CN116229095A - 一种模型训练方法、视觉任务处理方法、装置及设备 - Google Patents

一种模型训练方法、视觉任务处理方法、装置及设备 Download PDF

Info

Publication number
CN116229095A
CN116229095A CN202211732961.2A CN202211732961A CN116229095A CN 116229095 A CN116229095 A CN 116229095A CN 202211732961 A CN202211732961 A CN 202211732961A CN 116229095 A CN116229095 A CN 116229095A
Authority
CN
China
Prior art keywords
specified
visual task
image
neural network
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
Application number
CN202211732961.2A
Other languages
English (en)
Inventor
尉德利
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202211732961.2A priority Critical patent/CN116229095A/zh
Publication of CN116229095A publication Critical patent/CN116229095A/zh
Pending legal-status Critical Current

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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/764—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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • 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)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (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

本公开提供了一种模型训练方法、视觉任务处理方法、装置及设备，涉及人工智能技术领域，尤其涉及深度学习、图像处理、计算机视觉技术领域。具体实现方案为：获取具有指定标签的样本图像；将样本图像输入初始的神经网络模型，以使神经网络模型利用指定特征提取层，对样本图像进行特征提取，并利用所得到的特征，生成关于指定视觉任务的处理结果；其中，指定特征提取层是基于串联的多头自注意力机制网络以及卷积网络所构成；响应于基于处理结果以及指定标签的差值，确定神经网络模型未收敛，调整神经网络模型的参数。可见，通过本方案，可以兼顾图像的全局信息和局部信息，从而提高了模型的特征表达能力，进而达到提升模型精度的效果。

Description

一种模型训练方法、视觉任务处理方法、装置及设备
技术领域
本公开涉及人工智能技术领域，尤其涉及深度学习、图像处理、计算机视觉技术领域，具体涉及一种模型训练方法、视觉任务处理方法、装置及设备。
背景技术
在计算机视觉领域，特征数据的提取在图像分类、物体检测、图像分割等多类视觉任务上发挥重要的作用。
相关技术中，通常使用CNN(Convolutional Neural Networks，卷积神经网络)模型对图像进行特征提取。
发明内容
本公开提供了一种模型训练方法、视觉任务处理方法、装置及设备。
根据本公开的一方面，提供了一种模型训练方法，包括：
获取具有指定标签的样本图像；其中，所述指定标签为关于指定视觉任务的真值；
将所述样本图像输入初始的神经网络模型，以使所述神经网络模型利用指定特征提取层，对所述样本图像进行特征提取，并利用所得到的特征，生成关于所述指定视觉任务的处理结果；其中，所述指定特征提取层是基于串联的多头自注意力机制网络以及卷积网络所构成；
响应于基于所述处理结果以及所述指定标签的差值，确定所述神经网络模型未收敛，调整所述神经网络模型的参数。
根据本公开的另一方面，提供了一种视觉任务处理方法，包括：
获取目标图像；
将所述目标图像输入预先训练的用于处理指定视觉任务的神经网络模型，得到所述目标图像对应的关于所述指定视觉任务的处理结果；
其中，所述神经网络模型包括指定特征提取层；所述指定特征提取层是基于串联的多头自注意力机制网络以及卷积网络所构成的。
根据本公开的另一方面，提供了一种模型训练装置，包括：
样本获取模块，用于获取具有指定标签的样本图像；其中，所述指定标签为关于指定视觉任务的真值；
特征处理模块，用于将所述样本图像输入初始的神经网络模型，以使所述神经网络模型利用指定特征提取层，对所述样本图像进行特征提取，并利用所得到的特征，生成关于所述指定视觉任务的处理结果；其中，所述指定特征提取层是基于串联的多头自注意力机制网络以及卷积网络所构成；
参数调整模块，用于响应于基于所述处理结果以及所述指定标签的差值，确定所述神经网络模型未收敛，调整所述神经网络模型的参数。
根据本公开的另一方面，提供了一种视觉任务处理装置，包括：
获取模块，用于获取目标图像；
处理模块，用于将所述目标图像输入预先训练的用于处理指定视觉任务的神经网络模型，得到所述目标图像对应的关于所述指定视觉任务的处理结果；其中，所述神经网络模型包括指定特征提取层；所述指定特征提取层是基于串联的多头自注意力机制网络以及卷积网络所构成的。
根据本公开的另一方面，提供了一种电子设备，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上述任一项所述的模型训练方法，或者，视觉任务处理方法。
根据本公开的另一方面，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，其中，所述计算机指令用于使所述计算机执行根据上述任一项所述的模型训练方法，或者，视觉任务处理方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述任一项所述的模型训练方法，或者，视觉任务处理方法。
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是根据本公开一种模型训练方法的流程图；
图2是根据本公开一种视觉任务处理方法的流程图；
图3是根据本公开的一种基本结构的示意图；
图4是根据本公开的一种Conv组合的结构示意图；
图5是根据本公开的一种MHSA的结构示意图；
图6是根据本公开的一种混合模型的结构示意图；
图7是根据本公开的一种视觉任务的处理过程的示意图；
图8是根据本公开一种模型训练装置的结构示意图；
图9是根据本公开一种视觉任务处理装置的结构示意图；
图10是用来实现本公开实施例的电子设备的框图。
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。
在计算机视觉领域，CNN模型是主流的视觉模型，其在众多图像分类、物体检测、图像分割和视频理解等视觉任务上表现出优异的感知能力。
相关技术中，通常使用CNN模型对图像进行特征提取。由于CNN模型建模全局视觉语义关系的能力较弱，导致模型的特征表达能力有限，从而导致视觉任务的处理效果不佳。
基于上述内容，为了提高视觉任务的处理效果，即提高视觉任务处理的准确性，本公开实施例提供了一种模型训练方法、视觉任务处理方法、装置及设备。
下面，首先对本公开实施例所提供的一种模型训练方法进行介绍。
本公开实施例所提供的一种模型训练方法可以应用于大模型等场景。具体而言，该模型训练方法可以应用于各类电子设备，例如，个人电脑、服务器、以及其他具有数据处理能力的设备。另外，可以理解的是，本公开实施例提供的模型训练方法可以通过软件、硬件或软硬件结合的方式实现。
其中，本公开实施例所提供的一种模型训练方法，可以包括：
获取具有指定标签的样本图像；其中，所述指定标签为关于指定视觉任务的真值；
将所述样本图像输入初始的神经网络模型，以使所述神经网络模型利用指定特征提取层，对所述样本图像进行特征提取，并利用所得到的特征，生成关于所述指定视觉任务的处理结果；其中，所述指定特征提取层是基于串联的多头自注意力机制网络以及卷积网络所构成；
响应于基于所述处理结果以及所述指定标签的差值，确定所述神经网络模型未收敛，调整所述神经网络模型的参数。
本公开提供的方案中，由于用于处理指定视觉任务的神经网络模型中所包括的指定特征提取层，基于串联的多头自注意力机制网络以及卷积网络所构成，而多头自注意力机制擅长建模全局视觉语义关系，卷积网络能够捕捉图像的局部纹理细节，因此，该指定特征提取层对输入图像进行处理时可以兼顾图像的局部信息和全局信息，从而，提高了模型的特征表达能力，进而达到提升模型精度的效果。
下面结合附图，对本公开实施例所提供的模型训练方法进行介绍。
如图1所示，本公开实施例所提供的模型训练方法，可以包括步骤S101-S103：
S101，获取具有指定标签的样本图像；其中，该指定标签为关于指定视觉任务的真值；
本实施例中，该样本图像为待进行视觉任务处理的图像。在实际应用中，该样本图像可以是预先存储在电子设备的本地内存中图像，也可以是实时采集的图像。示例性的，该样本图像可以是手机上存储的实景图像也可以是用户打开手机相关功能软件实时采集到的实景图像，或者，还可以是视频中的任一视频帧图像或者关键帧图像，等等。需要说明的是，本实施例并不对样本图像的来源以及类型进行限定，也就是，任一需要进行视觉任务处理的图像，均可以作为本公开的样本图像。
另外，该样本图像具有指定标签，该指定标签为关于指定视觉任务的真值。示例性的，若指定视觉任务为分类任务，则该指定标签为该样本图像所属类别的真值。
S102，将该样本图像输入初始的神经网络模型，以使该神经网络模型利用指定特征提取层，对该样本图像进行特征提取，并利用所得到的特征，生成关于该指定视觉任务的处理结果；其中，该指定特征提取层是基于串联的多头自注意力机制网络以及卷积网络所构成；
本实施例中，该指定视觉任务可以是图像分类、物体检测、图像分割和视频理解等视觉任务中的一种。可以理解的是，在模型训练过程中，可以将样本图像输入初始的神经网络模型，以利用神经网络模型生成该样本图像对应的关于该指定视觉任务的处理结果，从而后续可以根据该模型输出的处理结果与真值之间的差值，对模型参数进行调整，从而训练出满足精度要求神经网络模型。
可以理解的是，由于卷积网络能够捕捉图像的局部纹理细节，但是对建模全局视觉语义关系的能力较弱，而多头自注意力机制擅长建模全局视觉语义关系，但对图像的局部纹理信息处理能力较弱，因此，基于串联的多头自注意力机制网络以及卷积网络所构成的指定特征提取层，可以兼顾图像的局部信息和全局信息。从而，提高了模型的特征表达能力，使得所提取出的特征数据在进行与该指定视觉任务相匹配的处理时，可以得到精度更高的处理结果。并且，该多头自注意力机制网络以及卷积网络只需简单的串联，模型结构简单。在串联时，多头自注意力机制网络可以连接在卷积网络之前。
需要说明的是，多头自注意力机制网络中包括多个单头注意力机制网络，每一单头注意力机制网络由一系列操作组成：输入特征分别经过3个线性投影得到Query(查询)、Key(键)和Value(值)。Query和Key做Scaled Dot-Product Attention(带缩放的点积注意力机制)计算，得到自相关矩阵A，自相关矩阵A与Value做线性加权得到聚合特征，该聚合特征作为该单头注意力机制网络的输出。可以理解的是，多头自注意力机制网络通过多组不同的线性投影来变换查询、键和值。然后，这多组变换后的查询、键和值将并行地进行计算获得输出，并将该多个输出拼接在一起，通过另一个线性投影进行变换，以产生最终输出。需要说明的是，本公开实施例并不对该多头自注意力机制网络中所包含的单头注意力机制网络的数量进行限定，一般地，该数量可以取值为12。另外，卷积网络可以由一组或多组卷积串联组成，本公开实施例对该卷积的数量并不限定。
S103，响应于基于该处理结果以及该指定标签的差值，确定该神经网络模型未收敛，调整该神经网络模型的参数。
可以理解的是，该处理结果以及指定标签的差值，为模型的损失值，若基于模型的损失值确定该神经网络模型未收敛，则可以调整该神经网络模型的参数，并继续对模型进行训练，直到模型收敛。示例性的，在实际应用中，可以通过最小化损失值的反向传播，更新神经网络模型的参数。
本公开提供的方案中，由于用于处理指定视觉任务的神经网络模型中所包括的指定特征提取层，基于串联的多头自注意力机制网络以及卷积网络所构成，而多头自注意力机制擅长建模全局视觉语义关系，卷积网络能够捕捉图像的局部纹理细节，因此，该指定特征提取层对输入图像进行处理时可以兼顾图像的局部信息和全局信息，从而，提高了模型的特征表达能力，进而达到提升模型精度的效果。
可选地，在本公开的另一实施例中，该卷积网络由多组卷积串联组成，且该多组卷积中的最后一组卷积的输出内容与第一组卷积的输入内容加权融合，作为该卷积网络的输出内容。
本实施例中，通过将该多组卷积中的最后一组卷积的输出内容与第一组卷积的输入内容加权融合，作为该卷积网络的输出内容，可以实现多组卷积之间的残差连接。可以理解的是，由于残差连接可以有效降低由于多组卷积的存在而导致的、不利于模型训练的梯度消失或者爆炸的现象的发生，降低了对更深更大的卷积网络的训练难度，因此，通过将该多组卷积中的最后一组卷积的输出内容与第一组卷积的输入内容加权融合，作为该卷积网络的输出内容，能够通过增加卷积网络的深度，即串联的卷积的组数，来提高对图像的特征提取效果。
可选地，在一种实现方式中，该卷积网络由3组卷积串联组成；其中，该3组卷积中的第一组卷积和最后一组卷积具有1*1的卷积核，中间组卷积具有3*3的卷积核。
可以理解的是，该卷积网络由3组卷积串联组成，可以兼顾该卷积网络对图像的特征提取效果以及计算量。并且，该3组卷积中的第一组卷积具有1*1的卷积核，用来减少输入特征的通道数，最后一组卷积具有1*1的卷积核，用来增加输出特征的通道数，这样可以保证通过这个卷积网络后得到的特征的通道数是一致的。并且，中间组卷积具有3*3的卷积核，可以用于建模特征图的空间位置信息，1*1的卷积核用于融合特征图的通道信息，3*3和1*1的卷积核搭配使用，可以提高特征表达能力以及计算的高效性。另外，由于中间组卷积的输入和输出特征的通道数变小了，因此，可以减少计算量。
可见，通过本方案，通过残差连接可以降低卷积网络的训练难度，从而，能够通过增加卷积网络的深度，即串联的卷积的组数，来提高对图像的特征提取效果。
可选地，在本公开的另一实施例中，该神经网络模型还包括：与该指定视觉任务相匹配的、用于基于所得到的特征生成该处理结果的特征处理层；该特征处理层连接于该指定特征提取层之后。
本实施例中，该特征处理层连接于该指定特征提取层之后，用于处理特征提取层所提取出的特征数据。可以理解的是，在指定特征提取层提取出样本图像中的特征数据之后，为了输出该样本图像对应的关于该指定视觉任务的处理结果，还可以利用特征处理层对该特征提取层所输出的特征数据进行与该指定视觉任务相匹配的处理，从而得到该样本图像对应的关于该指定视觉任务的处理结果。
可选地，在一种实现方式中，该指定特征提取层的数量为多个，且多个指定特征提取层串联相接；
本实现方式中，该指定特征提取层的数量为多个，且多个指定特征提取层串联相接，前一个指定特征提取层的输出为后一个指定特征提取层的输入，且第一个指定特征提取层的输入为样本图像。
可以理解的是，指定特征提取层的数量越多，其提取出的特征越抽象，越关注于细节。并且，通过叠加指定特征提取层，可以在较少的模型参数的基础上，扩大模型的感受野。因此，该指定特征提取层的数量为多个，可以充分利用目标图像中局部特征与整体特征，从而提高特征提取的效果。
可选地，在一种实现方式中，与该指定视觉任务相匹配的特征处理层，包括：
若该指定视觉任务为图像分类任务，与该指定视觉任务相匹配的特征处理层包括图像分类器；
若该指定视觉任务为物体检测任务，与该指定视觉任务相匹配的特征处理层包括物体检测器；
若该指定视觉任务为图像分割任务，与该指定视觉任务相匹配的特征处理层包括图像分割器。
本实现方式中，若指定视觉任务为图像分类任务，则与该指定视觉任务相匹配的特征处理层包括图像分类器，该图像分类器通过对特征提取层所提取出的特征数据进行特征映射，根据特征映射结果对样本图像进行分类，此时，该神经网络模型也可以称之为分类网络模型。示例性的，该图像分类器可以采用sigmoid函数作为激活函数，对特征提取层所提取出的特征数据进行特征映射。
若指定视觉任务为物体检测任务，则与该指定视觉任务相匹配的特征处理层包括物体检测器，该物体检测器通过滑动窗口识别特征提取层所提取出的特征数据是否为需要识别的对象，此时，该神经网络模型也可以称之为目标检测网络模型。
若指定视觉任务为图像分割任务，则与该指定视觉任务相匹配的特征处理层包括图像分割器，该图像分割器通过识别特征提取层所提取出的特征数据的边缘信息，并基于边缘信息进行分割。此时，该神经网络模型也可以称之为图像分割网络模型。
可以理解的是，由于指定特征提取层的特征表达能力得到提高，因此，可以将该指定特征提取层应用在各种用于进行视觉任务处理的神经网络模型中，从而提高各种视觉任务的处理效果。
可见，通过本方案，可以提高特征提取的效果。
相应上述模型训练方法的实施例，如图2所示，本公开实施例还提供了一种视觉任务处理方法，可以包括步骤S201-S202：
S201，获取目标图像；
本实施例中，该目标图像为待进行视觉任务处理的图像。在实际应用中，该目标图像可以是预先存储在电子设备的本地内存中图像，也可以是实时采集的图像。示例性的，该目标图像可以是手机上存储的实景图像也可以是用户打开手机相关功能软件实时采集到的实景图像，或者，还可以是视频中的任一视频帧图像或者关键帧图像，等等。需要说明的是，本实施例并不对目标图像的来源以及类型进行限定，也就是，任一需要进行视觉任务处理的图像，均可以作为本公开的目标图像。
S202，将该目标图像输入预先训练的用于处理指定视觉任务的神经网络模型，得到该目标图像对应的关于该指定视觉任务的处理结果；
其中，该神经网络模型包括指定特征提取层；该指定特征提取层是基于串联的多头自注意力机制网络以及卷积网络所构成的。
本实施例中，该指定视觉任务可以是图像分类、物体检测、图像分割和视频理解等视觉任务中的一种。在实际应用中，当需要针对目标图像进行指定视觉任务处理时，可以将目标图像输入用于处理该指定视觉任务的神经网络模型中，以利用该神经网络模型对目标图像进行特征提取，以及，对所提取出的特征数据进行与该指定视觉任务相匹配的处理，从而得到该目标图像对应的关于该指定视觉任务的处理结果。
其中，该神经网络模型中包括指定特征提取层，用于对目标图像进行特征提取，并且，该神经网络模型中还可以包括与该指定视觉任务相匹配的、用于生成该处理结果特征处理层，即对所提取出的特征数据进行与该指定视觉任务相匹配的处理的特征处理层。
可以理解的是，由于卷积网络能够捕捉图像的局部纹理细节，但是对建模全局视觉语义关系的能力较弱，而多头自注意力机制擅长建模全局视觉语义关系，但对图像的局部纹理信息处理能力较弱，因此，基于串联的多头自注意力机制网络以及卷积网络所构成的指定特征提取层，可以兼顾
图像的局部信息和全局信息。从而，提高了模型的特征表达能力，使得所5提取出的特征数据在进行与该指定视觉任务相匹配的处理时，可以得到精度更高的处理结果。并且，该多头自注意力机制网络以及卷积网络只需简单的串联，模型结构简单。
本公开提供的方案中，由于用于处理指定视觉任务的神经网络模型中
所包括的指定特征提取层，基于串联的多头自注意力机制网络以及卷积网0络所构成，而多头自注意力机制擅长建模全局视觉语义关系，卷积网络能
够捕捉图像的局部纹理细节，因此，该指定特征提取层对输入图像进行处理时可以兼顾图像的局部信息和全局信息，从而，提高了模型的特征表达能力，使得模型输出的处理结果的精度提高。可见，通过本方案，可以提高视觉任务的处理效果。
为了更好的理解本公开实施例的内容，下面结合一个具体的示例进行阐述。
近年来，受自然语言处理领域Transformer模型(一种依赖于自注意
力机制来计算其输入和输出的表示的转换模型)的启发，计算机视觉领域0出现Vision Transformer模型(迁移至图像领域的Transformer模型)。
由于CNN模型以卷积计算为主，能够捕获图像的局部纹理细节，但是建模全局视觉语义关系的能力较弱，并且，所使用的卷积计算具有较强的归纳偏置，当使用海量的训练数据时，模型的精度上限收到制约，而Vision Transformer模型以Self-Attention(自注意力)计算为主，模型建模5能力与CNN模型相反，即模型擅长建模全局视觉语义关系，但是对图像的局部纹理信息处理能力较弱，因此，本示例通过结合CNN模型和VisionTransformer模型的优点，设计了一种新的基本结构(对应于上文中的指定特征提取层)。
如图3所示，本示例所设计的基本结构包括MHSA(Multi-Head0Self-Attention，多头自注意力机制，对应于上文中的多头自注意力机制网络)和Conv组合(对应于上文中的卷积网络)。
如图4所示，Conv组合由3组卷积串联组成，该3组卷积中的第一组卷积和最后一组卷积具有1*1的卷积核，中间组卷积具有3*3的卷积核。假设特征维度为c，卷积的通道膨胀系数为k，那么图中左边的Conv 1*1的输入通道数为c，输出通道数为kc，滤波器尺寸为1，中间Depthwise Conv3*3的输入和输出通道数为kc，滤波器尺寸为3，右边Conv 1*1的输入通道数为kc，输出通道数为c，滤波器尺寸为1。另外，Conv组合也可以借鉴残差连接的思想，3组卷积计算后的特征可以和原输入特征相加后得到最终输出的特征。
如图5所示，MHSA由一系列操作组成。输入特征分别经过3个线性投影得到Query、Key和Value。Query和Key做Scaled Dot-Product Attention计算，得到自相关矩阵A，自相关矩阵A与Value做线性加权得到聚合后的聚合特征，之后经过线性投影获得最终输出的特征。需要注意的是，输入特征分为n个Head独立进行的上述Scaled Dot-Product Attention计算和聚合计算，一般地，n取值为12。
可以理解的是，本示例所提供的基本结构可以进行组合，也可以利用该基本结构对已有的神经网络模型进行改造，以得到包含该基本结构的多种模型。例如，如图6所示，由于Vision Transformer模型的结构中包含MHSA和FFN(Feed Forward Networks，前馈网络)，FFN不具有上述Conv组合的功能，因此，可以利用基本结构对Vision Transformer模型中的FFN进行替换，得到混合模型。其中，该混合模型由4个阶段组成，第一阶段由线性投影模块和2个串联的基本结构组成，第二阶段由特征分区合并模块和2个串联的基本结构组成，第三阶段由特征分区合并模块和6个串联的基本结构组成，第四阶段由特征分区合并模块和2个串联的基本结构组成，模型共含有12个基本结构。模型的输入为图像，输出为特征图(对应于上文中的特征数据)，特征图可用于图像分类、图像分割和物体检测等视觉任务。
如图7所示，利用本示例所设计的基本结构可以应用于图像分类、物体检测和图像分割的视觉任务。图7中左侧的图像经过多组串联的基本结构进行特征提取，得到特征图，对最后一组基本结构输出的特征图进行图像分类、物体检测和图像分割。其中，可以采用图像分类器对该特征图进行图像分类，采用物体检测器对该特征图进行目标检测，采用图像分割器对该特征图进行图像分割。也就是，在图像分类、物体检测、图像分割等视觉任务中，MHSA和Conv组合所构成的基本结构用于对输入图像进行特征提取，最终提取出的特征需要送入图像分类器、物体检测器或图像分割器等与视觉任务相匹配的特征处理层中进行处理，最终得到关于视觉任务的处理结果。
可见，本示例所设计的基本结构是视觉模型的基础，利用该基本结构所组成的视觉模型可以应用于绝大多数视觉类的图像分类、物体检测、图像分割和视频理解等任务，以及与此相关的产品上；并且，通过结合Conv组合和MHSA的优点，可以提高模型的特征表达能力，继而提高模型的精度，从而提高了视觉任务的处理效果。例如在图像分类任务上，某transformer模型的计算量为4.35G和分类精度为80.69％，使用本示例的基本结构的混合模型的计算量为4.33G，分类精度为82.13％。相较于纯transformer模型，混合模型的计算量降低，同时精度增加。
基于上述模型训练方法的实施例，本公开实施例还提供了一种模型训练装置，如图8所示，所述装置包括：
样本获取模块810，用于获取具有指定标签的样本图像；其中，所述指定标签为关于指定视觉任务的真值；
特征处理模块820，用于将所述样本图像输入初始的神经网络模型，以使所述神经网络模型利用指定特征提取层，对所述样本图像进行特征提取，并利用所得到的特征，生成关于所述指定视觉任务的处理结果；其中，所述指定特征提取层是基于串联的多头自注意力机制网络以及卷积网络所构成；
参数调整模块830，用于响应于基于所述处理结果以及所述指定标签的差值，确定所述神经网络模型未收敛，调整所述神经网络模型的参数。
可选地，所述卷积网络由多组卷积串联组成，且所述多组卷积中的最后一组卷积的输出内容与第一组卷积的输入内容加权融合，作为所述卷积网络的输出内容。
可选地，所述卷积网络由3组卷积串联组成；其中，所述3组卷积中的第一组卷积和最后一组卷积具有1*1的卷积核，中间组卷积具有3*3的卷积核。
可选地，所述神经网络模型还包括：与所述指定视觉任务相匹配的、用于基于所得到的特征生成所述处理结果的特征处理层；所述特征处理层连接于所述指定特征提取层之后。
可选地，所述指定特征提取层的数量为多个，且多个指定特征提取层串联相接；所述特征处理层连接在串联相接的最后一个指定特征提取层之后。
可选地，与所述指定视觉任务相匹配的特征处理层，包括：
若所述指定视觉任务为图像分类任务，与所述指定视觉任务相匹配的特征处理层包括图像分类器；
若所述指定视觉任务为物体检测任务，与所述指定视觉任务相匹配的特征处理层包括物体检测器；
若所述指定视觉任务为图像分割任务，与所述指定视觉任务相匹配的特征处理层包括图像分割器。
基于上述视觉任务处理方法的实施例，本公开实施例还提供了一种视觉任务处理装置，如图9所示，所述装置包括：
获取模块910，用于获取目标图像；
处理模块920，用于将所述目标图像输入预先训练的用于处理指定视觉任务的神经网络模型，得到所述目标图像对应的关于所述指定视觉任务的处理结果；其中，所述神经网络模型包括指定特征提取层；所述指定特征提取层是基于串联的多头自注意力机制网络以及卷积网络所构成的。
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。
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。
本公开所提供的一种电子设备，可以包括：
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上述任一模型训练方法，或者，视觉任务处理方法。
本公开所提供的一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一模型训练方法，或者，视觉任务处理方法的步骤。
本公开所提供的一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一模型训练方法，或者，视觉任务处理方法的步骤。
图10示出了可以用来实施本公开的实施例的示例电子设备1000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10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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1001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1001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1001执行上文所描述的各个方法和处理，例如模型训练方法，或者，视觉任务处理方法。例如，在一些实施例中，模型训练方法，或者，视觉任务处理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1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的模型训练方法，或者，视觉任务处理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)而被配置为执行模型训练方法，或者，视觉任务处理方法。
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)、复杂可编程逻辑设备(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 (17)

1.一种模型训练方法，包括：
获取具有指定标签的样本图像；其中，所述指定标签为关于指定视觉任务的真值；
将所述样本图像输入初始的神经网络模型，以使所述神经网络模型利用指定特征提取层，对所述样本图像进行特征提取，并利用所得到的特征，生成关于所述指定视觉任务的处理结果；其中，所述指定特征提取层是基于串联的多头自注意力机制网络以及卷积网络所构成；
响应于基于所述处理结果以及所述指定标签的差值，确定所述神经网络模型未收敛，调整所述神经网络模型的参数。
2.根据权利要求1所述的方法，其中，所述卷积网络由多组卷积串联组成，且所述多组卷积中的最后一组卷积的输出内容与第一组卷积的输入内容加权融合，作为所述卷积网络的输出内容。
3.根据权利要求2所述的方法，其中，所述卷积网络由3组卷积串联组成；其中，所述3组卷积中的第一组卷积和最后一组卷积具有1*1的卷积核，中间组卷积具有3*3的卷积核。
4.根据权利要求1-3任一项所述的方法，其中，所述神经网络模型还包括：与所述指定视觉任务相匹配的、用于基于所得到的特征生成所述处理结果的特征处理层；
所述特征处理层连接于所述指定特征提取层之后。
5.根据权利要求4所述的方法，其中，所述指定特征提取层的数量为多个，且多个指定特征提取层串联相接；
所述特征处理层连接在串联相接的最后一个指定特征提取层之后。
6.根据权利要求4所述的方法，其中，与所述指定视觉任务相匹配的特征处理层，包括：
若所述指定视觉任务为图像分类任务，与所述指定视觉任务相匹配的特征处理层包括图像分类器；
若所述指定视觉任务为物体检测任务，与所述指定视觉任务相匹配的特征处理层包括物体检测器；
若所述指定视觉任务为图像分割任务，与所述指定视觉任务相匹配的特征处理层包括图像分割器。
7.一种视觉任务处理方法，包括：
获取目标图像；
将所述目标图像输入预先训练的用于处理指定视觉任务的神经网络模型，得到所述目标图像对应的关于所述指定视觉任务的处理结果；
其中，所述神经网络模型包括指定特征提取层；
所述指定特征提取层是基于串联的多头自注意力机制网络以及卷积网络所构成的。
8.一种模型训练装置，包括：
样本获取模块，用于获取具有指定标签的样本图像；其中，所述指定标签为关于指定视觉任务的真值；
特征处理模块，用于将所述样本图像输入初始的神经网络模型，以使所述神经网络模型利用指定特征提取层，对所述样本图像进行特征提取，并利用所得到的特征，生成关于所述指定视觉任务的处理结果；其中，所述指定特征提取层是基于串联的多头自注意力机制网络以及卷积网络所构成；
参数调整模块，用于响应于基于所述处理结果以及所述指定标签的差值，确定所述神经网络模型未收敛，调整所述神经网络模型的参数。
9.根据权利要求8所述的装置，其中，所述卷积网络由多组卷积串联组成，且所述多组卷积中的最后一组卷积的输出内容与第一组卷积的输入内容加权融合，作为所述卷积网络的输出内容。
10.根据权利要求9所述的装置，其中，所述卷积网络由3组卷积串联组成；其中，所述3组卷积中的第一组卷积和最后一组卷积具有1*1的卷积核，中间组卷积具有3*3的卷积核。
11.根据权利要求8-10任一项所述的装置，其中，所述神经网络模型还包括：与所述指定视觉任务相匹配的、用于基于所得到的特征生成所述处理结果的特征处理层；
所述特征处理层连接于所述指定特征提取层之后。
12.根据权利要求11所述的装置，其中，所述指定特征提取层的数量为多个，且多个指定特征提取层串联相接；
所述特征处理层连接在串联相接的最后一个指定特征提取层之后。
13.根据权利要求11所述的装置，其中，与所述指定视觉任务相匹配的特征处理层，包括：
若所述指定视觉任务为图像分类任务，与所述指定视觉任务相匹配的特征处理层包括图像分类器；
若所述指定视觉任务为物体检测任务，与所述指定视觉任务相匹配的特征处理层包括物体检测器；
若所述指定视觉任务为图像分割任务，与所述指定视觉任务相匹配的特征处理层包括图像分割器。
14.一种视觉任务处理装置，包括：
获取模块，用于获取目标图像；
处理模块，用于将所述目标图像输入预先训练的用于处理指定视觉任务的神经网络模型，得到所述目标图像对应的关于所述指定视觉任务的处理结果；其中，所述神经网络模型包括指定特征提取层；所述指定特征提取层是基于串联的多头自注意力机制网络以及卷积网络所构成的。
15.一种电子设备，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1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
CN202211732961.2A 2022-12-30 2022-12-30 一种模型训练方法、视觉任务处理方法、装置及设备 Pending CN116229095A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211732961.2A CN116229095A (zh) 2022-12-30 2022-12-30 一种模型训练方法、视觉任务处理方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211732961.2A CN116229095A (zh) 2022-12-30 2022-12-30 一种模型训练方法、视觉任务处理方法、装置及设备

Publications (1)

Publication Number Publication Date
CN116229095A true CN116229095A (zh) 2023-06-06

Family

ID=86585109

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211732961.2A Pending CN116229095A (zh) 2022-12-30 2022-12-30 一种模型训练方法、视觉任务处理方法、装置及设备

Country Status (1)

Country Link
CN (1) CN116229095A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117216308A (zh) * 2023-11-09 2023-12-12 天津华来科技股份有限公司 基于大模型的搜索方法、系统、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693598A (zh) * 2022-02-21 2022-07-01 浙江爱达科技有限公司 一种胶囊内镜胃肠道器官图像自动识别方法
CN115170819A (zh) * 2022-07-21 2022-10-11 北京百度网讯科技有限公司 目标识别方法及装置、电子设备和介质
CN115272278A (zh) * 2022-08-15 2022-11-01 南湖实验室 一种用于遥感图像变化检测的变化检测模型的构建方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693598A (zh) * 2022-02-21 2022-07-01 浙江爱达科技有限公司 一种胶囊内镜胃肠道器官图像自动识别方法
CN115170819A (zh) * 2022-07-21 2022-10-11 北京百度网讯科技有限公司 目标识别方法及装置、电子设备和介质
CN115272278A (zh) * 2022-08-15 2022-11-01 南湖实验室 一种用于遥感图像变化检测的变化检测模型的构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHILIANG PENG 等: "Conformer: Local Features Coupling Global Representations for Visual Recognition", 《2021 IEEE/CVF INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》, vol. 2022, pages 357 - 366, XP034092308, DOI: 10.1109/ICCV48922.2021.00042 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117216308A (zh) * 2023-11-09 2023-12-12 天津华来科技股份有限公司 基于大模型的搜索方法、系统、设备及介质
CN117216308B (zh) * 2023-11-09 2024-04-26 天津华来科技股份有限公司 基于大模型的搜索方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN113033537B (zh) 用于训练模型的方法、装置、设备、介质和程序产品
CN113378784B (zh) 视频标签推荐模型的训练方法和确定视频标签的方法
CN113379627B (zh) 图像增强模型的训练方法和对图像进行增强的方法
CN115359383B (zh) 跨模态特征提取、检索以及模型的训练方法、装置及介质
CN113378770A (zh) 手势识别方法、装置、设备、存储介质以及程序产品
CN112528858A (zh) 人体姿态估计模型的训练方法、装置、设备、介质及产品
CN110633716A (zh) 一种目标对象的检测方法和装置
CN116229095A (zh) 一种模型训练方法、视觉任务处理方法、装置及设备
CN114926322B (zh) 图像生成方法、装置、电子设备和存储介质
CN116994319A (zh) 训练模型的方法和人脸识别方法、设备、介质
CN114863450B (zh) 图像处理方法、装置、电子设备及存储介质
CN114973333B (zh) 人物交互检测方法、装置、设备以及存储介质
CN113792804B (zh) 图像识别模型的训练方法、图像识别方法、装置及设备
CN113139463B (zh) 用于训练模型的方法、装置、设备、介质和程序产品
CN114943995A (zh) 人脸识别模型的训练方法、人脸识别方法及装置
CN114066790A (zh) 图像生成模型的训练方法、图像生成方法、装置和设备
CN113806541A (zh) 情感分类的方法和情感分类模型的训练方法、装置
CN113610856A (zh) 训练图像分割模型和图像分割的方法和装置
CN116452741B (zh) 对象重建方法、对象重建模型的训练方法、装置及设备
CN116091857B (zh) 图像处理模型的训练方法、图像处理方法和装置
CN115631103B (zh) 图像生成模型的训练方法和装置、图像生成方法及装置
CN113657209B (zh) 动作识别方法、装置、电子设备和存储介质
CN113344199B (zh) 用于训练可分离卷积网络的方法、路侧设备及云控平台
CN115471893B (zh) 训练人脸识别模型、人脸识别的方法和装置
CN116843897A (zh) 分割模型的训练方法、图像分割方法、装置、设备和介质

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