CN114898152B - 嵌入式弹性自扩展通用学习系统 - Google Patents

嵌入式弹性自扩展通用学习系统 Download PDF

Info

Publication number
CN114898152B
CN114898152B CN202210524311.2A CN202210524311A CN114898152B CN 114898152 B CN114898152 B CN 114898152B CN 202210524311 A CN202210524311 A CN 202210524311A CN 114898152 B CN114898152 B CN 114898152B
Authority
CN
China
Prior art keywords
model
embedded
self
adaptation
algorithm
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
Application number
CN202210524311.2A
Other languages
English (en)
Other versions
CN114898152A (zh
Inventor
殷光强
李超
谢如芳
李振慧
米尔卡米力江·亚森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210524311.2A priority Critical patent/CN114898152B/zh
Publication of CN114898152A publication Critical patent/CN114898152A/zh
Application granted granted Critical
Publication of CN114898152B publication Critical patent/CN114898152B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像识别技术领域，特别是涉及嵌入式弹性自扩展通用学习系统，包括嵌入式弹性调度学习框架和嵌入式多方位自适配框架；所述嵌入式弹性调度学习框架包含若干不同种原生网络模型，构建了训练原生网络算法的环境，框架内置弹性调度判断方法，用于决定原生网络模型进行样本训练或是过拟合测试，最终衍生为专有化模型；所述嵌入式多方位自适配框架将嵌入式弹性调度学习框架衍生的专有化模型，对其进行参数分析与场景自适配，生成场景专用化模型；所述场景自适配包括模型适配、外设参数适配和传输数据量适配。通过本通用学习系统，能有效解决嵌入式环境下算法难以适配现实场景的问题。

Description

嵌入式弹性自扩展通用学习系统
技术领域
本发明涉及图像识别技术领域，特别是涉及嵌入式弹性自扩展通用学习系统。
背景技术
目前已有一些关于嵌入式图像识别网络训练的研究，主要集中于图像识别网络的轻量化。现在国内外的嵌入式都是基于某种特定的算法来实现某种需求。近年来，研究人员专门为嵌入式平台设计了许多轻量化级的卷积神经网络，但是，这些训练框架并没有针对嵌入式平台的硬件计算资源进行专门的优化，导致其部署后运行效率低下。还有一些通过优化模型代码的编译过程来实现基于端的方法，这些方法虽然通用性会强一些，但是其推理性能不如嵌入式部署框架。因此思考利用嵌入式平台提高图像识别效率的方法，但是，关于嵌入式平台有调度思想的算法研究仍是空白，且计算量大，单独在嵌入式平台上难以实现。对于嵌入式图像识别网络自适配框架研究，昆明理工大学的研究者在2021年做了一种面向轻量型卷积神经网络的嵌入式图像识别系统，中国电子科技集团公司做了面向嵌入式的高实时微小目标跟踪监测方法，韩国仁川仁哈大学电子工程系的Kim等人研究了基于GPU的嵌入式边缘服务器配置和卸载为一个神经网络服务，并提出了一种pod分配方法。以上所述均为在在嵌入式上搭建系统或者神经网络都是为了解决某类的需求，但各种方法都是独立研究并有各自的缺陷。
基于嵌入式平台的图像识别当前面临几个瓶颈：嵌入式环境对算法的接受度不足，现有成熟图像识别算法的衍生优化大多在PC平台上完成，嵌入式平台难以独立承担算法自生成、自成长任务；嵌入式环境下算法模型训练效率不理想，难以与x86平台环境相比；嵌入式环境下算法难以适配现实场景。
发明内容
为解决上述技术问题，本发明提出了嵌入式弹性自扩展通用学习系统，能有效解决嵌入式环境下算法难以适配现实场景的问题。
本发明是通过采用下述技术方案实现的：
嵌入式弹性自扩展通用学习系统，其特征在于：包括嵌入式弹性调度学习框架和嵌入式多方位自适配框架；所述嵌入式弹性调度学习框架包含若干不同种原生网络模型，构建了训练原生网络算法的环境，嵌入式弹性调度学习框架内置弹性调度判断方法，用于决定原生网络模型进行样本训练或过拟合测试，最终衍生为专有化模型；所述嵌入式多方位自适配框架利用嵌入式弹性调度学习框架衍生的专有化模型，对其进行参数分析与场景自适配，生成场景专用化模型；所述场景自适配包括模型适配、外设参数适配和传输数据量适配。
所述弹性调度判断方法具体包括以下步骤：
S11.收集样本；
S12.根据样本的数量以及环境进行弹性调度，判断是应该执行训练还是执行预测；
S13.若判断为训练，则根据样本进行原生网络模型的训练，更新网络模型，然后重复步骤S11和步骤S12的操作；若判断为预测，则将收集到的样本均分为若干组，然后分别将这些组样本放到原生网络模型中去识别，分别统计每组所有的样本被原生网络模型识别之后的结果，即统计每组的分类错误率；
S14.对步骤S13中的结果进行如下判断：如果所有组中的最低分类错误率不超过10％，就不启动衍生算法并重复从步骤S11开始执行，否则启动衍生算法进行优化；最终生成若干专有化模型，所述专有化模型包括经过衍生算法优化后的原生网络模型和不需要经过衍生算法优化的原生网络模型。
所述步骤S14中，统计每组的分类错误率，并将分类正确的图片删除，然后继续补充样本；循环此阶段，直到每组的错误率都不超过10％。
所述步骤S12中，根据样本的数量以及环境进行弹性调度具体指：根据样本采集的频率与数量以及当前场景的检测，计算其资源利用率Ui：Ui＝ci/Ti，其中，ci为任务执行的实际时间，Ti为任务实际执行周期；将该资源利用率Ui与预设的任务利用率额定值Ud进行比较，若Ui>Ud，则判定为训练，否则判定为预测。
所述模型适配具体包括：图像采集与预处理，将这些预处理的图片经过专有化模型，通过对模型结果的统计与分析，判断是否选用专有化模型中的最好的模型或者对专有化模型进行衍生，得到最合适的算法模型；其中，若得到的结果正样本的比例小于阈值，即开启衍生算法对该类图像进行训练，将利用含有场景参数的适配文件标记此衍生算法。
所述外设参数适配具体指：
S21.针对目标的朝向和远近参数，使用得到的最合适的算法模型进行预测；
S22.设定预测准确率阈值，调节外设参数，通过最合适的算法模型得到外设参数的预测准确率，判断该模型的预测准确率是否达到预设的阈值，若是，直接输出该模型，若否，则再次进行模型衍生。
所述传输数据量适配具体指：在数据传输时，对图像中目标的位置经常出现的区域进行统计，之后对图像小概率出现目标地位置进行裁剪，调节外设传输的参数。
弹性调度之前还包括对原生网络模型进行压缩处理。
与现有技术相比，本发明的有益效果表现在：
1、本发明的通用学习系统，具有弹性调度能力，能对框架内的模型进行高效率的任务分配，为衍生算法的形成提供支撑环境，将两种框架结合构成嵌入式弹性自扩展通用学习系统，使得该架构能在保持通用性的同时，最大程度地利用计算资源，且能对算法模型作进一步的适配与优化，最后构建过拟合、专用化的图像识别模型。
2、本发明针对学习框架内的模型任务分配的效率问题，构建嵌入式弹性调度学习框架，嵌入式弹性调度学习框架构建了训练原生网络算法的环境，嵌入式弹性调度学习框架内置弹性调度判断方法，可最大效率地决定模型进行样本训练或是过拟合测试。
3、本发明具备自成长和自衍生图像识别算法，探寻环境自适应图像识别算法自衍生方法，在原生算法的基础上衍生自适应环境的新算法，最终实现精度较高的分类算法组。
4、本发明中，通过场景自适配，能从各方面出发来优化整个系统效果，解决现今嵌入式智能设备精确度不高、数据交互迟缓等问题。
5、本发明保证到每组的错误率都小于10％，能防止自然环境的影响造成的识别误差，而错误率都大于10％，说明模型已经落后，需要改进模型以适应更深的文件库以及环境的影响。
附图说明
下面将结合说明书附图和具体实施方式对本发明作进一步的详细说明，其中：
图1为本发明的外部结构示意图；
图2为本发明中弹性调度的流程示意图；
图3为本发明中模型适配的流程示意图；
图4为本发明中外设参数适配的流程示意图。
具体实施方式
实施例1
作为本发明基本实施方式，本发明包括嵌入式弹性自扩展通用学习系统，包括嵌入式弹性调度学习框架和嵌入式多方位自适配框架。所述嵌入式弹性调度学习框架包含若干不同种原生网络模型，且构建了训练原生网络算法的环境，嵌入式弹性调度学习框架内置弹性调度判断方法，可最大效率地决定原生网络模型进行样本训练或是过拟合测试，最终衍生为专有化模型。
所述嵌入式多方位自适配框架将嵌入式弹性调度学习框架衍生的专有化模型，对其进行参数分析与场景自适配，生成场景专用化模型，再利用该场景专用化模型进行图像识别即可。所述场景自适配包括模型适配、外设参数适配和传输数据量适配。
实施例2
作为本发明一较佳实施方式，本发明包括嵌入式弹性自扩展通用学习系统，包括嵌入式弹性调度学习框架和嵌入式多方位自适配框架。所述嵌入式弹性调度学习框架包含若干不同种原生网络模型，构建了训练原生网络算法的环境，嵌入式弹性调度学习框架内置弹性调度判断方法，决定原生网络模型进行样本训练或是过拟合测试，最终衍生为专有化模型。其中，弹性调度判断方法具体可以包括以下步骤：
S11.收集样本。
S12.根据样本的数量以及环境进行弹性调度，判断是应该执行训练还是执行预测。
S13.若判断为训练，则根据样本进行原生网络模型的训练，更新网络模型，然后重复步骤S11和步骤S12的操作；若判断为预测，则将收集到的样本均分为若干组，然后分别将这些组样本放到原生网络模型中去识别，分别统计每组所有的样本被原生网络模型识别之后的结果，即统计每组的分类错误率。
S14.对步骤S13中的结果进行如下判断：如果组中所有组中的最低分类错误率不超过10％，就不启动衍生算法并重复从步骤S11开始执行，否则启动衍生算法进行优化；最终生成若干专有化模型，所述专有化模型包括经过衍生算法优化后的原生网络模型和不需要经过衍生算法优化的原生网络模型。
所述嵌入式多方位自适配框架将嵌入式弹性调度学习框架衍生的专有化模型，对其进行参数分析与场景自适配，生成场景专用化模型。所述场景自适配包括模型适配、外设参数适配和传输数据量适配。
实施例3
作为本发明另一较佳实施方式，本发明包括嵌入式弹性自扩展通用学习系统，包括嵌入式弹性调度学习框架和嵌入式多方位自适配框架。所述嵌入式弹性调度学习框架包含若干不同种原生网络模型，构建了训练原生网络算法的环境，框架内置弹性调度判断方法，决定原生网络模型进行样本训练或是过拟合测试，最终衍生为专有化模型。
所述嵌入式多方位自适配框架将嵌入式弹性调度学习框架衍生的专有化模型，对其进行参数分析与场景自适配，生成场景专用化模型；所述场景自适配包括模型适配、外设参数适配和传输数据量适配。
所述模型适配具体包括：图像采集与预处理，将这些预处理的图片经过专有化模型，通过对模型结果的统计与分析，判断是否选用专有化模型中的最好的模型或者对专有化模型进行衍生，得到的最合适的算法模型。其中，判断是否进行衍生的标准为：若得到的结果正样本的比例小于阈值，即开启衍生算法对该类图像进行训练，将利用含有场景参数的适配文件标记此衍生算法。
所述外设参数适配具体指：
S21.针对目标的朝向和远近参数，使用得到的最合适的算法模型进行预测；
S22.设定预测准确率阈值，调节外设参数，通过最合适的算法模型得到外设参数的预测准确率，判断该模型的预测准确率是否达到预设的阈值，若是，直接输出该模型，若否，则再次进行模型衍生。
所述传输数据量适配具体指：在数据传输时，对图像中目标的位置经常出现的区域进行统计，之后对图像小概率出现目标地位置进行裁剪，调节外设传输的参数。
实施例4
作为本发明最佳实施方式，本发明包括嵌入式弹性自扩展通用学习系统，参照说明书附图1，包括嵌入式弹性调度学习框架和嵌入式多方位自适配框架。所述嵌入式弹性调度学习框架包含若干不同种原生网络模型，构建了训练原生网络算法的环境，嵌入式弹性调度学习框架内置弹性调度判断方法，可最大效率地决定原生网络模型进行样本训练或是过拟合测试，最终衍生为专有化模型。所述嵌入式多方位自适配框架将嵌入式弹性调度学习框架衍生的专有化模型，对其进行参数分析与场景自适配，生成场景专用化模型。最后，利用该场景专用化模型完成图像识别工作。其中，可以基于仿真、测试结果等进一步优化该场景专用化模型，再进行图像识别。
目前神经网络的发展和嵌入式硬件资源的限制使得现有嵌入式系统不能支持很大的网络模型。为了解决上述问题，本发明设置有嵌入式弹性调度学习框架，首先实现模型资源合理调度和模型压缩，然后进行模型训练和识别。根据多组样本识别结果的判别对比，去判断是否需要自启动衍生算法。
深度神经网络的模型压缩技术有利于减少模型内存占用、计算量和降低功耗等问题，一方面可以提高模型的运行效率，有利于云计算等对速度要求较高的平台的运行，另一方面有利于将模型部署到嵌入式系统。本实施例对模型的压缩包含两个部分：剪枝与知识蒸馏。
首先对参数进行剪枝，将不重要的权值去除，减少神经网络层之间的连接数量，减少计算中涉及的参数，以达到压缩模型的作用。但是这样可能会带来准确率的降低，所以还要进行模型紧凑，对模型微调以恢复性能。
然后进行知识蒸馏。知识蒸馏的目的是将一个高精度且笨重的教师网络用来指导一个更加紧凑的学生网络。具体思路是：提高教师网络模型softmax层的温度参数来获得一个合适的软目标(soft-target)集合，具体如下：
Figure GDA0004117148750000061
其中T是温度，Zi为softmax层输出的分类类别概率，qi为软目标输出。当温度T趋向于0时，softmax输出将收敛为一个one-hot向量，温度T趋向于无穷时，softmax的输出则更“软”。因此，在训练新模型的时候，可以使用较高的T使得softmax产生的分布足够软，这时让新模型的softmax输出近似原模型；在训练结束以后再使用正常的温度T＝1来预测。具体地，在训练时我们需要最小化两个分布的交叉熵(Cross-entropy)，记新模型利用以下公式产生的分布是q，原模型产生的分布是p，则只需要最小化：
C＝-pT logq
在对模型进行结构压缩，性能优化等操作后就可以在嵌入式中进行训练。
通过弹性调度判断方法，决定原生网络模型进行样本训练或是过拟合测试，参照说明书附图2，具体可以为：
S11.收集样本。每秒截取25帧图像，截取有效人脸图片，并根据时间统计数据频率。
S12.根据样本的数量以及环境进行弹性调度，判断是应该执行训练还是执行预测。具体为：将收集样本的数据分为一个三元组Γi(ci,Ti,ei)表示。其中，ci为任务执行的实际时间，Ti为任务实际执行周期，ei为表示任务的重要性。再根据样本采集的频率与数量以及当前场景的检测，计算其资源利用率Ui：Ui＝ci/Ti。将该资源利用率Ui与预设的任务利用率额定值Ud进行比较，若Ui>Ud，则判定为训练，否则判定为预测。其中，任务利用率额定值Ud为已有模型的任务利用率之和，表示系统所能接受的最大系统资源利用率。
S13.若判断为训练，则根据样本进行原生网络模型的训练，更新网络模型，然后重复步骤S11和步骤S12的操作。若判断为预测，则将收集到的样本均分为若干组，然后分别将这些组样本放到原生网络模型中去识别，分别统计每组所有的样本被原生网络模型识别之后的结果，即统计每组的分类错误率。
S14.对步骤S13中的结果进行如下判断：如果组中所有组中的最低分类错误率不超过10％，即准确率不小于90％，就不启动衍生算法，将分类正确的图片删除，并重复从步骤S11开始执行，继续补充样本。若组中所有组中的识别最低错误率超过10％，即准确率小于90％，则启动衍生算法进行优化。其中，让所有错误率都低于10％的原因为：防止自然环境的影响造成的识别误差。当所有的都不低于10％说明模型已经落后，需要改进模型以适应更深的文件库以及环境的影响。
其中，衍生算法可以为Adagrad算法，它是一种自适应的梯度下降方法。即在梯度下降法中，参数的更新量等于梯度乘以学习率，也就是说，更新量和梯度是正相关的；而在实际应用中，每个参数的梯度各有不同，有的梯度大，有的梯度比较小，那么就有可能遇到参数优化不均衡的情况。
参数优化不均衡对模型训练来说不是件好事，这意味着不同的参数更新适用于不同的学习率。而Adagrad的自适应算法也正是要解决这个问题。算法希望不同参数的更新量能够比较均衡。对于已经更新比较多的参数，它的更新量要适当衰减，而更新比较少的参数，它的更新量要尽量多一些，它的参数更新公式如下：
Figure GDA0004117148750000081
其中ε的取值一般比较小，它只是为了防止分母为0。
从公式和代码中可以发现，算法积累了历史的梯度值的和，并用这个加和来调整每个参数的更新量——对于之前更新量大的参数，分母也会比较大，于是未来它的更新量会比较小；对于之前更新量小的参数，分母也相对小一些，于是未来它的更新量会相对大一些。
最终生成若干专有化模型，所述专有化模型包括经过衍生算法优化后的原生网络模型和不需要经过衍生算法优化的原生网络模型。
其中，所述场景自适配依次包括模型适配、外设参数适配和传输数据量适配。算法模型适配，选取复杂实际问题中最适合的算法模型；外设参数自适配，该技术通过调节外设参数，如摄像机参数，以实现识别效果优化。传输自适配，通过减少传输数据冗余，以减轻嵌入式设备的负担。该技术从各方面出发来优化整个系统效果，解决现今嵌入式智能设备精确度不高、数据交互迟缓等问题。
更为具体的，参照说明书附图3，所述模型适配具体包括：每隔一段时间，采集一系列图像，对图像做预处理；然后将这些预处理的图片经过专有化模型，通过对模型结果的统计与分析，判断是否选用专有化模型中的最好的模型或者对专有化模型进行衍生，得到的最合适的算法模型。设置一个阈值，当对这些采集图像进行识别后，若得到的结果正样本的比例小于阈值，即模型识别效果未达到预期值，开启衍生算法对该类图像进行训练以达到更好的效果。然后将利用含有场景参数的适配文件标记此衍生算法，实现模型与实际环境的自适应匹配和分析。若得到的结果正样本的比例大于阈值，即模型识别效果达到预期值，即标记该网络，进行自适应即可。
参照说明书附图4，所述外设参数适配具体可以对外设如摄像机的参数进行调节，通过捕捉更精确的目标从而增强图像效果，进而提高模型效果。具体可以指：
S21.针对目标的朝向和远近参数，使用得到的最合适的算法模型进行预测。其中，需要明确的是目标的朝向和远近问题，然后可进行对目标朝向、远近的识别训练。对此种训练，不需要指定目标的类型，因为只需要目标的朝向和远近参数。
S22.设定预测准确率阈值，调节外设参数，通过最合适的算法模型得到外设参数的预测准确率，判断该模型的预测准确率是否达到预设的阈值，即是否达到预期值，若是，直接输出该模型，若否，则再次进行模型衍生。通过进行图像的矫正运算、外设参数的改变来得到更清晰的目标图像。
如果对任何模型，改变外设参数都得不到较好的效果，就要将设置主动权移交给模型自适配方法去实现效果的增强。另外所述传输数据量适配具体指：在数据传输时，对图像中目标的位置经常出现的区域进行统计，之后对图像小概率出现目标地位置进行裁剪，调节外设传输的参数，就可以减少大量的数据传输，极大地提高嵌入式设备的运行能力。
综上所述，本领域的普通技术人员阅读本发明文件后，根据本发明的技术方案和技术构思无需创造性脑力劳动而作出的其他各种相应的变换方案，均属于本发明所保护的范围。

Claims (6)

1.嵌入式弹性自扩展通用学习系统，其特征在于：包括嵌入式弹性调度学习框架和嵌入式多方位自适配框架；所述嵌入式弹性调度学习框架包含若干不同种原生网络模型，构建了训练原生网络算法的环境，嵌入式弹性调度学习框架内置弹性调度判断方法，用于决定原生网络模型进行样本训练或过拟合测试，最终衍生为专有化模型；所述嵌入式多方位自适配框架利用嵌入式弹性调度学习框架衍生的专有化模型，对其进行参数分析与场景自适配，生成场景专用化模型；所述场景自适配包括模型适配、外设参数适配和传输数据量适配；
所述弹性调度判断方法具体包括以下步骤：
S11.收集图像样本；
S12.根据样本的数量以及环境进行弹性调度，判断是应该执行训练还是执行预测；
S13.若判断为训练，则根据样本进行原生网络模型的训练，更新网络模型，然后重复步骤S11和步骤S12的操作；若判断为预测，则将收集到的样本均分为若干组，然后分别将这些组样本放到原生网络模型中去识别，分别统计每组所有的样本被原生网络模型识别之后的结果，即统计每组的分类错误率；
S14.对步骤S13中的结果进行如下判断：如果所有组中的最低分类错误率不超过10％，就不启动衍生算法并重复从步骤S11开始执行，否则启动衍生算法进行优化；最终生成若干专有化模型，所述专有化模型包括经过衍生算法优化后的原生网络模型和不需要经过衍生算法优化的原生网络模型；
所述步骤S12中，根据样本的数量以及环境进行弹性调度具体指：根据样本采集的频率与数量以及当前场景的检测，计算其资源利用率Ui：Ui＝ci/Ti，其中，ci为任务执行的实际时间，Ti为任务实际执行周期；将该资源利用率Ui与预设的任务利用率额定值Ud进行比较，若Ui>Ud，则判定为训练，否则判定为预测。
2.根据权利要求1所述的嵌入式弹性自扩展通用学习系统，其特征在于：所述步骤S14中，统计每组的分类错误率，并将分类正确的图片删除，然后继续补充样本；循环此阶段，直到每组的错误率都不超过10％。
3.根据权利要求1所述的嵌入式弹性自扩展通用学习系统，其特征在于：所述模型适配具体包括：图像采集与预处理，将这些预处理的图片经过专有化模型，通过对模型结果的统计与分析，判断是否选用专有化模型中的最好的模型或者对专有化模型进行衍生，得到最合适的算法模型；其中，若得到的结果正样本的比例小于阈值，即开启衍生算法对该类图像进行训练，将利用含有场景参数的适配文件标记此衍生算法。
4.根据权利要求1所述的嵌入式弹性自扩展通用学习系统，其特征在于：所述外设参数适配具体指：
S21.针对目标的朝向和远近参数，使用得到的最合适的算法模型进行预测；
S22.设定预测准确率阈值，调节外设参数，通过最合适的算法模型得到外设参数的预测准确率，判断该模型的预测准确率是否达到预设的阈值，若是，直接输出该模型，若否，则再次进行模型衍生。
5.根据权利要求1所述的嵌入式弹性自扩展通用学习系统，其特征在于：所述传输数据量适配具体指：在数据传输时，对图像中目标的位置经常出现的区域进行统计，之后对图像小概率出现目标地位置进行裁剪，调节外设传输的参数。
6.根据权利要求1所述的嵌入式弹性自扩展通用学习系统，其特征在于：弹性调度之前还包括对原生网络模型进行压缩处理。
CN202210524311.2A 2022-05-13 2022-05-13 嵌入式弹性自扩展通用学习系统 Active CN114898152B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210524311.2A CN114898152B (zh) 2022-05-13 2022-05-13 嵌入式弹性自扩展通用学习系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210524311.2A CN114898152B (zh) 2022-05-13 2022-05-13 嵌入式弹性自扩展通用学习系统

Publications (2)

Publication Number Publication Date
CN114898152A CN114898152A (zh) 2022-08-12
CN114898152B true CN114898152B (zh) 2023-05-30

Family

ID=82722539

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210524311.2A Active CN114898152B (zh) 2022-05-13 2022-05-13 嵌入式弹性自扩展通用学习系统

Country Status (1)

Country Link
CN (1) CN114898152B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929577A (zh) * 2019-10-23 2020-03-27 桂林电子科技大学 一种基于YOLOv3的轻量级框架改进的目标识别方法
CN111144938A (zh) * 2019-12-20 2020-05-12 上海数策软件股份有限公司 适用于汽车行业的销售线索评级的方法和系统
CN112019475A (zh) * 2019-05-28 2020-12-01 阿里巴巴集团控股有限公司 无服务器架构下的资源访问方法、设备、系统及存储介质
CN112149512A (zh) * 2020-08-28 2020-12-29 成都飞机工业（集团）有限责任公司 一种基于两阶段深度学习的安全帽佩戴识别方法
CN112163628A (zh) * 2020-10-10 2021-01-01 北京航空航天大学 一种适用于嵌入式设备的改进目标实时识别网络结构的方法
US11281975B1 (en) * 2019-09-24 2022-03-22 PerceptiLabs AB Creating and modifying machine learning models in a model training engine

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107818326B (zh) * 2017-12-11 2018-07-20 珠海大横琴科技发展有限公司 一种基于场景多维特征的船只检测方法及系统
GB2577853B (en) * 2018-06-22 2021-03-24 Moixa Energy Holdings Ltd Systems for machine learning, optimising and managing local multi-asset flexibility of distributed energy storage resources
CN109859158A (zh) * 2018-11-27 2019-06-07 邦鼓思电子科技（上海）有限公司 一种基于视觉的工作区域边界的检测系统、方法及机器设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112019475A (zh) * 2019-05-28 2020-12-01 阿里巴巴集团控股有限公司 无服务器架构下的资源访问方法、设备、系统及存储介质
WO2020238751A1 (zh) * 2019-05-28 2020-12-03 阿里巴巴集团控股有限公司 无服务器架构下的资源访问方法、设备、系统及存储介质
US11281975B1 (en) * 2019-09-24 2022-03-22 PerceptiLabs AB Creating and modifying machine learning models in a model training engine
CN110929577A (zh) * 2019-10-23 2020-03-27 桂林电子科技大学 一种基于YOLOv3的轻量级框架改进的目标识别方法
CN111144938A (zh) * 2019-12-20 2020-05-12 上海数策软件股份有限公司 适用于汽车行业的销售线索评级的方法和系统
CN112149512A (zh) * 2020-08-28 2020-12-29 成都飞机工业（集团）有限责任公司 一种基于两阶段深度学习的安全帽佩戴识别方法
CN112163628A (zh) * 2020-10-10 2021-01-01 北京航空航天大学 一种适用于嵌入式设备的改进目标实时识别网络结构的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于ATE的嵌入式软件测试中自动脚本系统设计与实现;庞云飞;中国优秀硕士学位论文全文数据库信息科技辑(第3期);I138-2546 *
基于UCINET的创业企业社会网络演化图谱研究;刘玲;中国优秀硕士学位论文全文数据库经济与管理科学辑(第5期);J152-176 *
基于北斗RDSS的核辐射监测应急通讯方法;王廷银;林明贵;陈达;吴允平;;计算机系统应用(12);252-256 *
高仿真光敏印章盖印印文的自动识别;张倩;韩星周;;太赫兹科学与电子信息学报(01);140-145 *

Also Published As

Publication number Publication date
CN114898152A (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN110232203B (zh) 知识蒸馏优化rnn短期停电预测方法、存储介质及设备
CN111026548B (zh) 一种逆向深度强化学习的电力通信设备测试资源调度方法
CN110968426B (zh) 一种基于在线学习的边云协同k均值聚类的模型优化方法
CN110555548B (zh) 基于数据挖掘原始误差校正的ics-elm超短期风电功率预测方法
CN109947940B (zh) 文本分类方法、装置、终端及存储介质
CN114627467B (zh) 基于改进神经网络的水稻生育期识别方法及系统
CN114625506A (zh) 一种基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法
CN111198550A (zh) 基于案例推理的云端智能生产优化调度在线决策方法及系统
CN111192206A (zh) 一种提高图像清晰度的方法
CN114498619A (zh) 一种风电功率预测方法及装置
CN116226689A (zh) 一种基于高斯混合模型的配电网典型运行场景生成方法
CN110059938B (zh) 一种基于关联规则驱动的配电网规划方法
CN112561054B (zh) 一种基于批量特征热图的神经网络滤波器剪枝方法
CN114898152B (zh) 嵌入式弹性自扩展通用学习系统
CN111931990B (zh) 基于优化最小二乘支持向量机的电力负荷预测方法
CN116422452A (zh) 一种自动控制参数优化磨矿溢流粒度区间的方法
CN112766537B (zh) 一种短期电负荷预测方法
CN111126645A (zh) 一种基于数据挖掘技术和改进支持向量机的风电预测算法
CN113505804A (zh) 一种基于压缩深度神经网络的图像识别方法及系统
CN110648248A (zh) 一种发电站的控制方法、装置及设备
CN115496200B (zh) 神经网络量化模型训练方法、装置及设备
CN116778363B (zh) 一种基于联邦学习的低通信量库区水环境风险识别方法
CN112488291B (zh) 一种神经网络8比特量化压缩方法
CN117175595B (zh) 一种基于多级数据的电网调控方法及系统
CN117331705B (zh) 一种基于大数据的数据预测分析方法及系统

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