CN113792876B - 骨干网络的生成方法、装置、设备以及存储介质 - Google Patents
骨干网络的生成方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN113792876B CN113792876B CN202111088473.8A CN202111088473A CN113792876B CN 113792876 B CN113792876 B CN 113792876B CN 202111088473 A CN202111088473 A CN 202111088473A CN 113792876 B CN113792876 B CN 113792876B
- Authority
- CN
- China
- Prior art keywords
- backbone network
- reasoning
- network
- target
- initial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 143
- 238000012549 training Methods 0.000 claims abstract description 82
- 230000008569 process Effects 0.000 claims abstract description 66
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0806—Configuration setting for initial configuration or provisioning, e.g. plug-and-play
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/084—Configuration by using pre-existing information, e.g. using templates or copying from other elements
- H04L41/0846—Configuration by using pre-existing information, e.g. using templates or copying from other elements based on copy from other elements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0894—Policy-based network configuration management
-
- 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
- G06N3/048—Activation functions
-
- 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)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开提供了一种骨干网络的生成方法、装置、设备以及存储介质,涉及人工智能技术领域,具体为深度学习和计算机视觉技术。该方法包括:获取训练图像集、推理图像集以及初始骨干网络集合;针对初始骨干网络集合中的每个初始骨干网络,利用训练图像集与推理图像集对初始骨干网络进行训练和推理,得到训练完成的骨干网络在推理过程中的推理耗时与推理精度;基于各个训练完成的骨干网络在推理过程中的推理耗时与推理精度,确定基础骨干网络;基于基础骨干网络与预设的目标网络,得到目标骨干网络。本公开的骨干网络的生成方法,提高了上述骨干网络在英特尔中央处理器上的推理速度以及推理精度。
Description
技术领域
本公开涉及人工智能技术领域,具体为深度学习和计算机视觉技术,尤其涉及骨干网络的生成方法、装置、设备以及存储介质。
背景技术
在基于深度学习的计算机视觉任务中,如图像分类、目标检测、图像语义分割、度量学习等都离不开骨干网络,骨干网络作为特征的提取器,其重要意义不言而喻。现有的一些轻量化的骨干网络,如SHuffleNetV2、MobileNetV3等,这些骨干网络在Intel CPU(英特尔中央处理器)端推理耗时仍然不太理想,导致目标检测、图像分割等任务不能在IntelCPU端做实时预测。
发明内容
本公开提供了一种骨干网络的生成方法、装置、设备以及存储介质。
根据本公开的第一方面,提供了一种骨干网络的生成方法,包括:获取训练图像集、推理图像集以及初始骨干网络集合;针对初始骨干网络集合中的每个初始骨干网络,利用训练图像集与推理图像集对初始骨干网络进行训练和推理,得到训练完成的骨干网络在推理过程中的推理耗时与推理精度;基于各个训练完成的骨干网络在推理过程中的推理耗时与推理精度,确定基础骨干网络;基于基础骨干网络与预设的目标网络,得到目标骨干网络。
根据本公开的第二方面,提供了一种图像分类方法,包括:获取待分类图像;利用预先生成的骨干网络提取待分类图像的特征,得到图像特征,其中,骨干网络通过如第一方面中任一实现方式描述的方法生成;对图像特征进行分类,得到分类结果。
根据本公开的第三方面,提供了一种骨干网络的生成装置,包括:第一获取模块,被配置成获取训练图像集、推理图像集以及初始骨干网络集合;训练模块,被配置成针对初始骨干网络集合中的每个初始骨干网络,利用训练图像集与推理图像集对初始骨干网络进行训练和推理,得到训练完成的骨干网络在推理过程中的推理耗时与推理精度;确定模块,被配置成基于各个训练完成的骨干网络在推理过程中的推理耗时与推理精度,确定基础骨干网络;得到模块,被配置成基于基础骨干网络与预设的目标网络,得到目标骨干网络。
根据本公开的第四方面,提供了一种图像分类装置,包括:第二获取模块,被配置成获取待分类图像;提取模块,被配置成利用预先生成的骨干网络提取待分类图像的特征,得到图像特征,其中,骨干网络通过如第一方面中任一实现方式描述的方法生成;分类模块,被配置成对图像特征进行分类,得到分类结果。
根据本公开的第五方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面或第二方面中任一实现方式描述的方法。
根据本公开的第六方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面或第二方面中任一实现方式描述的方法。
根据本公开的第七方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如第一方面或第二方面中任一实现方式描述的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开可以应用于其中的示例性系统架构图;
图2是根据本公开的骨干网络的生成方法的一个实施例的流程图;
图3是根据本公开的骨干网络的生成方法的另一个实施例的流程图;
图4是根据本公开的骨干网络的生成方法的又一个实施例的流程图;
图5是根据本公开的图像分类方法的一个实施例的流程图;
图6是根据本公开的骨干网络的生成装置的一个实施例的结构示意图;
图7是根据本公开的图像分类装置的一个实施例的结构示意图;
图8是用来实现本公开实施例的骨干网络的生成方法或图像分类方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的骨干网络的生成方法或骨干网络的生成装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送信息等。终端设备101、102、103上可以安装有各种客户端应用。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以提供各种服务。例如,服务器105可以对从终端设备101、102、103获取的训练图像集、推理图像集以及初始骨干网络集合进行分析和处理,并生成处理结果(例如目标骨干网络)。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开实施例所提供的骨干网络的生成方法一般由服务器105执行,相应地,骨干网络的生成装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本公开的骨干网络的生成方法的一个实施例的流程200。该骨干网络的生成方法包括以下步骤:
步骤201,获取训练图像集、推理图像集以及初始骨干网络集合。
在本实施例中,骨干网络的生成方法的执行主体(例如图1所示的服务器105)可以获取训练图像集、推理图像集以及初始骨干网络结合。其中,训练图像集用于对初始骨干网络集合中的初始骨干网络进行训练,训练图像集中包括至少一张图像。训练图像集可采用现有的图像集,例如ImageNet-1k图像数据集,也可以是从现有图像中收集的、包括一定数量图像的图像集,本实施例对此不做具体限定。推理图像集中包括至少一张图像,训练完成的骨干网络可以对推理图像集中的推理图像进行推理。且初始骨干网络集合中包括至少一个初始骨干网络,初始骨干网络可以是现有的骨干网络,也可以是通过训练得到的骨干网络,本实施例中对此不做具体限定。
步骤202,针对初始骨干网络集合中的每个初始骨干网络,利用训练图像集与推理图像集对初始骨干网络进行训练和推理,得到训练完成的骨干网络在推理过程中的推理耗时与推理精度。
在本实施例中,针对步骤201获取的初始骨干网络集合中的每个初始骨干网络,上述执行主体可以利用步骤201获取的训练图像集与推理图像集对初始骨干网络进行训练和推理,从而得到训练完成的骨干网络在推理过程中的推理耗时与推理精度。
例如,上述执行主体可以使用训练图像集对初始骨干网络进行训练,从而得到训练完成的骨干网络;然后再使用上述训练完成的骨干网络对推图像集中的推理图像进行推理,从而得到训练完成的骨干网络在推理过程中的推理耗时与推理精度。由于推理图像集中可以包括至少一张图像,在推理图像集中只包含一张图像的情况下,上述执行主体会将使用训练完成的骨干网络对上述图像进行推理时所用的耗时以及推理结果的精度,作为训练完成的骨干网络在推理过程中的推理耗时与推理精度;而在推理图像集中包含多张图像的情况下,上述执行主体会记录使用训练完成的骨干网络对上述每张图像进行推理时所用的耗时以及推理结果的精度,然后分别对所有图像的推理耗时以及对所有图像的推理精度取平均值,并将该结果作为训练完成的骨干网络在推理过程中的推理耗时与推理精度。
可选地,由于上述推理过程运行在Intel CPU上,所以在推理的过程中,可以开启MKLDNN(深度学习加速库),从而提升骨干网络在Intel CPU下的推理速度。
步骤203,基于各个训练完成的骨干网络在推理过程中的推理耗时与推理精度,确定基础骨干网络。
在本实施例中,上述执行主体可以基于各个训练完成的骨干网络在推理过程中的推理耗时与推理精度来确定基础骨干网络,其中,基础骨干网络即为上述训练完成的骨干网络中推理耗时小且推理精度高的骨干网络,也即初始骨干网络集合中效果最好的骨干网络。
由于在步骤202之后,可以得到初始骨干网络集合中每个初始骨干网络对应的训练完成的骨干网络在推理过程中的推理耗时与推理精度,且可以理解的是,推理耗时越小、推理精度越高的骨干网络越好,或者推理耗时相同时,推理精度越高的骨干网络越好,或者推理精度相同时,推理耗时越小的骨干网络越好,所以上述执行主体会基于上述规律来确定基础骨干网络。而当不同的骨干网络的推理耗时与推理精度均不相同时,可以基于推理耗时与推理精度对应的比例关系来确定基础骨干网络。
可选地,在确定基础骨干网络之后,上述执行主体可以找到上述基础骨干网络对应的设计规律,并基于该设计规律来确定与上述基础骨干网络结构相似的其他骨干网络,并重复执行步骤202-203,从而得到其他骨干网络对应的推理耗时与推理精度,并基于上述推理耗时与推理精度来确定具有更好效果的骨干网络,并将其作为基础骨干网络。
步骤204,基于基础骨干网络与预设的目标网络,得到目标骨干网络。
在本实施例中,上述执行主体可以基于步骤203得到的基础骨干网络与预设的目标网络,得到目标骨干网络。其中,预设的目标网络即为预先构建的、可以进一步提升基础骨干网络的推理精度但却几乎不会影响基础骨干网络的推理耗时的网络,例如,目标网络中可以包括更大的全连接层,或者是更强大的激活函数。
由于步骤203得到的基础骨干网络已经具备了很好的推理耗时-推理精度的平衡能力,所以,在本步骤中,上述执行主体会获取预设的目标网络,并将该目标网络加入到步骤203得到的基础骨干网络中,得到目标骨干网络,从而进一步提升目标骨干网络的推理精度。
本公开实施例提供的骨干网络的生成方法,首先获取训练图像集、推理图像集以及初始骨干网络集合;然后针对初始骨干网络集合中的每个初始骨干网络,利用训练图像集与推理图像集对初始骨干网络进行训练和推理,得到训练完成的骨干网络在推理过程中的推理耗时与推理精度;之后,基于各个训练完成的骨干网络在推理过程中的推理耗时与推理精度,确定基础骨干网络;最后基于基础骨干网络与预设的目标网络,得到目标骨干网络。本实施例中的骨干网络的生成方法基于Intel CPU,所以经过本实施例中的方法得到的目标骨干网络在Intel CPU上具有更高的推理精度以及更快的推理速度;此外,基于本实施例中的方法得到的目标骨干网络的迁移成本低,更便于进行迁移。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
继续参考图3,图3示出了根据本公开的骨干网络的生成方法的另一个实施例的流程300。该骨干网络的生成方法包括以下步骤:
步骤301,获取训练图像集、推理图像集以及初始骨干网络集合。
在本实施例中,骨干网络的生成方法的执行主体(例如图1所示的服务器105)可以获取训练图像集、推理图像集以及初始骨干网络集合。步骤301与前述实施例的步骤201基本一致,具体实现方式可以参考前述对步骤201的描述,此处不再赘述。
在本实施例的一些可选的实现方式中,初始骨干网络集合包括至少一个初始骨干网络;以及初始骨干网络通过如下步骤得到:获取各个轻量级骨干网络的网络模块,得到网络模块集合;对网络模块集合中的网络模块进行随机组合,得到初始骨干网络。
在本实现方式中,首先可以获取现有的各个轻量级骨干网络中的网络模块(block),从而得到包含至少一个block的网络模块集合,例如网络模块集合中可以包括以下的一项或多项:DepthSepConv(Depthwise Separable Convolution,深度可分离卷积模块)、Channel-Shuffle block、Inverted residual block、Ghost block、Fire block,其中,DepthSepConv为骨干网络MobileNetV1使用的block,Channel-Shuffle block为骨干网络ShuffleNetV1/V2使用的block,Inverted residual block为骨干网络MobileNetV2/V3使用的block,Ghost block为骨干网络GhostNet使用的block,Fire block为骨干网络SqueezeNet使用的block。
然后上述执行主体可以将网络模块集合中的网络模块进行随机组合,从而得到至少一个组合后的初始骨干网络,至少一个初始骨干网络构成了初始骨干网络集合。通过对网络模块集合中的网络模块进行随机组合,使得到的初始骨干网络的结构不限于某一种结构,丰富了初始骨干网络的结构。
需要说明的是,可以将网络模块集合中的任意两个网络模块进行组合,还可以将网络模块集合中的任意三个网络模块进行组合,本实施例对随机组合时使用的block的个数不进行限定。
步骤302,针对初始骨干网络集合中的每个初始骨干网络,利用训练图像集对初始骨干网络进行训练,得到训练完成的骨干网络。
在本实施例中,针对初始骨干网络集合中的每个初始骨干网络,骨干网络的生成方法的执行主体(例如图1所示的服务器105)可以利用步骤301获取的训练图像集对初始骨干网络进行训练,从而得到训练完成的骨干网络。优选地,上述执行主体使用ImageNet-1k图像数据集对初始骨干网络进行训练,得到训练完成的骨干网络。
步骤303,将训练完成的骨干网络转化为推理网络,利用推理网络对推理图像集进行推理,得到推理网络在推理过程中的推理耗时和推理精度。
在本实施例中,上述执行主体可以将步骤302训练完成的骨干网络转化为推理网络,具体的转化过程可采用现有技术实现,在此不再赘述。然后,上述执行主体会利用得到的推理网络对推理图像集进行推理,从而得到推理网络对推理图像集中的每个图像进行推理时的推理耗时与推理精度,然后对所有图像的推理耗时与推理精度取平均值,并将该结果作为推理网络在推理过程中的推理耗时与推理精度。从而使得到的推理网络对应的推理耗时和推理精度更能代表推理网络在推理过程中的推理耗时与推理精度的平均水平。
步骤304,将各个推理网络在推理过程中的推理耗时和推理精度绘制为二维坐标系中的点。
在本实施例中,上述执行主体可以以推理耗时为横坐标,以推理精度为纵坐标,将每个推理网络在推理过程中的推理耗时与推理精度绘制为二维坐标系中的一个点,从而得到包含各个推理网络对应的推理耗时与推理精度的点的二维坐标系。
步骤305,从二维坐标系中的各个点中确定目标点,将目标点对应的初始骨干网络确定为基础骨干网络。
在本实施例中,上述执行主体可以从二维坐标系中的各个点中确定目标点,并将目标点对应的初始骨干网络确定为基础骨干网络。可以理解的是,二维坐标系中越靠近左上方的点对应的初始骨干网络的推理耗时越小、推理精度越高,所以,越靠近左上方的点对应的初始骨干网络越好。因此,本实施例中会将二维坐标系中越靠近左上方的点作为目标点,然后将目标点对应的初始骨干网络确定为基础骨干网络,从而使得到的基础骨干网络具备更高的推理精度以及更短的推理耗时。
步骤306,获取目标网络。
在本实施例中,上述执行主体可以获取目标网络,其中,目标网络即为预先构建的,可以进一步提升基础骨干网络的推理精度但却几乎不会影响基础骨干网络的推理耗时的网络。其中,目标网络中包括以下至少一项:激活函数、全连接层。作为示例,激活函数可为h-swish激活函数,h-swish激活函数为效果更优的、更强大的激活函数,或者还可以使用更大的全连接层。
步骤307,将目标网络添加至基础骨干网络中,得到目标骨干网络。
在本实施例中,上述执行主体可以将步骤306获取的目标网络添加至上述基础骨干网络中,从而得到目标骨干网络。例如,将包含更大的全连接层添加至基础骨干网络的结尾处,从而得到目标骨干网络。从而在保证目标骨干网络的推理耗时的前提下,进一步提升了目标骨干网络的推理精度。
从图3中可以看出,与图2对应的实施例相比,本实施例中的骨干网络的生成方法,首先,获取训练图像集、推理图像集以及初始骨干网络集合,并针对初始骨干网络集合中的每个初始骨干网络,利用训练图像集对初始骨干网络进行训练,得到训练完成的骨干网络;然后,将训练完成的骨干网络转化为推理网络,利用推理网络对推理图像集进行推理,得到推理网络在推理过程中的推理耗时和推理精度;之后,将各个推理网络在推理过程中的推理耗时和推理精度绘制为二维坐标系中的点,并从二维坐标系中的各个点中确定目标点,将目标点对应的初始骨干网络确定为基础骨干网络;最后,获取目标网络,并将目标网络添加至基础骨干网络中,得到目标骨干网络。本实施例中的骨干网络的生成方法,在保证目标骨干网络在Intel CPU上的推理耗时的基础上,进一步提升了目标骨干网络的推理精度。
继续参考图4,图4示出了根据本公开的骨干网络的生成方法的又一个实施例的流程400。该骨干网络的生成方法包括以下步骤:
步骤401,获取训练图像集、推理图像集以及初始骨干网络集合。
步骤402,针对初始骨干网络集合中的每个初始骨干网络,利用训练图像集对初始骨干网络进行训练,得到训练完成的骨干网络。
步骤403,将训练完成的骨干网络转化为推理网络,利用推理网络对推理图像集进行推理,得到推理网络在推理过程中的推理耗时和推理精度。
步骤404,将各个推理网络在推理过程中的推理耗时和推理精度绘制为二维坐标系中的点。
步骤405,从二维坐标系中的各个点中确定目标点,将目标点对应的初始骨干网络确定为基础骨干网络。
步骤406,获取目标网络。
步骤407,将目标网络添加至基础骨干网络中,得到目标骨干网络。
步骤401-407与前述实施例的步骤301-307基本一致,具体实现方式可以参考前述对步骤301-307的描述,此处不再赘述。
步骤408,更新目标骨干网络的卷积核尺寸。
在本实施例中,骨干网络的生成方法的执行主体(例如图1所示的服务器105)可以更新目标骨干网络的卷积核尺寸,也即将目标骨干网络的卷积核尺寸(kernel-size)变为比当前的卷积核尺寸更大的一个预设尺寸,其中,预设尺寸可以根据具体情况进行设定,本实施例对此不进行限定。通过更新目标骨干网络的卷积核尺寸,从而进一步提升目标骨干网络的推理精度。
步骤409,将SE模块添加至目标骨干网络中预定的目标添加位置,得到最终的骨干网络。
在本实施例中,上述执行主体可以将SE模块(Squeeze-and-ExcitationNetworks)添加至目标骨干网络中预定的目标添加位置,从而得到最终的骨干网络。其中,SE模块学习了各个通道之间的相关性,筛选出了针对通道的注意力,可以进一步提升网络模型的精度,且SE模块可以加载到现有的网络模型框架中。本实施例中将SE模块加载到步骤408得到的目标骨干网络中,得到最终的骨干网络,从而进一步提升了最终的骨干网络的推理精度。
在本实施例的一些可选的实现方式中,上述目标添加位置通过如下步骤确定:将SE模块添加至目标骨干网络中的不同位置,得到对应的第一骨干网络集合;针对第一骨干网络集合中的每个第一骨干网络,利用第一骨干网络对推理图像集进行推理,得到第一骨干网络在推理过程中的推理耗时和推理精度;基于每个第一骨干网络在推理过程中的推理耗时和推理精度,确定目标添加位置。
在本实现方式中,首先将SE模块添加至目标骨干网络的不同位置,从而得到多个对应的第一骨干网络,多个第一骨干网络构成了第一骨干网络集合。然后,针对第一骨干网络集合中的每个第一骨干网络,利用上述第一骨干网络对推理图像集中的推理图像进行推理,从而得到第一骨干网络在推理过程中的推理耗时与推理精度。最后,基于每个第一骨干网络在推理过程中的推理耗时与推理精度来确定效果最优的第一骨干网络,具体的确定过程可参考前述实施例,在此不再赘述。最优的第一骨干网络中SE模块的添加位置即为目标添加位置。通过各个第一骨干网络在推理过程中的推理耗时与推理精度来确定SE模块的目标添加位置,使得添加SE模块的最终的骨干网络的推理精度得到了提升。
从图4中可以看出,与图3对应的实施例相比,本实施例中的骨干网络的生成方法突出了更新目标骨干网络的卷积核尺寸、以及将SE模块添加至目标骨干网络中,从而得到最终的骨干网络的步骤,进一步提升了最终的骨干网络的推理精度。
继续参考图5,其示出了根据本公开的图像分类方法的一个实施例的流程500。该图像分类方法包括以下步骤:
步骤501,获取待分类图像。
在本实施例中,图像分类方法的执行主体(例如图1所示的服务器105)可以获取待分类图像,其中,待分类图像可以为用户从现有的图像中选取并上传的,也可以为用户通过终端设备的摄像头拍摄的,且待分类图像可以为包含任何人物或事物的图像,本实施例中对此不做具体限定。
步骤502,利用预先生成的骨干网络提取待分类图像的特征,得到图像特征。
在本实施例中,上述执行主体可以利用预先训练的骨干网络提取待分类图像的特征,得到图像特征,其中,骨干网络可以通过前述实施例中描述的方法得到。具体地,上述执行主体可以将步骤501获取的待分类图像输入至预先生成的骨干网络中,以使骨干网络对待分类图像的特征进行提取,从而得到待分类图像对应的图像特征。
步骤503,对图像特征进行分类,得到分类结果。
在本实施例中,上述执行主体可以对步骤502得到的图像特征进行分类,从而得到最终的分类结果。具体地,上诉执行主体可以基于骨干网络提取的各个维度的图像特征,来为每个维度的图像特征分配一个分类标签,并基于各个分类标签得到最终的分类结果。
本公开实施例提供的图像分类方法,首先获取待分类图像;然后利用预先训练的骨干网络提取待分类图像的特征,得到图像特征;最后对图像特征进行分类,得到分类结果。本实施例中的图像分类方法,该方法采用预先生成的骨干网络对待分类图像的特征进行提取,提升了提取特征的速度以及准确度,进而提升了最终的分类结果的准确度。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种骨干网络的生成装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的骨干网络的生成装置600包括:第一获取模块601、训练模块602、确定模块603和得到模块604。其中,第一获取模块601,被配置成获取训练图像集、推理图像集以及初始骨干网络集合;训练模块602,被配置成针对初始骨干网络集合中的每个初始骨干网络,利用训练图像集与推理图像集对初始骨干网络进行训练和推理,得到训练完成的骨干网络在推理过程中的推理耗时与推理精度;确定模块603,被配置成基于各个训练完成的骨干网络在推理过程中的推理耗时与推理精度,确定基础骨干网络;得到模块604,被配置成基于基础骨干网络与预设的目标网络,得到目标骨干网络。
在本实施例中,骨干网络的生成装置600中:第一获取模块601、训练模块602、确定模块603和得到模块604的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,训练模块包括:训练子模块,被配置成利用训练图像集对初始骨干网络进行训练,得到训练完成的骨干网络;推理子模块,被配置成将训练完成的骨干网络转化为推理网络,利用推理网络对推理图像集进行推理,得到推理网络在推理过程中的推理耗时和推理精度。
在本实施例的一些可选的实现方式中,确定模块包括:绘制子模块,被配置成将推理网络在推理过程中的推理耗时和推理精度绘制为二维坐标系中的点;确定子模块,被配置成从二维坐标系中的各个点中确定目标点,将目标点对应的初始骨干网络确定为基础骨干网络。
在本实施例的一些可选的实现方式中,得到模块包括:获取子模块,被配置成获取目标网络,其中,目标网络包括以下至少一项:激活函数、全连接层;得到子模块,被配置成将目标网络添加至基础骨干网络中,得到目标骨干网络。
在本实施例的一些可选的实现方式中,上述骨干网络的生成装置600还包括:更新模块,被配置成更新目标骨干网络的卷积核尺寸。
在本实施例的一些可选的实现方式中,上述骨干网络的生成装置600还包括:添加模块,被配置成将SE模块添加至目标骨干网络中预定的目标添加位置,得到最终的骨干网络。
在本实施例的一些可选的实现方式中,目标添加位置通过如下步骤确定:将SE模块添加至目标骨干网络中的不同位置,得到对应的第一骨干网络集合;针对第一骨干网络集合中的每个第一骨干网络,利用第一骨干网络对推理图像集进行推理,得到第一骨干网络在推理过程中的推理耗时和推理精度;基于每个第一骨干网络在推理过程中的推理耗时和推理精度,确定目标添加位置。
在本实施例的一些可选的实现方式中,初始骨干网络集合包括至少一个初始骨干网络;以及初始骨干网络通过如下步骤得到:获取各个轻量级骨干网络的网络模块,得到网络模块集合;对网络模块集合中的网络模块进行随机组合,得到初始骨干网络。
进一步参考图7,作为对上述各图所示方法的实现,本公开提供了一种图像分类装置的一个实施例,该装置实施例与图5所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的图像分类装置700包括:第二获取模块701、提取模块702和分类模块703。其中,第二获取模块701,被配置成获取待分类图像;提取模块702,被配置成利用预先生成的骨干网络提取待分类图像的特征,得到图像特征;分类模块703,被配置成对图像特征进行分类,得到分类结果。
在本实施例中,图像分类装置700中:第二获取模块701、提取模块702和分类模块703的具体处理及其所带来的技术效果可分别参考图5对应实施例中的步骤501-503的相关说明,在此不再赘述。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如骨干网络的生成方法或图像分类方法。例如,在一些实施例中,骨干网络的生成方法或图像分类方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的骨干网络的生成方法或图像分类方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行骨干网络的生成方法或图像分类方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (14)
1.一种骨干网络的生成方法,包括:
获取训练图像集、推理图像集以及初始骨干网络集合;
针对所述初始骨干网络集合中的每个初始骨干网络,利用所述训练图像集与所述推理图像集对所述初始骨干网络进行训练和推理,得到训练完成的骨干网络在推理过程中的推理耗时与推理精度,包括:针对所述初始骨干网络集合中的每个初始骨干网络,利用所述训练图像集对所述初始骨干网络进行训练,得到训练完成的骨干网络;基于Intel CPU端,在推理过程中开启深度学习加速库,利用训练完成的骨干网络对所述推理图像集中的推理图像进行推理,得到训练完成的骨干网络在推理过程中的推理耗时与推理精度;
基于各个训练完成的骨干网络在推理过程中的推理耗时与推理精度,确定基础骨干网络;
基于所述基础骨干网络与预设的目标网络,得到目标骨干网络;
其中,所述基于各个训练完成的骨干网络在推理过程中的推理耗时与推理精度,确定基础骨干网络,包括:
将各个训练完成的骨干网络转化为推理网络,将各个推理网络在推理过程中的推理耗时和推理精度绘制为二维坐标系中的点,包括:将每个推理网络在推理过程中的推理耗时为二维坐标系中的点的横坐标,以推理精度为纵坐标;
从所述二维坐标系中的各个点中确定目标点,将所述目标点对应的初始骨干网络确定为基础骨干网络,包括:将所述二维坐标系中靠近左上方的点作为目标点,将所述目标点对应的初始骨干网络确定为基础骨干网络;
其中,所述基于所述基础骨干网络与预设的目标网络,得到目标骨干网络,包括:
获取目标网络,其中,所述目标网络包括以下至少一项:激活函数、全连接层,其中,所述激活函数为h-swish激活函数;
将所述目标网络添加至所述基础骨干网络中,得到目标骨干网络,包括:将所述全连接层添加至所述基础骨干网络的结尾处,得到目标骨干网络;
以及所述方法还包括:
更新所述目标骨干网络的卷积核尺寸。
2.根据权利要求1所述的方法,其中,所述利用所述训练图像集与所述推理图像集对所述初始骨干网络进行训练和推理,得到训练完成的骨干网络在推理过程中的推理耗时与推理精度,包括:
利用所述训练图像集对所述初始骨干网络进行训练,得到训练完成的骨干网络;
将所述训练完成的骨干网络转化为推理网络,利用所述推理网络对所述推理图像集进行推理,得到所述推理网络在推理过程中的推理耗时和推理精度。
3.根据权利要求1-2中任一项所述的方法,还包括:
将SE模块添加至所述目标骨干网络中预定的目标添加位置,得到最终的骨干网络。
4.根据权利要求3所述的方法,其中,所述目标添加位置通过如下步骤确定:
将SE模块添加至所述目标骨干网络中的不同位置,得到对应的第一骨干网络集合;
针对所述第一骨干网络集合中的每个第一骨干网络,利用所述第一骨干网络对所述推理图像集进行推理,得到所述第一骨干网络在推理过程中的推理耗时和推理精度;
基于每个第一骨干网络在推理过程中的推理耗时和推理精度,确定所述目标添加位置。
5.根据权利要求1所述的方法,其中,所述初始骨干网络集合包括至少一个初始骨干网络;以及
所述初始骨干网络通过如下步骤得到:
获取各个轻量级骨干网络的网络模块,得到网络模块集合;
对所述网络模块集合中的网络模块进行随机组合,得到所述初始骨干网络。
6.一种图像分类方法,包括:
获取待分类图像;
利用预先生成的骨干网络提取所述待分类图像的特征,得到图像特征,其中,所述骨干网络通过如权利要求1-5中任一项所述的方法生成;
对所述图像特征进行分类,得到分类结果。
7.一种骨干网络的生成装置,包括:
第一获取模块,被配置成获取训练图像集、推理图像集以及初始骨干网络集合;
训练模块,被配置成针对所述初始骨干网络集合中的每个初始骨干网络,利用所述训练图像集与所述推理图像集对所述初始骨干网络进行训练和推理,得到训练完成的骨干网络在推理过程中的推理耗时与推理精度,进一步被配置成:针对所述初始骨干网络集合中的每个初始骨干网络,利用所述训练图像集对所述初始骨干网络进行训练,得到训练完成的骨干网络;基于IntelCPU端,在推理过程中开启深度学习加速库,利用训练完成的骨干网络对所述推理图像集中的推理图像进行推理,得到训练完成的骨干网络在推理过程中的推理耗时与推理精度;
确定模块,被配置成基于各个训练完成的骨干网络在推理过程中的推理耗时与推理精度,确定基础骨干网络;
得到模块,被配置成基于所述基础骨干网络与预设的目标网络,得到目标骨干网络;
其中,所述确定模块包括:
绘制子模块,被配置成将各个训练完成的骨干网络转化为推理网络,将各个推理网络在推理过程中的推理耗时和推理精度绘制为二维坐标系中的点,进一步被配置成:将每个推理网络在推理过程中的推理耗时为二维坐标系中的点的横坐标,以推理精度为纵坐标;
确定子模块,被配置成从所述二维坐标系中的各个点中确定目标点,将所述目标点对应的初始骨干网络确定为基础骨干网络,进一步被配置成:将所述二维坐标系中靠近左上方的点作为目标点,将所述目标点对应的初始骨干网络确定为基础骨干网络;
其中,所述得到模块包括:
获取子模块,被配置成获取目标网络,其中,所述目标网络包括以下至少一项:激活函数、全连接层,其中,所述激活函数为h-swish激活函数;
得到子模块,被配置成将所述目标网络添加至所述基础骨干网络中,得到目标骨干网络,进一步被配置成:将所述全连接层添加至所述基础骨干网络的结尾处,得到目标骨干网络;
以及所述装置还包括:
更新模块,被配置成更新所述目标骨干网络的卷积核尺寸。
8.根据权利要求7所述的装置,其中,所述训练模块包括:
训练子模块,被配置成利用所述训练图像集对所述初始骨干网络进行训练,得到训练完成的骨干网络;
推理子模块,被配置成将所述训练完成的骨干网络转化为推理网络,利用所述推理网络对所述推理图像集进行推理,得到所述推理网络在推理过程中的推理耗时和推理精度。
9.根据权利要求7-8中任一项所述的装置,还包括:
添加模块,被配置成将SE模块添加至所述目标骨干网络中预定的目标添加位置,得到最终的骨干网络。
10.根据权利要求9所述的装置,其中,所述目标添加位置通过如下步骤确定:
将SE模块添加至所述目标骨干网络中的不同位置,得到对应的第一骨干网络集合;
针对所述第一骨干网络集合中的每个第一骨干网络,利用所述第一骨干网络对所述推理图像集进行推理,得到所述第一骨干网络在推理过程中的推理耗时和推理精度;
基于每个第一骨干网络在推理过程中的推理耗时和推理精度,确定所述目标添加位置。
11.根据权利要求7所述的装置,其中,所述初始骨干网络集合包括至少一个初始骨干网络;以及
所述初始骨干网络通过如下步骤得到:
获取各个轻量级骨干网络的网络模块,得到网络模块集合;
对所述网络模块集合中的网络模块进行随机组合,得到所述初始骨干网络。
12.一种图像分类装置,包括:
第二获取模块,被配置成获取待分类图像;
提取模块,被配置成利用预先生成的骨干网络提取所述待分类图像的特征,得到图像特征,其中,所述骨干网络通过如权利要求1-5中任一项所述的方法生成;
分类模块,被配置成对所述图像特征进行分类,得到分类结果。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111088473.8A CN113792876B (zh) | 2021-09-16 | 2021-09-16 | 骨干网络的生成方法、装置、设备以及存储介质 |
JP2022056947A JP7324891B2 (ja) | 2021-09-16 | 2022-03-30 | バックボーンネットワーク生成方法、装置、電子機器、記憶媒体およびコンピュータプログラム |
EP22165959.2A EP4095761A1 (en) | 2021-09-16 | 2022-03-31 | Method for generating backbone network, apparatus for generating backbone network, device, and storage medium |
US17/718,149 US11929871B2 (en) | 2021-09-16 | 2022-04-11 | Method for generating backbone network, apparatus for generating backbone network, device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111088473.8A CN113792876B (zh) | 2021-09-16 | 2021-09-16 | 骨干网络的生成方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113792876A CN113792876A (zh) | 2021-12-14 |
CN113792876B true CN113792876B (zh) | 2023-08-29 |
Family
ID=78878719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111088473.8A Active CN113792876B (zh) | 2021-09-16 | 2021-09-16 | 骨干网络的生成方法、装置、设备以及存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11929871B2 (zh) |
EP (1) | EP4095761A1 (zh) |
JP (1) | JP7324891B2 (zh) |
CN (1) | CN113792876B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972877B (zh) * | 2022-06-09 | 2024-08-23 | 北京百度网讯科技有限公司 | 一种图像分类模型训练方法、装置及电子设备 |
CN117036363B (zh) * | 2023-10-10 | 2024-01-30 | 国网四川省电力公司信息通信公司 | 一种基于多特征融合的遮挡绝缘子检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020081470A1 (en) * | 2018-10-15 | 2020-04-23 | Flir Commercial Systems, Inc. | Deep learning inference systems and methods for imaging systems |
CN111626349A (zh) * | 2020-05-22 | 2020-09-04 | 中国科学院空天信息创新研究院 | 一种基于深度学习的目标检测方法和系统 |
CN112308822A (zh) * | 2020-10-10 | 2021-02-02 | 杭州电子科技大学 | 基于深度卷积神经网络的椎间盘ct图像检测方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11741342B2 (en) | 2018-05-18 | 2023-08-29 | Baidu Usa Llc | Resource-efficient neural architects |
EP4049190A4 (en) * | 2019-10-25 | 2023-11-01 | Intrinsic Innovation LLC | METHOD AND SYSTEM FOR QUERY TRAINING |
CN111192294B (zh) * | 2019-12-30 | 2022-04-22 | 华中科技大学 | 一种基于目标检测的目标跟踪方法及系统 |
US20210264261A1 (en) * | 2020-02-21 | 2021-08-26 | Caci, Inc. - Federal | Systems and methods for few shot object detection |
CN111582372B (zh) * | 2020-05-09 | 2024-06-14 | 西交利物浦大学 | 图像分类方法、模型、存储介质及电子设备 |
CN111626407A (zh) * | 2020-05-22 | 2020-09-04 | 中国科学院空天信息创新研究院 | 一种深度神经网络模型快速重构方法和系统 |
CN111797983A (zh) * | 2020-05-25 | 2020-10-20 | 华为技术有限公司 | 一种神经网络构建方法以及装置 |
CN111950702A (zh) * | 2020-07-16 | 2020-11-17 | 华为技术有限公司 | 一种神经网络结构确定方法及其装置 |
CN112288772B (zh) * | 2020-10-14 | 2022-06-07 | 武汉大学 | 基于在线多特征选择的通道注意力目标跟踪方法 |
CN112446379B (zh) * | 2021-02-01 | 2021-04-20 | 清华大学 | 一种动态大场景自适应智能处理方法 |
-
2021
- 2021-09-16 CN CN202111088473.8A patent/CN113792876B/zh active Active
-
2022
- 2022-03-30 JP JP2022056947A patent/JP7324891B2/ja active Active
- 2022-03-31 EP EP22165959.2A patent/EP4095761A1/en active Pending
- 2022-04-11 US US17/718,149 patent/US11929871B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020081470A1 (en) * | 2018-10-15 | 2020-04-23 | Flir Commercial Systems, Inc. | Deep learning inference systems and methods for imaging systems |
CN111626349A (zh) * | 2020-05-22 | 2020-09-04 | 中国科学院空天信息创新研究院 | 一种基于深度学习的目标检测方法和系统 |
CN112308822A (zh) * | 2020-10-10 | 2021-02-02 | 杭州电子科技大学 | 基于深度卷积神经网络的椎间盘ct图像检测方法 |
Non-Patent Citations (1)
Title |
---|
基于注意力机制和稠密卷积的视网膜微血管分割算法;王素玉;《北京工业大学学报》;20210530;第500-507页 * |
Also Published As
Publication number | Publication date |
---|---|
JP7324891B2 (ja) | 2023-08-10 |
EP4095761A1 (en) | 2022-11-30 |
CN113792876A (zh) | 2021-12-14 |
US11929871B2 (en) | 2024-03-12 |
JP2022091919A (ja) | 2022-06-21 |
US20220247626A1 (en) | 2022-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112784778B (zh) | 生成模型并识别年龄和性别的方法、装置、设备和介质 | |
CN113378770B (zh) | 手势识别方法、装置、设备、存储介质 | |
CN113792876B (zh) | 骨干网络的生成方法、装置、设备以及存储介质 | |
CN111563541B (zh) | 图像检测模型的训练方法和装置 | |
CN115114439B (zh) | 多任务模型推理、多任务信息处理的方法和装置 | |
CN112529180B (zh) | 模型蒸馏的方法和装置 | |
CN113627536B (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN113657483A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
CN115456167B (zh) | 轻量级模型训练方法、图像处理方法、装置及电子设备 | |
CN112800919A (zh) | 一种检测目标类型视频方法、装置、设备以及存储介质 | |
CN115511779B (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN113378712A (zh) | 物体检测模型的训练方法、图像检测方法及其装置 | |
CN114186681A (zh) | 用于生成模型簇的方法、装置及计算机程序产品 | |
CN113961765B (zh) | 基于神经网络模型的搜索方法、装置、设备和介质 | |
CN112784102B (zh) | 视频检索方法、装置和电子设备 | |
CN113657596B (zh) | 训练模型和图像识别的方法和装置 | |
CN113591709B (zh) | 动作识别方法、装置、设备、介质和产品 | |
CN112560987B (zh) | 图像样本处理方法、装置、设备、存储介质和程序产品 | |
CN113361621B (zh) | 用于训练模型的方法和装置 | |
CN114882334A (zh) | 用于生成预训练模型的方法、模型训练方法及装置 | |
CN113051472B (zh) | 点击通过率预估模型的建模方法、装置、设备以及存储介质 | |
CN115965817B (zh) | 图像分类模型的训练方法、装置及电子设备 | |
CN116416500B (zh) | 图像识别模型训练方法、图像识别方法、装置及电子设备 | |
CN113657209B (zh) | 动作识别方法、装置、电子设备和存储介质 | |
CN116563665B (zh) | 目标检测模型的训练方法、目标检测方法、装置及设备 |
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 |