CN115170926A - 轻量化目标图像识别方法、装置及存储介质 - Google Patents
轻量化目标图像识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115170926A CN115170926A CN202211092464.0A CN202211092464A CN115170926A CN 115170926 A CN115170926 A CN 115170926A CN 202211092464 A CN202211092464 A CN 202211092464A CN 115170926 A CN115170926 A CN 115170926A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- training
- network model
- model
- target image
- 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
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
- G06V10/82—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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了轻量化目标图像识别方法、装置及存储介质,利用训练获得的轻量化目标图像识别网络模型识别目标图像类别、位置和/或置信度;其中模型的训练方法包括:获取目标图像样本;采用预训练获取的YOLOv6‑n神经网络模型对目标图像样本进行迁移学习;对神经网络模型进行通道剪枝,获得轻量化神经网络模型;利用自适应知识蒸馏方法获得有效知识集合,利用所述有效知识集合训练所述轻量化神经网络模型,最终获得满足要求的轻量化目标图像识别网络模型。通过通道剪枝对模型进行压缩,该方法能在模型通道剪枝训练过程中识别不重要的卷积通道并进行修剪,从而获得更为紧凑的模型,并利用自适应知识蒸馏方法提高了模型的精度。
Description
技术领域
本发明涉及一种轻量化目标图像对象识别方法及系统,属于计算机视觉技术领域。
背景技术
目标检测与识别作为计算机视觉和图像处理领域的核心研究方向,被广泛应用在航空航天、交通、医疗、工业、农业、自动驾驶等众多领域,显著地改善着人们的日常生活。随着大数据时代的到来以及GPU 算力的不断增强,深度学习在计算机视觉各领域中逐渐展露其优势,尤其是目标检测任务。目标检测主要分为静态图像目标检测和动态视频目标检测。从2014 年开始,基于深度学习的目标检测网络井喷式爆发,首先时two-stage网络,如R-CNN、Fast-RCNN、Mask-RCNN等,自2016 年Joseph 等提出You Only Look Once(YOLOv1)以来,更轻更快的one-stage目标检测网络开始进入学者们的视野,开启了单阶段目标检测网络的新纪元。
虽然目前的深度学习方法可以实现高精度目标检测,但是由于卷积神经网络的设备资源占比大,并不适合直接在移动和嵌入式设备上运行,需要昂贵的设备或通过云平台实时传输拍摄信息进行检测,成本过高。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种轻量化图像识别网络及系统,能够弥补现有的目标网络设备资源占比大,不适合直接在移动和嵌入式设备上运行等问题。为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了轻量化目标图像识别方法,包括:
利用图像采集设备采集图像;
利用训练获得的轻量化目标图像识别网络模型识别目标图像类别、位置和/或置信度;其中所述轻量化目标图像识别网络模型采用YOLOv6-n神经网络模型,训练方法包括:
获取目标图像样本;采用预训练获取的YOLOv6-n神经网络模型对目标图像样本进行迁移学习,得到能够识别目标图像类别、位置和/或置信度的YOLOv6-n神经网络模型;对YOLOv6-n神经网络模型进行通道剪枝,获得轻量化YOLOv6-n神经网络模型;
利用自适应知识蒸馏方法获得有效知识集合,利用所述有效知识集合训练所述轻量化YOLOv6-n神经网络模型,最终获得满足要求的轻量化目标图像识别网络模型。
进一步地,对YOLOv6-n神经网络模型进行通道剪枝,获得轻量化YOLOv6-n神经网络模型,包括以下步骤:
设置剪枝阈值,利用加入L1正则项后的损失函数在选定的数据集上对YOLOv6-n神经网络模型进行训练,在训练过程中对小于所设置的剪枝阈值的尺度变换参数所对应的通道进行剪枝;
训练中使用余弦退火重启动学习率,在原有训练的基础上进行不低于设定次数的迭代调整。
进一步地,利用自适应知识蒸馏方法获得有效知识集合,利用所述有效知识集合训练所述轻量化YOLOv6-n神经网络模型,包括:选取YOLOv6-s神经网络模型作为Teacher模型,所述轻量化YOLOv6-n神经网络模型作为Student模型;设置Student模型的学习参数θ和总训练轮数I;
进行I轮训练的过程中,将I轮训练平均分为I/T个学习阶段,每个阶段有T轮训练;
以Student模型和Teacher模型的最大化负交叉熵作为训练目标,表示为:
进一步地,对知识集合K进行知识有效性评价,提取有效知识集合,包括:确定知识集合K中各知识点的知识有效性,将知识有效性与设置的知识有效率ρ比较,如果大于等于知识有效率ρ,则知识点x对Student模型有效;所有对Student模型有效的知识点组成的集合就是有效知识集合。
进一步地,确定知识集合K中各知识点的知识有效性的方法如下:
计算知识点x的预测熵,并进行排序;
根据排序结果计算知识点x的相对似然概率,所述知识点的相对似然概率就作为知识点x的知识有效性,计算公式如下:
第二方面,本发明提供了轻量化目标图像识别装置,包括:
图像采集模块,用于采集图像;
轻量化目标图像识别网络模型,用于基于采集获得的图像识别目标图像类别、位置和/或置信度,其中所述轻量化目标图像识别网络模型采用YOLOv6-n神经网络模型;
预训练模块,用于获取目标图像样本;采用预训练获取的YOLOv6-n神经网络模型对目标图像样本进行迁移学习,得到能够识别目标图像类别、位置和/或置信度的YOLOv6-n神经网络模型;
剪枝模块,用于对YOLOv6-n神经网络模型进行通道剪枝,获得轻量化YOLOv6-n神经网络模型;
有效知识集合确定模块,用于利用自适应知识蒸馏方法获得有效知识集合;
再训练模块,用于利用所述有效知识集合训练所述轻量化YOLOv6-n神经网络模型,最终获得满足要求的轻量化目标图像识别网络模型。
进一步地,所述剪枝模块具体执行以下步骤:
训练中使用余弦退火重启动学习率,在原有训练的基础上进行不低于设定次数的迭代调整。
进一步地,所述有效知识集合确定模块具体执行以下步骤:
选取YOLOv6-s神经网络模型作为Teacher模型,所述轻量化YOLOv6-n神经网络模型作为Student模型;设置Student模型的学习参数θ和总训练轮数I;
进行I轮的训练的过程中,将I轮训练平均分为I/T个学习阶段,每个阶段有T轮训练;
以Student模型和Teacher模型的最大化负交叉熵作为训练目标,表示为:
确定知识集合K中各知识点的知识有效性,将知识有效性与设置的知识有效率ρ比较,如果大于等于知识有效率ρ,则知识点x对Student模型有效;所有对Student模型有效的知识点组成的集合就是有效知识集合;
确定知识集合K中各知识点的知识有效性的方法如下:
计算知识点x的预测熵,并进行排序;
根据排序结果计算知识点x的相对似然概率,所述知识点x的相对似然概率就作为知识点x的知识有效性,计算公式如下:
第三方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面任意一种可能的实施方式所提供的任一所述方法的步骤。
与现有技术相比,本发明的有益技术效果包括:
本发明提供轻量化目标图像识别方法,基于采集获得的图像,利用训练获得的轻量化目标图像识别网络模型识别目标图像类别、位置和/或置信度;其中预先训练获得的YOLOv6-n神经网络,通过通道剪枝对模型进行压缩,该方法能在模型通道剪枝训练过程中识别不重要的卷积通道并进行修剪,从而获得更为紧凑的模型,之后利用自适应知识蒸馏获得有效知识集合,利用所述有效知识集合训练所述轻量化YOLOv6-n神经网络模型,由于有效知识集合中选取的知识点对于轻量化目标图像识别效果更加有效,因此能够提升轻量化模型的检测精度,本发明提供的方法可应用在对特定应用场景进行识别等领域,能够显著提升目标识别的速度和精度;
附图说明
图1是本发明实施例二提供的轻量化目标图像识别方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一:
本发明实施例提供了轻量化目标图像识别方法,包括:
利用图像采集设备采集图像;
利用训练获得的轻量化目标图像识别网络模型识别目标图像类别、位置和/或置信度;其中所述轻量化目标图像识别网络模型采用YOLOv6-n神经网络模型,训练方法包括:
获取目标图像样本;采用预训练获取的YOLOv6-n神经网络模型对目标图像样本进行迁移学习,得到能够识别目标图像类别、位置和/或置信度的YOLOv6-n神经网络模型;
对YOLOv6-n神经网络模型进行通道剪枝,获得轻量化YOLOv6-n神经网络模型;
利用自适应知识蒸馏方法获得有效知识集合,利用所述有效知识集合训练所述轻量化YOLOv6-n神经网络模型,最终获得满足要求的轻量化目标图像识别网络模型。
本实施例中,对YOLOv6-n神经网络模型进行通道剪枝,获得轻量化YOLOv6-n神经网络模型,包括以下步骤:
训练中使用余弦退火重启动学习率,在原有训练的基础上进行不低于设定次数的迭代调整。
具体地,利用自适应知识蒸馏方法获得有效知识集合,利用所述有效知识集合训练所述轻量化YOLOv6-n神经网络模型,包括:选取YOLOv6-s神经网络模型作为Teacher模型,所述轻量化YOLOv6-n神经网络模型作为Student模型;设置Student模型的学习参数θ和总训练轮数I;
进行I轮训练的过程中,将I轮训练平均分为I/T个学习阶段,每个阶段有T轮训练;
以Student模型和Teacher模型的最大化负交叉熵作为训练目标,表示为:
确定知识集合K中各知识点的知识有效性,将知识有效性与设置的知识有效率ρ比较,如果大于等于知识有效率ρ,则知识点x对Student模型有效;所有对Student模型有效的知识点组成的集合就是有效知识集合。
确定知识集合K中各知识点的知识有效性的方法如下:
计算知识点x的预测熵,并进行排序;
根据排序结果计算知识点x的相对似然概率,所述知识点x的相对似然概率就作为知识点x的知识有效性,计算公式如下:
本实施例提供轻量化目标图像识别方法,其中轻量化目标图像识别网络模型的训练包括基于预先训练获得的YOLOv6-n神经网络,通过通道剪枝对模型进行压缩,之后利用自适应知识蒸馏获得有效知识集合,利用所述有效知识集合训练所述轻量化YOLOv6-n神经网络模型,由于有效知识集合中选取的知识点对于轻量化目标图像识别效果更加有效,因此能够提升轻量化模型的检测精度,本发明提供的方法可应用在对特定应用场景进行识别等领域,能够显著提升目标识别的速度和精度。
实施例二:
如图1所示,本实施例提供的提供了轻量化安全隐患对象识别方法,包括:
利用便携式移动终端(如手机等终端)获取现场图像;所述便携式移动终端内置轻量化目标图像识别网络模型;
将获取到的现场图像输入训练获得的轻量化目标图像识别网络模型进行安全隐患对象识别检测与识别,并进行结果输出;
进一步可选地,便携式移动终端作为系统边端,将采集的数据传输到后台云端,通过云边端一体化,云端将便携式移动终端上传的图像作为补充图片数据集,定期检测补充图片数据集,当补充图片数据集规模达到阈值,利用补充数据集对轻量化目标图像识别网络进行优化训练,将训练获得的网络优化参数下发值边端便携式移动终端使得其更新轻量化目标图像识别网络模,达到了个体终端对特定应用场景的能力提升。
在其他的实施例中,也可获取室内环境下的监控视频流,从而获取图像。
轻量化目标图像识别网络模型将图像输入主干网络进行特征提取,通过颈部网络进行特征融合,获取有效特征,输出每个预测框的类别、位置以及置信度值,通过头部网络进行非极大值抑制运算,筛选出一定区域内属于同一种类得分最大的框。
轻量化目标图像识别网络模型训练过程,包括:
步骤1:利用COCO数据集对YOLOv6-n目标检测神经网络模型进行预训练。
步骤2:针对室内场景中的目标采集现场图像样本,对图像样本进行标注,标注时采用矩形标注框;采用YOLOv6-n对标注完成后的安全隐患图像样本进行迁移学习,得到具有针对室内场景的YOLOv6-n目标检测神经网络模型。
步骤3:对YOLOv6-n目标检测神经网络模型采用通道模型剪枝,进一步压缩YOLOv6-n目标检测神经网络模型的计算量和参数量。步骤3包括:
训练中使用余弦退火重启动学习率,在原有训练的基础上进行不低于设定次数的迭代调整。
步骤4:针对经过模型剪枝后的YOLOv6-n目标检测神经网络模型采用自适应知识蒸馏方法获得有效知识集合,利用所述有效知识集合训练所述轻量化YOLOv6-n神经网络模型,最终获得满足要求的轻量化目标图像识别网络模型,进一步提升检测精度。
首先输入一个训练数据集,并定义一个预训练的Teacher模型和一个待学习的Student模型。
利用交叉熵损失来衡量Teacher模型的输出概率和Student模型的输出概率之间的距离。
Teacher模型本质上是针对训练数据集提供了一整个知识集合,表示其中的一个知识点,然后Teacher模型会将整个知识集合传递给模型,即使学生模型的学习阶段不同,但知识集在整个蒸馏过程中是固定的。
自适应知识蒸馏方法的目标是让Student模型通过训练得到参数是的以最大化Teacher模型和Student模型之间的负交叉熵最大化,并在此
基础上引入一个二值变量,所述二值变量表示第i个知识点对Student模型是否有效,而不是简单地将整个知识集传递给Student模型。自适应知识蒸馏方法的目标优化后的表达式如下:
其中为Teacher模型的分类预测输出概率值,c为类别;y(x)为二值变量,表
示知识点x对Student模型是否有效,c∈C,C表示训练数集X的类别空间, 为
Student模型针对有效知识点x的预测输出概率。
为了最大化这个目标,进一步地考虑它的下界,表达式为:
进一步地根据 Jensen 不等式推导,其中当且仅当是一个常数等式成立,此时的分布应该是:
Y表示二值变量标签y组成的集合。
去除目标优化后的表达式中的常数项并结合考虑它的下界的表达式可以得到最终的优化目标表达式如下:
上述问题的最大化可以通过期望最大化算法来实现,具体如下:
E阶段:我们采用预测熵损失作为衡量知识集中价值,给定一个知识点,它的预测熵为:
进一步对知识点对应的预测熵进行降序排序操作。然后,基于排序位置,我们推导出知识值的相对似然概率,将知识点x的相对似然概率就作为知识点x的知识有效性,其中相对似然概率表达式如下:
M阶段:在经过 E阶段之后,上述最终优化目标表达式可进一步写为:
最终,以Student模型和Teacher模型的最大化负交叉熵作为训练目标,表示为:
其中x∈X只有在y=1时才能用于蒸馏,其余参数含义同上。
在E阶段中迭代地进行知识有效性评价,在 M阶段中进行知识蒸馏。即总共I个训练 epoch 被平均分为I/N个训练阶段,每个阶段有N个 epoch。在每个阶段内,在固定知识集上进行N个时期的蒸馏,然后记录每个训练批次中的知识价值。在每个训练阶段结束时,我们从整个知识集中提取出有效的知识集合,然后将其用于M阶段的蒸馏训练。
虽然目前图像识别技术发展速度较快,但在安全隐患检测领域应用较少,本发明针对便携式移动终端(含手机)设备设计了一种经过精度优化的轻量化网络用于安全人员进行安全隐患对象识别。本发明选取YOLOv6-n为原型进行改进,首先对YOLOv6-n进行通道剪枝对模型进行压缩进一步减少其参数量和计算量;其次提出了一种自适应知识蒸馏算法来提升模型的检测精度,它通过引入蒸馏知识有效性评价来减少轻量化网络对无效知识的学习并解决由于网络参数减少带来的精度下降问题。最终构建轻量话目标图像识别网络模型,以求保证检测精度的同时适用于便携式移动终端(含手机)设备。
实施例三:
本实施例提供了本发明提供了
轻量化目标图像识别装置,包括:
预训练模型获取模块,用于获取目标图像样本;采用预训练获取的YOLOv6-n神经网络模型对目标图像样本进行迁移学习,得到能够识别目标图像类别、位置以及置信度的YOLOv6-n神经网络模型;
剪枝模块,用于对YOLOv6-n神经网络模型进行通道剪枝,获得轻量化YOLOv6-n神经网络模型;
有效知识集合确定模块,用于利用自适应知识蒸馏方法获得有效知识集合;
再训练模块,用于利用所述有效知识集合训练所述轻量化YOLOv6-n神经网络模型,最终获得满足要求的轻量化目标图像识别网络模型;
轻量化目标图像识别网络模型,用于基于采集获得的图像识别目标图像类别、位置和/或置信度。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
实施例四:
本发明实施例提供了一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据实施例一中所述的方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.轻量化目标图像识别方法,其特征在于,包括:
利用图像采集设备采集图像;
利用训练获得的轻量化目标图像识别网络模型识别目标图像类别、位置和/或置信度;其中所述轻量化目标图像识别网络模型采用YOLOv6-n神经网络模型,训练方法包括:
获取目标图像样本;采用预训练获取的YOLOv6-n神经网络模型对目标图像样本进行迁移学习,得到能够识别目标图像类别、位置和/或置信度的YOLOv6-n神经网络模型;对YOLOv6-n神经网络模型进行通道剪枝,获得轻量化YOLOv6-n神经网络模型;
利用自适应知识蒸馏方法获得有效知识集合,利用所述有效知识集合训练所述轻量化YOLOv6-n神经网络模型,最终获得满足要求的轻量化目标图像识别网络模型。
2.根据权利要求1所述的轻量化目标图像识别方法,其特征在于,对YOLOv6-n神经网络模型进行通道剪枝,获得轻量化YOLOv6-n神经网络模型,包括以下步骤:
设置剪枝阈值,利用加入L1正则项后的损失函数在选定的数据集上对YOLOv6-n神经网络模型进行训练,在训练过程中对小于所设置的剪枝阈值的尺度变换参数所对应的通道进行剪枝;
训练中使用余弦退火重启动学习率,在原有训练的基础上进行不低于设定次数的迭代调整。
3.根据权利要求1所述的轻量化目标图像识别方法,其特征在于,利用自适应知识蒸馏方法获得有效知识集合,利用所述有效知识集合训练所述轻量化YOLOv6-n神经网络模型,包括:选取YOLOv6-s神经网络模型作为Teacher模型,所述轻量化YOLOv6-n神经网络模型作为Student模型;设置Student模型的学习参数θ和总训练轮数I;
进行I轮训练的过程中,将I轮训练平均分为I/T个学习阶段,每个阶段有T轮训练;
以Student模型和Teacher模型的最大化负交叉熵作为训练目标,表示为:
6.轻量化目标图像识别装置,其特征在于,包括:
图像采集模块,用于采集图像;
轻量化目标图像识别网络模型,用于基于采集获得的图像识别目标图像类别、位置和/或置信度,其中所述轻量化目标图像识别网络模型采用YOLOv6-n神经网络模型;
预训练模块,用于获取目标图像样本;采用预训练获取的YOLOv6-n神经网络模型对目标图像样本进行迁移学习,得到能够识别目标图像类别、位置和/或置信度的YOLOv6-n神经网络模型;
剪枝模块,用于对YOLOv6-n神经网络模型进行通道剪枝,获得轻量化YOLOv6-n神经网络模型;
有效知识集合确定模块,用于利用自适应知识蒸馏方法获得有效知识集合;
再训练模块,用于利用所述有效知识集合训练所述轻量化YOLOv6-n神经网络模型,最终获得满足要求的轻量化目标图像识别网络模型。
7.根据权利要求6所述的轻量化目标图像识别装置,其特征在于,所述剪枝模块具体执行以下步骤:
将YOLOv6-n神经网络模型的所有尺度变换参数作为L1正则项加入网络训练的损失函数,归一化层的输出表示如下:
训练中使用余弦退火重启动学习率,在原有训练的基础上进行不低于设定次数的迭代调整。
8.根据权利要求6所述的轻量化目标图像识别装置,其特征在于,所述有效知识集合确定模块具体执行以下步骤:
选取YOLOv6-s神经网络模型作为Teacher模型,所述轻量化YOLOv6-n神经网络模型作为Student模型;设置Student模型的学习参数θ和总训练轮数I;
进行I轮的训练的过程中,将I轮训练平均分为I/T个学习阶段,每个阶段有T轮训练;
以Student模型和Teacher模型的最大化负交叉熵作为训练目标,表示为:
确定知识集合K中各知识点的知识有效性,将知识有效性与设置的知识有效率ρ比较,如果大于等于知识有效率ρ,则知识点x对Student模型有效;所有对Student模型有效的知识点组成的集合就是有效知识集合;
确定知识集合K中各知识点的知识有效性的方法如下:
计算知识点的预测熵,并进行排序;
根据排序结果计算知识点x的相对似然概率,所述知识点x的相对似然概率就作为知识点x的知识有效性,计算公式如下:
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~5任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211092464.0A CN115170926A (zh) | 2022-09-08 | 2022-09-08 | 轻量化目标图像识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211092464.0A CN115170926A (zh) | 2022-09-08 | 2022-09-08 | 轻量化目标图像识别方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115170926A true CN115170926A (zh) | 2022-10-11 |
Family
ID=83481896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211092464.0A Pending CN115170926A (zh) | 2022-09-08 | 2022-09-08 | 轻量化目标图像识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115170926A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116935363A (zh) * | 2023-07-04 | 2023-10-24 | 东莞市微振科技有限公司 | 刀具识别方法、装置、电子设备及可读存储介质 |
CN116994309A (zh) * | 2023-05-06 | 2023-11-03 | 浙江大学 | 一种公平性感知的人脸识别模型剪枝方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105122279A (zh) * | 2013-03-06 | 2015-12-02 | 微软技术许可有限责任公司 | 在识别系统中保守地适配深度神经网络 |
CN111882040A (zh) * | 2020-07-30 | 2020-11-03 | 中原工学院 | 基于通道数量搜索的卷积神经网络压缩方法 |
-
2022
- 2022-09-08 CN CN202211092464.0A patent/CN115170926A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105122279A (zh) * | 2013-03-06 | 2015-12-02 | 微软技术许可有限责任公司 | 在识别系统中保守地适配深度神经网络 |
CN111882040A (zh) * | 2020-07-30 | 2020-11-03 | 中原工学院 | 基于通道数量搜索的卷积神经网络压缩方法 |
Non-Patent Citations (2)
Title |
---|
丁刘辉: "在感知和运动不确定条件下的安全自动驾驶系统方案研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
邱春等: "基于模型剪枝和知识蒸馏的船舶目标检测方法", 《南京工程学院学报( 自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116994309A (zh) * | 2023-05-06 | 2023-11-03 | 浙江大学 | 一种公平性感知的人脸识别模型剪枝方法 |
CN116994309B (zh) * | 2023-05-06 | 2024-04-09 | 浙江大学 | 一种公平性感知的人脸识别模型剪枝方法 |
CN116935363A (zh) * | 2023-07-04 | 2023-10-24 | 东莞市微振科技有限公司 | 刀具识别方法、装置、电子设备及可读存储介质 |
CN116935363B (zh) * | 2023-07-04 | 2024-02-23 | 东莞市微振科技有限公司 | 刀具识别方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126258B (zh) | 图像识别方法及相关装置 | |
CN108133188B (zh) | 一种基于运动历史图像与卷积神经网络的行为识别方法 | |
CN109359559B (zh) | 一种基于动态遮挡样本的行人再识别方法 | |
CN115170926A (zh) | 轻量化目标图像识别方法、装置及存储介质 | |
CN111507378A (zh) | 训练图像处理模型的方法和装置 | |
CN112949673A (zh) | 一种基于全局注意力的特征融合目标检测与识别方法 | |
JP7239853B2 (ja) | 学習用データ作成装置、学習用モデル作成システム、学習用データ作成方法、及びプログラム | |
CN112183153A (zh) | 一种基于视频分析的对象行为检测方法及装置 | |
CN110222718B (zh) | 图像处理的方法及装置 | |
CN110909672A (zh) | 一种基于双流卷积神经网络和svm的抽烟动作识别方法 | |
CN113761259A (zh) | 一种图像处理方法、装置以及计算机设备 | |
CN111368634B (zh) | 基于神经网络的人头检测方法、系统及存储介质 | |
CN112381763A (zh) | 一种表面缺陷检测方法 | |
CN111738403A (zh) | 一种神经网络的优化方法及相关设备 | |
CN111738074B (zh) | 基于弱监督学习的行人属性识别方法、系统及装置 | |
CN115713715A (zh) | 一种基于深度学习的人体行为识别方法及识别系统 | |
CN107545281B (zh) | 一种基于深度学习的单一有害气体红外图像分类识别方法 | |
CN104778699A (zh) | 一种自适应对象特征的跟踪方法 | |
CN111144220B (zh) | 适于大数据的人员检测方法、装置、设备和介质 | |
CN117689928A (zh) | 一种改进yolov5的无人机检测方法 | |
CN116889933A (zh) | 含钒石煤矿的富集选矿方法 | |
CN116644798A (zh) | 基于多教师的知识蒸馏方法、装置、设备及存储介质 | |
CN111723742A (zh) | 一种人群密度分析方法、系统、装置及计算机可读存储介质 | |
CN116311472A (zh) | 基于多层次图卷积网络的微表情识别方法及装置 | |
CN115565146A (zh) | 基于自编码器获取鸟瞰图特征的感知模型训练方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221011 |