 0.000 claims description 58
- 238000004590 computer program Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 24
- 238000001514 detection method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000779 smoke Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06N3/04—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
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 Processing (AREA)
Abstract
本公开提供一种数据处理方法、图像处理方法、装置、存储介质与设备,涉及数据处理技术领域。其中,所述数据处理方法包括:获取第一参数集合和第二参数集合,所述第一参数集合的数据量大于所述第二参数集合的数据量;将所述第一参数集合中的第一参数子集替换为所述第二参数集合中的第二参数子集,所述第一参数子集和所述第二参数子集具有对应关系,所述第一参数子集的数据量大于所述第二参数子集的数据量;通过所述第一参数集合对第一图像集进行处理,根据处理结果更新所述第一参数集合中的第二参数子集,并利用更新后的第二参数子集更新所述第二参数集合。本公开解决了图像处理性能开销较高的问题。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种数据处理方法、图像处理方法、数据处理装置、图像处理装置、计算机可读存储介质与电子设备。
背景技术
目前,很多图像处理功能依赖于机器学习技术,特别是深度学习技术来实现,例如目标检测、人脸识别等。一般的,机器学习技术采用较为大型的模型对图像数据进行处理,处理时需要加载较多的模型参数并进行较为复杂的计算,导致性能开销较高,耗时较多,不利于在轻量化终端(如智能手机、车载智能终端)上运行。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供了一种数据处理方法、图像处理方法、数据处理装置、图像处理装置、计算机可读存储介质与电子设备,进而至少在一定程度上解决图像处理性能开销较高的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的第一方面,提供一种数据处理方法,包括:获取第一参数集合和第二参数集合,所述第一参数集合的数据量大于所述第二参数集合的数据量;将所述第一参数集合中的第一参数子集替换为所述第二参数集合中的第二参数子集,所述第一参数子集和所述第二参数子集具有对应关系,所述第一参数子集的数据量大于所述第二参数子集的数据量;通过所述第一参数集合对第一图像集进行处理,根据处理结果更新所述第一参数集合中的第二参数子集,并利用更新后的第二参数子集更新所述第二参数集合。
在本公开的一种示例性实施例中,所述第一参数集合的参数子集和所述第二参数集合的参数子集一一对应。
在本公开的一种示例性实施例中,所述方法还包括:根据所述第一参数集合的各参数子集的替换概率,在所述第一参数集合的各参数子集中确定所述第一参数子集。
在本公开的一种示例性实施例中,所述根据所述第一参数集合的各参数子集的替换概率,在所述第一参数集合的各参数子集中确定所述第一参数子集,包括:根据所述第一参数集合的各参数子集的替换概率,生成所述第一参数集合的各参数子集的替换度;将所述第一参数集合中替换度为预设数值的参数子集确定为所述第一参数子集。
在本公开的一种示例性实施例中,所述方法还包括:分别以所述第二参数集合中的每个参数子集作为所述第二参数子集,以更新所述第二参数集合。
在本公开的一种示例性实施例中,在通过所述第一参数集合对第一图像集进行处理,根据处理结果更新所述第一参数集合中的第二参数子集时,所述方法还包括:锁定所述第一参数集合中除所述第二参数子集以外的参数。
在本公开的一种示例性实施例中,所述利用更新后的第二参数子集更新所述第二参数集合之后,包括:通过所述第二参数集合对第二图像集进行处理,根据处理结果更新所述第二参数集合。
根据本公开的第二方面,提供一种图像处理方法,包括:获取根据上述数据处理方法中任意一种方法更新的第二参数集合;将所述第二参数集合加载至图像处理模型;通过所述图像处理模型对目标图像进行处理。
在本公开的一种示例性实施例中,所述目标图像为连续采集的多帧图像中任一帧图像。
在本公开的一种示例性实施例中,所述通过所述图像处理模型对目标图像进行处理,包括:通过所述图像处理模型对所述目标图像进行处理,输出所述目标图像对应的位姿信息。
根据本公开的第三方面,提供一种数据处理装置,包括:获取模块,用于获取第一参数集合和第二参数集合,所述第一参数集合的数据量大于所述第二参数集合的数据量;替换模块,用于将所述第一参数集合中的第一参数子集替换为所述第二参数集合中的第二参数子集,所述第一参数子集和所述第二参数子集具有对应关系,所述第一参数子集的数据量大于所述第二参数子集的数据量;更新模块,用于通过所述第一参数集合对第一图像集进行处理,根据处理结果更新所述第一参数集合中的第二参数子集,并利用更新后的第二参数子集更新所述第二参数集合。
根据本公开的第四方面,提供一种图像处理装置,包括:参数集合获取模块,用于获取根据上述数据处理方法中任意一种方法更新的第二参数集合;参数集合加载模块,用于将所述第二参数集合加载至图像处理模型;目标图像处理模块,用于通过所述图像处理模型对目标图像进行处理。
根据本公开的第五方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述数据处理方法和图像处理方法中的任意一种方法。
根据本公开的第六方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述数据处理方法和图像处理方法中的任意一种方法。
本公开的技术方案具有以下有益效果:
将第一参数集合中的第一参数子集替换为第二参数集合中的第二参数子集,通过第一参数集合对第一图像集的处理结果更新第一参数集合中的第二参数子集,并利用更新后的第二参数子集更新第二参数集合;第二参数集合可用于加载至图像处理模型中,以处理目标图像。一方面,由于第二参数集合中的参数较少,有利于实现轻量化的图像处理模型,减少图像处理的性能开销,提高图像处理的效率。另一方面,由于第二参数集合是基于第一参数集合中的第二参数子集更新得到的,使得第二参数集合一定程度上继承第一参数集合的特征,有利于提高图像处理的准确性。
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方式,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施方式,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他的附图。
图1示出本示例性实施方式运行环境的系统架构图;
图2示出本示例性实施方式中一种数据处理方法的流程图;
图3示出本示例性实施方式中一种确定第一参数子集的流程图;
图4示出本示例性实施方式中一种参数子集替换处理实例图;
图5示出本示例性实施方式中一种基于轻量级的服务器端服务框架的数据处理流程图;
图6示出本示例性实施方式中一种图像处理方法的流程图;
图7示出本示例性实施方式中一种数据处理装置的结构框图;
图8示出本示例性实施方式中一种图像处理装置的结构框图;
图9示出本示例性实施方式中一种用于实现上述方法的电子设备。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本文中,“第一”、“第二”等是对特定对象的标记,而并非限定对象的数量或次序。
相关技术中,需要进行数据处理的应用场景有很多。例如:车辆自动驾驶系统、智能机器人、智能视频监控、智能交通等领域。为了使最终的处理结果具备较高的准确性,通常采用计算量大且参数多的网络模型来处理数据。但是,这种处理方法不仅会导致数据处理速度较慢,同时还会使得性能开销过大,不利于在轻量化终端(如智能手机、车载智能终端)上运行。例如:单目三维目标检测技术在对图像数据进行处理时,由于采用计算量大且参数多的大神经网络,导致图像处理过程比较慢,无法高效应用于智能手机、车载智能终端等计算资源受限的设备中。
鉴于上述一个或多个问题,本公开的示例性实施方式提供一种数据处理方法和一种图像处理方法。图1示出了上述方法运行环境的系统架构图,参考图1所示,该系统架构100可以包括:终端110、网络120和服务器130。其中,终端110可以是智能手机、车载智能终端等,实时监测并采集图像。网络120用以在终端110和服务器130之间提供通信链路的介质,可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等。服务器130部署于企业后台,可以对终端110的图像处理提供支持。
应该理解,图1中的终端、网络和服务器的数目仅仅是示意性的。根据实现需要,可以设置任意数目的终端、网络和服务器。例如,可以将多台终端110连接到同一服务器130,或者服务器130可以是多台设备组成的服务器集群等。
本示例性实施方式所提供的数据处理方法可以由服务器130执行,也可以由终端110执行。图2示出了本示例性实施方式中数据处理方法的示意性流程,包括以下步骤S210至S230:
步骤S210,获取第一参数集合和第二参数集合,第一参数集合的数据量大于第二参数集合的数据量;
步骤S220,将第一参数集合中的第一参数子集替换为第二参数集合中的第二参数子集,第一参数子集和第二参数子集具有对应关系,第一参数子集的数据量大于第二参数子集的数据量;
步骤S230,通过第一参数集合对第一图像集进行处理,根据处理结果更新第一参数集合中的第二参数子集,并利用更新后的第二参数子集更新第二参数集合。
在数据处理方法中,将第一参数集合中的第一参数子集替换为第二参数集合中的第二参数子集,通过第一参数集合对第一图像集的处理结果更新第一参数集合中的第二参数子集,并利用更新后的第二参数子集更新第二参数集合。由于第一参数子集的数据量大于第二参数子集的数据量,使得第二参数集合即能够继承第一参数集合较高的处理精度,同时保留第二参数集合较高的处理速度,进一步节省数据处理的时间,较少性能开销。
下面分别对图2中的每个步骤进行具体说明。
步骤S210,获取第一参数集合和第二参数集合,第一参数集合的数据量大于第二参数集合的数据量。
第一参数集合与第二参数集合是图像处理算法所需的两个参数集合。在一种可选的实施方式中,第一参数集合是第一模型的参数形成的集合,第二参数集合是第二模型的参数形成的集合,第一模型与第二模型为图像处理模型。一般的,第一模型的复杂度高于第二模型,可以体现为第一模型的结构更加复杂,例如第一模型与第二模型均为神经网络模型,第一模型的层数大于第二模型,第一模型与第二模型均为决策树模型,第一模型的节点数大于第二模型,等等。
在一种可选的实施方式中,上述第一模型可例如残差网络模型RESNET34,第二模型可例如残差网络模型RESNET18,RESNET34和RESNET18分别代表网络中卷积层与全连接层的层数之和为34和18的残差网络,RESNET34的模型复杂度高于RESNET18,RESNET34中所包含的参数可以构成第一参数集合,RESNET18中所包含的参数可以构成第二参数集合。
参数集合的数据量可以是参数集合所包含的参数数量,也可以是参数集合中所有参数的总数据量。本示例性实施方式中,第一参数集合的数据量大于第二参数集合的数据量,可以体现为第一参数集合所包含的参数数量大于第二参数集合,或者第一参数集合中所有参数的总数据量大于第二参数集合。
在一种可选的实施方式中,在读取第一参数集合和第二参数集合时,可以通过外部存储器接口从外部数据库中读取第一参数集合,通过内部存储器接口从本地存储中读取第二参数集合。
步骤S220,将第一参数集合中的第一参数子集替换为第二参数集合中的第二参数子集,第一参数子集和第二参数子集具有对应关系,第一参数子集的数据量大于第二参数子集的数据量。
第一模型和第二模型均包括多个模块(或者分支),将第一模型与第二模型按照不同模块进行划分后,每个模块中的参数可以形成一个参数子集。即第一参数集合与第二参数集合均可以划分为多个参数子集。例如,第一模型与第二模型均为神经网络模型,将神经网络模型中的每一层或者实现某一功能的多层作为一个模块(如将实现卷积功能的卷积层与池化层作为一个模块),提取每个模块的参数,形成一个参数子集;第一模型与第二模型均为决策树模型,将决策树模型划分为多条路径,每一条路径作为一个模块,提取每个模块的参数,形成一个参数子集。
第一参数子集是第一参数集合中特定的一个或多个参数子集,第二参数子集是第二参数集合中特定的一个或多个参数子集。第一参数子集与第二参数子集之间具有对应关系,可以实现相同或近似的功能。例如第一参数子集是第一模型中第一个卷积层的参数集合,第二参数子集是第二模型中第一个卷积层的参数集合;第一参数子集是第一模型中的注意力层的参数集合,第二参数子集是第二模型中注意力层的参数集合,等等。
在一种可选的实施方式中,将第一参数集合中的各参数子集按照模型结构排序,将第二参数集合中的各参数子集按照模型结构排序,第一参数子集在第一参数集合中的序数,与第二参数子集在第二参数集合中的序数相同。
本示例性实施方式中,第一参数子集为被替换的参数子集,第二参数子集为进行替换的参数子集。例如,第一模型中的第二个模块被替换为第二模型中的第二个模块,第一模型中的第二个模块的参数形成了第一参数子集,第二模型中的第二个模块的参数形成了第二参数子集,实现了第一次参数子集与第二参数子集的替换,构造了新的第一参数集合,使得后续可以采用新的第一参数集合对第一图像集进行处理。这里参数子集的数据量可以是第一参数子集/第二参数子集中所包含的参数数量,也可以是第一参数子集/第二参数子集中参数所对应的计算量。第一参数子集的数据量大于第二参数子集的数据量,可以体现为第一参数子集所包含的参数数量大于第二参数子集,或者第一参数子集中所有参数的总数据量大于第二参数子集。
需要说明的是上述第一参数集合中可以包含一个或多个第一参数子集。第二参数集合中也可以包含一个或多个第二参数子集,第一参数子集和第二参数子集具有对应关系,可以将第一参数集合中的一个或多个第一参数子集替换为第二参数集合中相应的第二参数子集。
在一种可选的实施方式中,第一参数集合的参数子集和第二参数集合的参数子集一一对应。第一参数集合中包含的参数子集与第二参数结合中包含的参数子集个数相同,且彼此之间具有对应关系,可以实现相同或近似的功能。第一参数集合和第二参数集合可以是实现功能相同,实现复杂度不同,实现效果不同的网络模型参数。
在一种可选的实施方式中,根据第一参数集合的各参数子集的替换概率,在第一参数集合的各参数子集中确定第一参数子集。
本实施例中,可以为第一参数集合中各参数子集预先设置不同的替换概率,也可以为整个参数集合预先设置一个替换概率,即第一参数集合所包含的各参数子集设置相同的替换概率,例如将第一参数集合中各参数子集的替换概率设置为0.5。通过概率来控制第一参数集合中的参数子集是否为第一参数子集,整个过程比较简单,容易实现。
此外,还可以根据对第一参数集合中各参数子集的进行组合替换操作,寻找最优替换组合,确定第一参数子集并进行替换操作。还可以根据经验直接设定替换位置,将第一参数集合中的处于替换位置上的参数子集作为第一参数子集。
需要说明的是,在实际应用过程中,可以根据具体的使用场景以及开发人员的经验选取合适的方式确定第一参数子集。
在一种可选的实施方式中,上述根据第一参数集合的各参数子集的替换概率,在第一参数集合的各参数子集中确定第一参数子集,还可以通过以下步骤S310至S320来确定,具体步骤如图3所示:
步骤S310,根据第一参数集合的各参数子集的替换概率,生成第一参数集合的各参数子集的替换度。
替换度表示第一参数集合的各参数子集是否进行替换的度量值,例如可以将替换度的取值设置为0或1,根据设定的替换概率随机生成0或1的替换度。
步骤S320,将第一参数集合中替换度为预设数值的参数子集确定为第一参数子集。
将预设数值设为替换度中的一个取值。例如,将预设数值设置为0,那么可以将替换度为0的参数子集作为第一参数子集。
图3所示的步骤中,通过概率的随机特性确定参数子集的替换度,采用替换度指标明确要进行替换的参数子集,以便于识别替换参数子集,并做进一步的分析。
步骤S230,通过第一参数集合对第一图像集进行处理,根据处理结果更新第一参数集合中的第二参数子集,并利用更新后的第二参数子集更新第二参数集合。
这里的第一图像集是由多张图像构成的集合,对第一图像集的处理指的是基于第一参数集合中的参数对第一图像集中的图像进行物体识别和检测。例如,可以将第一参数集合加载至残差网络模型RESNET34中,残差网络模型RESNET34具有图像分类和物体识别的功能,采用该残差网络模型RESNET34可以实现对第一图像集中图像的识别和检测。上述处理结果指的是对图像的物体识别和检测结果,例如图像中包含的物体以及物体的位置信息等。首先加载被替换的第一参数集合,并对第一图像集进行处理,根据处理结果更新第一参数集合中的用于替换的第二参数子集,直到第一图像集的验证集指标达到预设条件时,将第一参数集合中用于替换的第二参数子集提取出来,更新内部存储空间中存储的第二参数集合。
在一种可选的实施方式中,在通过第一参数集合对第一图像集进行处理,根据处理结果更新第一参数集合中的第二参数子集时,锁定第一参数集合中除第二参数子集以外的参数。
也就是说,在更新第一参数集合中的用于替换的第二参数子集时,第一参数集合中除了用于替换的第二参数子集外,其余的参数子集保持固定,不进行更新。该过程基于固定参数子集的第一参数集合,对用于替换的第二参数子集进行更新,以便第二参数子集能够继承到第一参数子集的特性。
在一种可选的实施方式中,分别以第二参数集合中的每个参数子集作为第二参数子集,以更新第二参数集合。
上述过程可以分别以第二参数集合中的每个参数子集作为第二参数子集,替换第一参数集合中的第一参数子集,通过第一参数集合对第一图像集进行处理,根据处理结果更新第一参数集合中的第二参数子集,并利用更新后的第二参数子集更新第二参数集合。即,每一次更新第二参数集合中的一个参数子集,经过多次更新,直到第二参数中每个参数子集都被更新。
在一种可选的实施方式中,利用更新后的第二参数子集更新第二参数集合之后,包括:通过第二参数集合对第二图像集进行处理,根据处理结果更新第二参数集合。
这里的第二图像集也是由多张图像构成的集合。当第二图像集所对应的验证集指标达到预设条件时,可以停止对第二参数集合的更新。这里执行的更新操作,主要是为了对第二参数集合进行进一步的改善和优化,进一步提升采用该第二参数集合对图像处理的精度。
在一种可选的实施方式中,还可以包括:通过第一参数集合对第三图像集进行处理,根据处理结果更新第一参数集合。
这里的第三图像集也是由多张图像构成的集合。当根据步骤S210获取的第一参数集合是没有被更新或更新训练不充分时,可以基于步骤S210获取的第一参数集合对第三图像集进行处理,并根据对第三图像集的处理结果不断反复调整第一参数集合中的参数,通过对第三图像集设置相应的验证集指标,直到该验证集指标达到预设条件时,停止对第一参数集合的更新。该过程还可以通过外部存储器接口将外部数据库中的原第一参数集合进行更新。上述过程中,通过对第一参数集合进行更新,以便为后续处理过程提供一个数据处理结果准确度比较高的参数集合。
需要说明的是,上述提到的第一图像集、第二图像集以及第三图像集可以是相同的图像集,也可以是不同的图像集。
图4提供了一种参数子集替换处理实例图,第一参数集合包含四个参数子集,分别为参数子集1-1、参数子集1-2、参数子集1-3和参数子集1-4,第一参数集合包含四个参数子集,分别为参数子集2-1、参数子集2-2、参数子集2-3和参数子集2-4,输入可以为第一图像集,输出可以为对第一图像集的处理结果,第一参数集合中和第二参数集合中各参数子集间相连的实线表示实际执行的流程,虚线表示没有执行的流程。
当预设数值为0时,图4所示的替换操作还可以通过以下关系实现:
x(n)=x1 (n)×y(n)+x2 (n)×(1-y(n)) (1)
x1 (n+1)=F1 (n+1)(x(n)) (2)
x2 (n+1)=F2 (n+1)(x(n)) (3)
其中,式(1)中y(n)表示第一参数集合第n层参数子集的替换度,x1 (n)表示第一参数集合第n层参数子集的输出,x2 (n)表示第二参数集合第n层参数子集的输出,x(n)表示第n层参数子集的输出,以及第n+1层的输入;式(2)中x1 (n+1)表示第一参数集合第n+1层参数子集的输出,F1 (n+1)表示第一参数集合第n+1层参数子集的处理过程;式(3)中x2 (n+1)表示第二参数集合第n+1层参数子集的输出,F2 (n+1)表示第二参数集合第n+1层参数子集的处理过程。可见,当替换度y(n)为0时,第n层参数子集的输出x(n)为x2 (n),第一参数集合中第n层的参数子集作为第一参数子集,第二参数集合中第n层的参数子集作为第二参数子集,第一参数子集被替换为第二参数子集,例如:图4中第一参数集合中参数子集的输入和输出为虚线的第二层参数子集1-2表示第一参数子集,第二参数集合中参数子集的输入和输出为实线的第二层参数子集2-2表示第二参数子集;当替换度y(n)为1时,第n层参数子集的输出x(n)为x1 (n),不进行替换操作。将第n层的输出作为第一参数集合和第二参数集合第n+1层的输入。
上述数据处理方法可以应用在三维视觉目标检测场景,图5提供了该场景中一种基于轻量级的服务器端服务框架(SMOKE)的数据处理流程图。图5中RESNET为残差网络,RESNET34和RESNET18分别代表网络中卷积层与全连接层的层数之和为34和18的残差网络,RESNET34的模型参数形成第一参数集合,RESNET18的模型参数形成第二参数集合,RESNET34的模型参数的数据量大于RESNET18的模型参数的数据量,RESNET34和RESNET18中每个模块的参数形成参数子集。具体实现步骤如下:
步骤S510,加载训练数据,训练数据可以为第一图像集、第二图像集或第三图像集;
步骤S520,基于RESNET34的SMOKE模型训练,该步骤在原始SMOKE检测框架算法的基础上,基于RESNET34训练一个准确度比较高的三维目标检测网络;
步骤S530,随机模块替换训练,直接用RESNET18中的不同模块随机替换掉RESNET34中相应的模块,并进行模块训练,直到其在验证集的指标不再上升后,执行下面的步骤;
步骤S540,固定基于RESNET18的SMOKE模型参数微调训练,该步骤将把整个RESNET18单独分离出来,继续进行微调训练,直到验证集指标不再上升。
步骤S550,模型发布。
在完成对第二参数集合的更新后,可以利用第二参数集合进行实际的图像处理。
本示例性实施方式所提供的图像处理方法,可以由终端110执行,也可以由服务器130执行。图6示出了本示例性实施方式中图像处理方法的示意性流程,包括以下步骤S610至S630:
步骤S610,获取根据本示例性实施方式中的数据处理方法更新的第二参数集合;
若上述数据处理方法时是通过服务器130来执行的,第二参数集合被存储于服务器130时,可以由服务器130通过内部存储器接口从本地存储中读取更新的第二参数集合来获取第二参数集合,也可以由终端110向服务器130发送获取更新的第二参数集合的请求,接收由服务器130发送的第二参数模型来获取第二参数集合。
步骤S620,将第二参数集合加载至图像处理模型。
图像处理模型用来对图像数据进行处理,可以用于检测图像中的物体信息等。将更新后的第二参数集合加载至图像处理模块,第二参数集合中的参数较少,有利于实现轻量化的图像处理模型,同时保证较高的准确性。
步骤S630,通过图像处理模型对目标图像进行处理。
目标图像可以由终端110进行采集。例如,智能手机、车载智能终端等终端设备可以通过所连接的摄像头,对目标图像进行采集,并从服务器130获取第二参数集合,对采集到的目标图像进行处理。
在一种可选的实施方式中,目标图像可以为连续采集的多帧图像中任一帧图像。在实际应用中,可以通过智能手机、车载智能终端所连接的摄像头实时拍摄视频,得到连续采集的多帧图像,将连续采集的多帧图像中任一帧图像作为目标图像进行图像处理,实现实时性处理。
在一种可选的实施方式中,通过图像处理模型对目标图像进行处理,包括:通过图像处理模型对目标图像进行处理,输出目标图像对应的位姿信息。
位姿信息表示物体在三维空间中的位置信息和姿态信息,可以包括目标图像中所包含的物体类别及其在三维空间中的精确长宽高及其旋转角等信息,从而实现三维检测。
在上述图像处理方法中,获取根据本示例性实施方式中的数据处理方法更新的第二参数集合;将更新后的第二参数集合加载至图像处理模型;通过图像处理模型对目标图像进行处理。一方面,由于第二参数集合中的参数较少,有利于实现轻量化的图像处理模型,减少图像处理的性能开销,提高图像处理的效率。另一方面,由于第二参数集合是基于第一参数集合中的第二参数子集更新得到的,使得第二参数集合一定程度上继承第一参数集合的特征,有利于提高图像处理的准确性。
本公开的示例性实施方式还提供一种数据处理装置。如图7所示,该数据处理装置700可以包括:
获取模块710,用于获取第一参数集合和第二参数集合,第一参数集合的数据量大于第二参数集合的数据量;
替换模块720,用于将第一参数集合中的第一参数子集替换为第二参数集合中的第二参数子集,第一参数子集和第二参数子集具有对应关系,第一参数子集的数据量大于第二参数子集的数据量;
更新模块730,用于通过第一参数集合对第一图像集进行处理,根据处理结果更新第一参数集合中的第二参数子集,并利用更新后的第二参数子集更新第二参数集合。
在一种可选的实施方式中,替换模块720中,第一参数集合的参数子集和第二参数集合的参数子集一一对应。
在一种可选的实施方式中,替换模块720,还包括:第一参数子集确定模块,用于根据第一参数集合的各参数子集的替换概率,在第一参数集合的各参数子集中确定第一参数子集。
在一种可选的实施方式中,第一参数子集确定模块,还被配置为:根据第一参数集合的各参数子集的替换概率,生成第一参数集合的各参数子集的替换度;将第一参数集合中替换度为预设数值的参数子集确定为第一参数子集。
在一种可选的实施方式中,数据处理装置700,还包括:分别以第二参数集合中的每个参数子集作为第二参数子集,以更新第二参数集合。
在一种可选的实施方式中,更新模块730,还被配置为:锁定第一参数集合中除第二参数子集以外的参数。
在一种可选的实施方式中,数据处理装置700,还包括:更新子模块,用于通过第二参数集合对第二图像集进行处理,根据处理结果更新第二参数集合。
本公开的示例性实施方式还提供一种图像处理装置。如图8所示,该图像处理装置800可以包括:
参数集合获取模块810,用于获取根据本示例性实施方式中的数据处理方法更新的第二参数集合;
参数集合加载模块820,用于将第二参数集合加载至图像处理模型;
目标图像处理模块830,用于通过图像处理模型对目标图像进行处理。
在一种可选的实施方式中,目标图像处理模块830中的目标图像为连续采集的多帧图像中任一帧图像。
在一种可选的实施方式中,目标图像处理模块830,被配置为:通过图像处理模型对目标图像进行处理,输出目标图像对应的位姿信息。
上述数据处理装置700与图像处理装置800中各部分的具体细节在方法部分实施方式中已经详细说明,未披露的细节内容可以参见方法部分的实施方式内容,因而不再赘述。
本公开的示例性实施方式还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述数据处理方法和图像处理方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在电子设备上运行时,程序代码用于使电子设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。该程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在电子设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,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。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本公开的示例性实施方式还提供了一种能够实现上述数据处理方法和图像处理方法的电子设备。下面参照图9来描述根据本公开的这种示例性实施方式的电子设备900。图9显示的电子设备900仅仅是一个示例,不应对本公开实施方式的功能和使用范围带来任何限制。
如图9所示,电子设备900可以以通用计算设备的形式表现。电子设备900的组件可以包括但不限于:至少一个处理单元910、至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930和显示单元940。
存储单元920存储有程序代码,程序代码可以被处理单元910执行,使得处理单元910执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,处理单元910可以执行图2、图3以及图6中任意一个或多个方法步骤。
存储单元920可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)921和/或高速缓存存储单元922,还可以进一步包括只读存储单元(ROM)923。
存储单元920还可以包括具有一组(至少一个)程序模块925的程序/实用工具924,这样的程序模块925包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线930可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备900也可以与一个或多个外部设备1000(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备900交互的设备通信,和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且,电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器960通过总线930与电子设备900的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备900使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施方式的方法。
此外,上述附图仅是根据本公开示例性实施方式的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的示例性实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。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他实施方式。本申请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。说明书和实施方式仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
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定。
Claims (14)
1.一种数据处理方法,其特征在于,包括:
获取第一参数集合和第二参数集合,所述第一参数集合的数据量大于所述第二参数集合的数据量;
将所述第一参数集合中的第一参数子集替换为所述第二参数集合中的第二参数子集,所述第一参数子集和所述第二参数子集具有对应关系,所述第一参数子集的数据量大于所述第二参数子集的数据量;
通过所述第一参数集合对第一图像集进行处理,根据处理结果更新所述第一参数集合中的第二参数子集,并利用更新后的第二参数子集更新所述第二参数集合。
2.根据权利要求1所述的方法,其特征在于,所述第一参数集合的参数子集和所述第二参数集合的参数子集一一对应。
3.根据权利要求2所述的方法,其特征在于,所述方法,还包括:
根据所述第一参数集合的各参数子集的替换概率,在所述第一参数集合的各参数子集中确定所述第一参数子集。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一参数集合的各参数子集的替换概率,在所述第一参数集合的各参数子集中确定所述第一参数子集,包括:
根据所述第一参数集合的各参数子集的替换概率,生成所述第一参数集合的各参数子集的替换度;
将所述第一参数集合中替换度为预设数值的参数子集确定为所述第一参数子集。
5.根据权利要求2所述的方法,其特征在于,所述方法,还包括:
分别以所述第二参数集合中的每个参数子集作为所述第二参数子集,以更新所述第二参数集合。
6.据权利要求1所述的方法,其特征在于,在通过所述第一参数集合对第一图像集进行处理,根据处理结果更新所述第一参数集合中的第二参数子集时,所述方法还包括:
锁定所述第一参数集合中除所述第二参数子集以外的参数。
7.根据权利要求1所述的方法,其特征在于,所述利用更新后的第二参数子集更新所述第二参数集合之后,包括:
通过所述第二参数集合对第二图像集进行处理,根据处理结果更新所述第二参数集合。
8.一种图像处理方法,其特征在于,包括:
获取根据权利要求1至7中任一项所述的数据处理方法更新的第二参数集合;
将所述第二参数集合加载至图像处理模型;
通过所述图像处理模型对目标图像进行处理。
9.根据权利要求8所述的方法,其特征在于,所述目标图像为连续采集的多帧图像中任一帧图像。
10.根据权利要求9所述的方法,其特征在于,所述通过所述图像处理模型对目标图像进行处理,包括:
通过所述图像处理模型对所述目标图像进行处理,输出所述目标图像对应的位姿信息。
11.一种数据处理装置,其特征在于,包括:
获取模块,用于获取第一参数集合和第二参数集合,所述第一参数集合的数据量大于所述第二参数集合的数据量;
替换模块,用于将所述第一参数集合中的第一参数子集替换为所述第二参数集合中的第二参数子集,所述第一参数子集和所述第二参数子集具有对应关系,所述第一参数子集的数据量大于所述第二参数子集的数据量;
更新模块,用于通过所述第一参数集合对第一图像集进行处理,根据处理结果更新所述第一参数集合中的第二参数子集,并利用更新后的第二参数子集更新所述第二参数集合。
12.一种图像处理装置,其特征在于,包括:
参数集合获取模块,用于获取根据权利要求1至7中任一项所述的数据处理方法更新的第二参数集合;
参数集合加载模块,用于将所述第二参数集合加载至图像处理模型;
目标图像处理模块,用于通过所述图像处理模型对目标图像进行处理。
13.一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,所述计算机程序被处理器执行时实现权利要求1至10任一项所述的方法。
14.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110012775.0A CN113780515A (zh) | 2021-01-05 | 2021-01-05 | 数据处理方法、图像处理方法、装置、存储介质与设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110012775.0A CN113780515A (zh) | 2021-01-05 | 2021-01-05 | 数据处理方法、图像处理方法、装置、存储介质与设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780515A true CN113780515A (zh) | 2021-12-10 |
Family
ID=78835407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110012775.0A Pending CN113780515A (zh) | 2021-01-05 | 2021-01-05 | 数据处理方法、图像处理方法、装置、存储介质与设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780515A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815551A (zh) * | 2016-12-08 | 2017-06-09 | 新疆农业大学 | 一种森林资源管理的变异函数参数拟合的优化方法 |
GB201812181D0 (en) * | 2018-07-26 | 2018-09-12 | Advanced Risc Mach Ltd | Image processing |
CN108615073A (zh) * | 2018-04-28 | 2018-10-02 | 北京京东金融科技控股有限公司 | 图像处理方法及装置、计算机可读存储介质、电子设备 |
DE102018113845A1 (de) * | 2017-06-12 | 2018-12-13 | Nvidia Corporation | Systeme und Verfahren zum Trainieren von neuronalen Netzwerken mit dünnbesetzten Daten |
CN109272055A (zh) * | 2018-10-22 | 2019-01-25 | 西安云鑫电子科技有限公司 | 基于机器学习的激光除锈方法及装置 |
US20190042763A1 (en) * | 2017-08-02 | 2019-02-07 | Alibaba Group Holding Limited | Model training method and apparatus based on data sharing |
CN110148081A (zh) * | 2019-03-25 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 图像处理模型的训练方法、图像处理方法、装置及存储介质 |
CN110603854A (zh) * | 2017-05-08 | 2019-12-20 | 摩托罗拉移动有限责任公司 | 重新配置数据连接的方法和设备 |
CN110796619A (zh) * | 2019-10-28 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种图像处理模型训练方法、装置、电子设备及存储介质 |
CN110852385A (zh) * | 2019-11-12 | 2020-02-28 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备和存储介质 |
US20200151558A1 (en) * | 2018-11-13 | 2020-05-14 | Gyrfalcon Technology Inc. | Systems and methods for updating an artificial intelligence model by a subset of parameters in a communication system |
CN111178447A (zh) * | 2019-12-31 | 2020-05-19 | 北京市商汤科技开发有限公司 | 模型压缩方法、图像处理方法及相关装置 |
US20200349674A1 (en) * | 2019-05-03 | 2020-11-05 | International Business Machines Corporation | Intelligent image enhancement |
CN111985250A (zh) * | 2020-09-03 | 2020-11-24 | 深圳壹账通智能科技有限公司 | 模型训练方法、装置、系统及计算机可读存储介质 |
-
2021
- 2021-01-05 CN CN202110012775.0A patent/CN113780515A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815551A (zh) * | 2016-12-08 | 2017-06-09 | 新疆农业大学 | 一种森林资源管理的变异函数参数拟合的优化方法 |
CN110603854A (zh) * | 2017-05-08 | 2019-12-20 | 摩托罗拉移动有限责任公司 | 重新配置数据连接的方法和设备 |
DE102018113845A1 (de) * | 2017-06-12 | 2018-12-13 | Nvidia Corporation | Systeme und Verfahren zum Trainieren von neuronalen Netzwerken mit dünnbesetzten Daten |
CN109388661A (zh) * | 2017-08-02 | 2019-02-26 | 阿里巴巴集团控股有限公司 | 一种基于共享数据的模型训练方法及装置 |
US20190042763A1 (en) * | 2017-08-02 | 2019-02-07 | Alibaba Group Holding Limited | Model training method and apparatus based on data sharing |
CN108615073A (zh) * | 2018-04-28 | 2018-10-02 | 北京京东金融科技控股有限公司 | 图像处理方法及装置、计算机可读存储介质、电子设备 |
GB201812181D0 (en) * | 2018-07-26 | 2018-09-12 | Advanced Risc Mach Ltd | Image processing |
CN109272055A (zh) * | 2018-10-22 | 2019-01-25 | 西安云鑫电子科技有限公司 | 基于机器学习的激光除锈方法及装置 |
US20200151558A1 (en) * | 2018-11-13 | 2020-05-14 | Gyrfalcon Technology Inc. | Systems and methods for updating an artificial intelligence model by a subset of parameters in a communication system |
CN110148081A (zh) * | 2019-03-25 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 图像处理模型的训练方法、图像处理方法、装置及存储介质 |
US20200349674A1 (en) * | 2019-05-03 | 2020-11-05 | International Business Machines Corporation | Intelligent image enhancement |
CN110796619A (zh) * | 2019-10-28 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种图像处理模型训练方法、装置、电子设备及存储介质 |
CN110852385A (zh) * | 2019-11-12 | 2020-02-28 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备和存储介质 |
CN111178447A (zh) * | 2019-12-31 | 2020-05-19 | 北京市商汤科技开发有限公司 | 模型压缩方法、图像处理方法及相关装置 |
CN111985250A (zh) * | 2020-09-03 | 2020-11-24 | 深圳壹账通智能科技有限公司 | 模型训练方法、装置、系统及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
吴禄慎;常参参;王晓辉;陈华伟;: "基于局部调节卷积神经网络的图像识别方法", 计算机工程, no. 12, 14 December 2017 (2017-12-14), pages 240 - 246 * |
李明霞;刘保相;张春英;: "基于压缩理论的区间概念格参数优化模型", 计算机应用, no. 11, 10 November 2016 (2016-11-10), pages 2945 * |
林苏斌;王燕;: "LabVIEW在玻璃缺陷检测系统中的应用", 工业控制计算机, no. 05, 25 May 2012 (2012-05-25), pages 6 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109104620B (zh) | 一种短视频推荐方法、装置和可读介质 | |
CN110347873B (zh) | 视频分类方法、装置、电子设备及存储介质 | |
CN110334689B (zh) | 视频分类方法和装置 | |
CN108520220B (zh) | 模型生成方法和装置 | |
CN106960219B (zh) | 图片识别方法及装置、计算机设备及计算机可读介质 | |
CN110807515B (zh) | 模型生成方法和装置 | |
CN112699991A (zh) | 用于加速神经网络训练的信息处理的方法、电子设备和计算机可读介质 | |
CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
CN111723728A (zh) | 基于双向交互网络的行人搜索方法、系统、装置 | |
US11967150B2 (en) | Parallel video processing systems | |
CN114358257A (zh) | 神经网络剪枝方法及装置、可读介质和电子设备 | |
CN111260074B (zh) | 一种超参数确定的方法、相关装置、设备及存储介质 | |
CN116957006A (zh) | 预测模型的训练方法、装置、设备、介质及程序产品 | |
US20230237344A1 (en) | Method, electronic device, and computer program product for managing training data | |
CN113780515A (zh) | 数据处理方法、图像处理方法、装置、存储介质与设备 | |
CN114330239A (zh) | 文本处理方法及装置、存储介质及电子设备 | |
CN113673476A (zh) | 人脸识别模型训练方法、装置、存储介质与电子设备 | |
CN113761933A (zh) | 检索方法、装置、电子设备及可读存储介质 | |
CN114627325A (zh) | 场景分类方法、装置、设备以及存储介质 | |
CN111353585A (zh) | 神经网络模型的结构搜索方法和装置 | |
CN111062477A (zh) | 一种数据处理方法、装置及存储介质 | |
CN111160197A (zh) | 人脸检测方法、装置、电子设备、存储介质 | |
CN113656573B (zh) | 文本信息生成方法、装置、终端设备 | |
CN117373121B (zh) | 智能座舱环境下的手势交互方法及相关设备 | |
CN117743555B (zh) | 答复决策信息发送方法、装置、设备和计算机可读介质 |
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 |