CN117541904A - 高分辨率网络的部署方法、装置、电子设备及存储介质 - Google Patents

高分辨率网络的部署方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN117541904A
CN117541904A CN202210907212.2A CN202210907212A CN117541904A CN 117541904 A CN117541904 A CN 117541904A CN 202210907212 A CN202210907212 A CN 202210907212A CN 117541904 A CN117541904 A CN 117541904A
Authority
CN
China
Prior art keywords
network
resolution
layer
convolution
resolution network
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
CN202210907212.2A
Other languages
English (en)
Inventor
吴捷
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 Zitiao Network Technology Co Ltd
Original Assignee
Beijing Zitiao Network 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 Zitiao Network Technology Co Ltd filed Critical Beijing Zitiao Network Technology Co Ltd
Priority to CN202210907212.2A priority Critical patent/CN117541904A/zh
Publication of CN117541904A publication Critical patent/CN117541904A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • 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
    • 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
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • 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)
  • Mobile Radio Communication Systems (AREA)

Abstract

本公开实施例公开了一种高分辨率网络的部署方法、装置、电子设备及存储介质，其中该方法包括：构建高分辨率网络；所述高分辨率网络由多阶段的预设网络结构连接而成；其中，所述预设网络结构中的卷积层为深度可分离卷积层；对所述高分辨率网络进行训练，并将训练完成的高分辨率网络部署于目标终端。通过在高分辨率网络中，利用深度可分离卷积替换原来的卷积，能够在保证高分辨率网络性能基础上，降低网络的计算开销，可实现在资源有限的终端中的部署。

Description

高分辨率网络的部署方法、装置、电子设备及存储介质
技术领域
本公开实施例涉及机器学习技术领域，尤其涉及一种高分辨率网络的部署方法、装置、电子设备及存储介质。
背景技术
在计算机视觉领域中，有很多视觉任务是位置敏感的。由于高分辨率网络(High-Resolution Net，HRNet)中，可从输入到输出保持高分辨率的特征图，从而可得到更为精准的位置信息。
然而，正是由于HRNet中维持高分辨率的特征图，导致网络计算开销较大，难以在资源有限的终端中进行部署。因此，如何在保证HRNet性能基础上，实现在资源有限的终端中的部署，成为亟待解决的技术问题。
发明内容
本公开实施例提供了一种高分辨率网络的部署方法、装置、电子设备及存储介质，能够在保证HRNet性能基础上，实现在资源有限的终端中的部署。
第一方面，本公开实施例提供了一种高分辨率网络的部署方法，包括：
构建高分辨率网络；所述高分辨率网络由多阶段的预设网络结构连接而成；其中，所述预设网络结构中的卷积层为深度可分离卷积层；
对所述高分辨率网络进行训练，并将训练完成的高分辨率网络部署于目标终端。
第二方面，本公开实施例还提供了一种高分辨率网络的部署装置，包括：
构建模块，用于构建高分辨率网络；所述高分辨率网络由多阶段的预设网络结构连接而成；其中，所述预设网络结构中的卷积层为深度可分离卷积层；
部署模块，用于对所述高分辨率网络进行训练，并将训练完成的高分辨率网络部署于目标终端。
第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例任一所述的高分辨率网络的部署方法。
第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的高分辨率网络的部署方法。
本公开实施例的技术方案包括，构建高分辨率网络；所述高分辨率网络由多阶段的预设网络结构连接而成；其中，所述预设网络结构中的卷积层为深度可分离卷积层；对所述高分辨率网络进行训练，并将训练完成的高分辨率网络部署于目标终端。通过在高分辨率网络中，利用深度可分离卷积替换原来的卷积，能够在保证高分辨率网络性能基础上，降低网络的计算开销，可实现在资源有限的终端中的部署。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例所提供的一种高分辨率网络的部署方法的流程示意图；
图2为本公开实施例所提供的一种高分辨率网络的部署方法中高分辨率网络的网络结构示意图；
图3为本公开实施例所提供的一种高分辨率网络的部署方法的流程示意图；
图4为本公开实施例所提供的一种高分辨率网络的部署方法的流程示意图；
图5为本公开实施例所提供的一种高分辨率网络的部署装置的结构示意图；
图6为本公开实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
图1为本公开实施例所提供的一种高分辨率网络的部署方法的流程示意图。本公开实施例适用于在资源有限的终端部署高分辨率网络的情形，例如在移动端部署高分辨率网络的情形。该方法可以由高分辨率网络的部署装置来执行，该装置可以通过软件和/或硬件的形式实现，该装置可配置于电子设备中，例如配置于计算机设备中。
如图1所示，本实施例提供的高分辨率网络的部署方法，可以包括：
S110、构建高分辨率网络；高分辨率网络由多阶段的预设网络结构连接而成；其中，预设网络结构中的卷积层为深度可分离卷积层。
本实施例中高分辨率网络(可简称为HRNet)的构建方式，可参考已有的HRNet构建方式。且本实施例中构建得到的HRNet与已有的HRNet结构相似，皆可包括连续的、多阶段的预设网络结构。本实施例中HRNet的预设网络结构中，用于进行卷积处理的卷积层可以为深度可分离卷积(Depthwise separable convolutions)层。
深度可分离卷积层可由深度(depthwise，DW)卷积和点(pointwise，PW)卷积结合而成。其中，DW卷积可用于对输入图像进行深度卷积运算(或称为通道卷积运算)，即利用与输入图像通道数量相同的卷积核，分别对输入图像各通道的图像进行一一对应的卷积运算。若仅利用DW卷积进行运算，则会缺少通道间的特征融合，也就是说仅使用DW卷积无法实现不同通道间的特征融合，并且运算前后图像通道数量也无法改变。因此，引入了PW卷积来弥补上述缺陷。
其中，PW卷积可认为是使用1×1×M的卷积核，对DW卷积得到的M个通道的特征图进行逐点的卷积运算，从而可融合多个通道间特征。此外，如果通过N个这样的卷积核，分别对DW卷积得到的特征图进行逐点卷积，就可得到N个通道的特征图，从而可改变运算前后特征图的通道数量。
相比常规的卷积操作，深度可分离卷积与传统卷积可输出同样维度的特征图，但是具有参数少计算速度快的优势。
S120、对高分辨率网络进行训练，并将训练完成的高分辨率网络部署于目标终端。
本实施例中，可通过有监督、无监督、半监督或弱监督等方式，对HRNet进行训练。可将训练完成的HRNet络传输至目标终端，以使目标终端对其进行部署。其中，目标终端可以为资源有限的轻量化终端，例如为移动端。
通过将HRNet的预设网络结构中的卷积层构建为更加轻量化的深度可分离卷积层，能够在保证HRNet性能基础上，降低网络的计算开销。从而能够实现将HRNet部署于轻量化的目标终端，对轻量化终端执行位置敏感的视觉任务有着显著的帮助。
在一些可选的实现方式中，高分辨率网络应用于像素级任务的预测。其中，像素级任务可认为属于位置敏感的视觉任务。并且，像素级任务包括下述至少一项：图像目标检测、图像语义分割和图像实例分割。其中，高分辨率网络在训练中使用的损失函数，基于高分辨率网络应用的像素级的预测任务确定。例如，图像目标检测中可采用交叉熵损失(Cross Entropy Loss，CE)函数确定分类损失，采用均方误差损失(Mean Square Error，MSE)函数确定检测框位置的回归损失；图像语义分割可采用CE函数；实例分割可采用排序分类损失函数(Rank&Sort Loss,RS Loss)等，在此不做穷举。
示例性的，图2为本公开实施例所提供的一种高分辨率网络的部署方法中高分辨率网络的网络结构示意图。参见图2，HRNet可以由四个阶段的预设网络结构连接而成，且分别可用Ⅰ、Ⅱ、Ⅲ和Ⅳ表示首个阶段、第二阶段、第三阶段和第四阶段的预设网络结构。其中，多阶段的预设网络结构连接，可认为是上一阶段的预设网络结构的输出，经卷积处理后，为下一阶段的预设网络结构的输入。
其中，预设网络结构可以包括基本结构，图2中可由实线围合的区域表示。此外，预设网络结构还可以包括过渡结构，图2中可由虚线围合的区域表示。图2中，每个长方体可表示一张特征图，水平向右的箭头可表示经深度可分离卷积层进行的卷积处理，向右下方的箭头可表示经下采样层进行的下采样处理，向右上方的箭头可表示经上采样进行的上采样处理。
如图2所示，基本结构中可包括至少一个卷积分支。例如，Ⅰ的基本结构中可以包括一个卷积分支，Ⅱ、Ⅲ和Ⅳ的基本结构中可以分别包含两个、三个和四个卷积分支。其中，当卷积分支为至少两个时，各卷积分支为并行分支。例如，图2中Ⅱ、Ⅲ和Ⅳ的基本结构中，各卷积分支之间进行并行的卷积操作，而非串行的卷积操作，可以使整个网络都保留高分辨表征，从而保持对空间信息高度的敏感性。
其中，每个卷积分支可用于通过至少一个深度可分离卷积层，对与本分支对应的分辨率的特征图进行卷积处理。例如，图2中每个卷积分支中可包括多个水平向右的箭头，即每个卷积分支可用于通过至少一个深度可分离卷积层进行卷积处理。并且，同一个卷积分支内的各特征图的分辨率相同，可认为卷积分支与特征图的分辨率具备对应关系。即，每个卷积分支可对与本分支对应的分辨率的特征图进行卷积处理。
再次参见图2，在首个阶段的预设网络结构中(即图2的Ⅰ中)，过渡结构包括深度可分离卷积层和下采样层；在第二阶段以及之后阶段的预设网络结构中(即图2的Ⅱ、Ⅲ和Ⅳ中)，过渡结构包括深度可分离卷积层、下采样层、上采样层和多分辨率融合层；其中，多分辨率融合层，用于对经深度可分离卷积层、下采样层和上采样层中至少一类网络层处理后，相同分辨率的特征图进行融合。
如图2所示，Ⅰ、Ⅱ和Ⅲ的过渡结构中可在原卷积分支基础上，通过下采样层生成新的低分辨率的卷积分支，从而可使网络随预设网络结构阶段的递增，增加网络中的低分辨率表征，可提高对语义信息的敏感性。
此外，除Ⅰ的过渡结构外，Ⅱ、Ⅲ和Ⅳ的过渡结构可包含多分辨率融合层。多分辨率融合层未在图2中显示，但其对经深度可分离卷积层、下采样层和上采样层中至少一类网络层处理后，相同分辨率的特征图进行融合可从图2中体现。
示例性的，Ⅱ的过渡结构中，特征图1’，是由特征图1经深度可分离卷积层，以及特征图2经上采样层处理后，得到的两个相同分辨率的特征图融合而成。特征图2’，是由特征图1经下采样层，以及特征图2经深度可分离卷积层处理后，得到的两个相同分辨率的特征图融合而成。特征图3’，是由特征图1经下采样层，以及特征图2经下采样层处理后，得到的两个相同分辨率的特征图融合而成。此外，Ⅲ和Ⅳ的过渡结构中多分辨率融合层执行的融合处理过程，可参考Ⅱ的过渡结构，在此不做赘述。
通过多阶段预设网络结构中的过渡结构，可实现重复的多尺度融合，即实现不同分辨率特征图的特征融合，可补充由于通道数减少带来的信息损耗。通过重复的多尺度融合，可利用相同深度、相似水平的低分辨率表示来提高高分辨率表示。实验表明，本公开实施例提供的HRNet能够有效地处理像素级别任务的全局和局部信息，具有高效的计算复杂度和参数效率。
本公开实施例的技术方案包括，构建高分辨率网络；高分辨率网络由多阶段的预设网络结构连接而成；其中，预设网络结构中的卷积层为深度可分离卷积层；对高分辨率网络进行训练，并将训练完成的高分辨率网络部署于目标终端。通过在高分辨率网络中，利用深度可分离卷积替换原来的卷积，能够在保证高分辨率网络性能基础上，降低网络的计算开销，可实现在资源有限的终端中的部署。
本公开实施例与上述实施例中所提供的高分辨率网络的部署方法中各个可选方案可以结合。本实施例所提供的高分辨率网络的部署方法中，对高分辨率网络的结构进行了补充，能够在进一步使高分辨率网络在保证性能基础上，降低计算开销。
图3为本公开实施例所提供的一种高分辨率网络的部署方法的流程示意图。如图3所示，本实施例提供的高分辨率网络的部署方法，可以包括：
S310、构建高分辨率网络；高分辨率网络由多阶段的预设网络结构连接而成，且还包括下采样网络结构；其中，下采样网络结构连接在首个阶段的预设网络结构之前；其中，预设网络结构中的卷积层为深度可分离卷积层。
S320、对高分辨率网络进行训练，并将训练完成的高分辨率网络部署于目标终端。
图3所示的部署方法中，高分辨率网络中还可以包括下采样网络结构。其中下采样网络结构可以包含至少一个下采样层。通过将下采样网络结构连接在首个阶段的预设网络结构之前，可以使输入的图像先经过多次下采样处理，再输入多阶段的预设网络结构，从而可进一步降低各阶段的预设网络结构的计算开销。
图4为本公开实施例所提供的一种高分辨率网络的部署方法的流程示意图。如图4所示，本实施例提供的高分辨率网络的部署方法，可以包括：
S410、构建高分辨率网络；高分辨率网络由多阶段的预设网络结构连接而成；其中，预设网络结构中的卷积层为深度可分离卷积层，且于可分离卷积层之后连接群组归一化层。
S420、对高分辨率网络进行训练，并将训练完成的高分辨率网络部署于目标终端。
图4所示的部署方法中，在预设网络结构中，于可分离卷积层之后可连接群组归一化层(Group Normalization，GN)，以用于进行归一化处理。由于传统的批归一化(BatchNormalization，BN)层的计算结果，依赖当前数据的批量规模(可称为batch size)。当batch size较小时(比如为2、4时)，该批数据的均值和方差的代表性都会较差，因此对最后归一化效果也较差。GN是针对BN在batch size较小时错误率高而提出的改进算法。通过使用GN层来代替传统的BN层，能够在批量规模较小时提高归一化的正确率，从而可进一步提高HRNet的性能。
本实施例中，通过高分辨率网络中设置下采样网络结构来降低计算开销，以及通过在深度可分离卷积层后连接GN层来提高归一化争取率，这两项措施为和/或的关系。即在一些实现方式中，HRNet中的预设网络结构中的卷积层为深度可分离卷积层，此外HRNet不仅包括下采样网络结构，下采样网络结构连接在首个阶段的预设网络结构之前，而且于可分离卷积层之后连接群组归一化层。从而可达到进一步使高分辨率网络在保证性能基础上，降低计算开销的目的。
本公开实施例的技术方案中，对高分辨率网络的结构进行了补充，能够在进一步使高分辨率网络在保证性能基础上，降低计算开销。本公开实施例提供的高分辨率网络的部署方法与上述实施例提供的高分辨率网络的部署方法属于同一公开构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且相同的技术特征在本实施例与上述实施例中具有相同的有益效果。
图5为本公开实施例所提供的一种高分辨率网络的部署装置的结构示意图。本实施例提供的高分辨率网络的部署装置适用于在资源有限的终端部署高分辨率网络的情形，例如在移动端部署高分辨率网络的情形。
如图5所示，本公开实施例提供的高分辨率网络的部署装置，可以包括：
构建模块510，用于构建高分辨率网络；高分辨率网络由多阶段的预设网络结构连接而成；其中，预设网络结构中的卷积层为深度可分离卷积层；
部署模块520，用于对高分辨率网络进行训练，并将训练完成的高分辨率网络部署于目标终端。
在一些可选的实现方式中，高分辨率网络还包括下采样网络结构；
其中，下采样网络结构连接在首个阶段的预设网络结构之前。
在一些可选的实现方式中，在预设网络结构中，于可分离卷积层之后连接群组归一化层。
在一些可选的实现方式中，预设网络结构包括基本结构；
基本结构中包括至少一个卷积分支，卷积分支用于通过至少一个深度可分离卷积层，对与本分支对应的分辨率的特征图进行卷积处理；
其中，当卷积分支为至少两个时，各卷积分支为并行分支。
在一些可选的实现方式中，预设网络结构还包括过渡结构；
在首个阶段的预设网络结构中，过渡结构包括深度可分离卷积层和下采样层；
在第二阶段以及之后阶段的预设网络结构中，过渡结构包括深度可分离卷积层、下采样层、上采样层和多分辨率融合层；
其中，多分辨率融合层，用于对经深度可分离卷积层、下采样层和上采样层中至少一类网络层处理后，相同分辨率的特征图进行融合。
在一些可选的实现方式中，高分辨率网络应用于像素级任务的预测；像素级任务包括下述至少一项：图像目标检测、图像语义分割和图像实例分割。
在一些可选的实现方式中，部署模块在训练高分辨率网络中使用的损失函数，基于高分辨率网络应用的像素级的预测任务确定。
本公开实施例所提供的高分辨率网络的部署装置，可执行本公开任意实施例所提供的高分辨率网络的部署方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备(例如图6中的终端设备或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(Read-Only Memory，ROM)602中的程序或者从存储装置608加载到随机访问存储器(Random Access Memory，RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的高分辨率网络的部署方法中限定的上述功能。
本公开实施例提供的电子设备与上述实施例提供的高分辨率网络的部署方法属于同一公开构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的高分辨率网络的部署方法。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)或闪存(FLASH)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机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、装置或者器件使用或者与其结合使用。而在本公开中，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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行、装置或者器件使用或者与其结合使用的程序。计算机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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
构建高分辨率网络；高分辨率网络由多阶段的预设网络结构连接而成；其中，预设网络结构中的卷积层为深度可分离卷积层；对高分辨率网络进行训练，并将训练完成的高分辨率网络部署于目标终端。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元、模块的名称在某种情况下并不构成对该单元、模块本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FieldProgrammable Gate Array，FPGA)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、专用标准产品(Application Specific Standard Parts，ASSP)、片上(System on Chip，SOC)、复杂可编程逻辑设备(CPLD)等等。
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、装置或设备使用或与指令执行、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、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。
根据本公开的一个或多个实施例，【示例一】提供了一种高分辨率网络的部署方法，该方法包括：
构建高分辨率网络；所述高分辨率网络由多阶段的预设网络结构连接而成；其中，所述预设网络结构中的卷积层为深度可分离卷积层；
对所述高分辨率网络进行训练，并将训练完成的高分辨率网络部署于目标终端。
根据本公开的一个或多个实施例，【示例二】提供了一种高分辨率网络的部署方法，还包括：
在一些可选的实现方式中，所述高分辨率网络还包括下采样网络结构；
其中，所述下采样网络结构连接在首个阶段的所述预设网络结构之前。
根据本公开的一个或多个实施例，【示例三】提供了一种高分辨率网络的部署方法，还包括：
在一些可选的实现方式中，在所述预设网络结构中，于所述可分离卷积层之后连接群组归一化层。
根据本公开的一个或多个实施例，【示例四】提供了一种高分辨率网络的部署方法，还包括：
在一些可选的实现方式中，所述预设网络结构包括基本结构；
所述基本结构中包括至少一个卷积分支，所述卷积分支用于通过至少一个所述深度可分离卷积层，对与本分支对应的分辨率的特征图进行卷积处理；
其中，当所述卷积分支为至少两个时，各所述卷积分支为并行分支。
根据本公开的一个或多个实施例，【示例五】提供了一种高分辨率网络的部署方法，还包括：
在一些可选的实现方式中，所述预设网络结构还包括过渡结构；
在首个阶段的所述预设网络结构中，所述过渡结构包括所述深度可分离卷积层和下采样层；
在第二阶段以及之后阶段的所述预设网络结构中，所述过渡结构包括所述深度可分离卷积层、所述下采样层、上采样层和多分辨率融合层；
其中，所述多分辨率融合层，用于对经所述深度可分离卷积层、所述下采样层和所述上采样层中至少一类网络层处理后，相同分辨率的特征图进行融合。
根据本公开的一个或多个实施例，【示例六】提供了一种高分辨率网络的部署方法，还包括：
在一些可选的实现方式中，所述高分辨率网络应用于像素级任务的预测；所述像素级任务包括下述至少一项：图像目标检测、图像语义分割和图像实例分割。
根据本公开的一个或多个实施例，【示例七】提供了一种高分辨率网络的部署方法，还包括：
在一些可选的实现方式中，所述高分辨率网络在训练中使用的损失函数，基于所述高分辨率网络应用的像素级的预测任务确定。
根据本公开的一个或多个实施例，【示例八】提供了一种高分辨率网络的部署装置，该装置包括：
构建模块，用于构建高分辨率网络；所述高分辨率网络由多阶段的预设网络结构连接而成；其中，所述预设网络结构中的卷积层为深度可分离卷积层；
部署模块，用于对所述高分辨率网络进行训练，并将训练完成的高分辨率网络部署于目标终端。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.一种高分辨率网络的部署方法，其中，包括：
构建高分辨率网络；所述高分辨率网络由多阶段的预设网络结构连接而成；其中，所述预设网络结构中的卷积层为深度可分离卷积层；
对所述高分辨率网络进行训练，并将训练完成的高分辨率网络部署于目标终端。
2.根据权利要求1所述的方法，其中，所述高分辨率网络还包括下采样网络结构；
其中，所述下采样网络结构连接在首个阶段的所述预设网络结构之前。
3.根据权利要求1所述的方法，其中，在所述预设网络结构中，于所述可分离卷积层之后连接群组归一化层。
4.根据权利要求1所述的方法，其中，所述预设网络结构包括基本结构；
所述基本结构中包括至少一个卷积分支，所述卷积分支用于通过至少一个所述深度可分离卷积层，对与本分支对应的分辨率的特征图进行卷积处理；
其中，当所述卷积分支为至少两个时，各所述卷积分支为并行分支。
5.根据权利要求1所述的方法，其中，所述预设网络结构还包括过渡结构；
在首个阶段的所述预设网络结构中，所述过渡结构包括所述深度可分离卷积层和下采样层；
在第二阶段以及之后阶段的所述预设网络结构中，所述过渡结构包括所述深度可分离卷积层、所述下采样层、上采样层和多分辨率融合层；
其中，所述多分辨率融合层，用于对经所述深度可分离卷积层、所述下采样层和所述上采样层中至少一类网络层处理后，相同分辨率的特征图进行融合。
6.根据权利要求1-5中任一所述的方法，其中，所述高分辨率网络应用于像素级任务的预测；所述像素级任务包括下述至少一项：图像目标检测、图像语义分割和图像实例分割。
7.根据权利要求6所述的方法，其中，所述高分辨率网络在训练中使用的损失函数，基于所述高分辨率网络应用的像素级的预测任务确定。
8.一种高分辨率网络的部署装置，其中，包括：
构建模块，用于构建高分辨率网络；所述高分辨率网络由多阶段的预设网络结构连接而成；其中，所述预设网络结构中的卷积层为深度可分离卷积层；
部署模块，用于对所述高分辨率网络进行训练，并将训练完成的高分辨率网络部署于目标终端。
9.一种电子设备，其中，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的高分辨率网络的部署方法。
10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的高分辨率网络的部署方法。
CN202210907212.2A 2022-07-29 2022-07-29 高分辨率网络的部署方法、装置、电子设备及存储介质 Pending CN117541904A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210907212.2A CN117541904A (zh) 2022-07-29 2022-07-29 高分辨率网络的部署方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210907212.2A CN117541904A (zh) 2022-07-29 2022-07-29 高分辨率网络的部署方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN117541904A true CN117541904A (zh) 2024-02-09

Family

ID=89781213

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210907212.2A Pending CN117541904A (zh) 2022-07-29 2022-07-29 高分辨率网络的部署方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117541904A (zh)

Similar Documents

Publication Publication Date Title
CN111402112B (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN110413812B (zh) 神经网络模型的训练方法、装置、电子设备及存储介质
CN112184738A (zh) 一种图像分割方法、装置、设备及存储介质
CN111598902B (zh) 图像分割方法、装置、电子设备及计算机可读介质
CN112418232B (zh) 图像分割方法、装置、可读介质及电子设备
US20240112299A1 (en) Video cropping method and apparatus, storage medium and electronic device
CN112330788A (zh) 图像处理方法、装置、可读介质及电子设备
CN111259636B (zh) 文档渲染方法、装置和电子设备
CN113255812B (zh) 视频边框检测方法、装置和电子设备
CN113205601B (zh) 漫游路径生成方法、装置、存储介质及电子设备
CN111258582B (zh) 一种窗口渲染方法、装置、计算机设备及存储介质
CN111862351B (zh) 定位模型优化方法、定位方法和定位设备
CN110796144B (zh) 车牌检测方法、装置、设备及存储介质
CN113961280B (zh) 视图的展示方法、装置、电子设备及计算机可读存储介质
CN111259291B (zh) 视图展示方法、装置和电子设备
CN111338827B (zh) 表格数据的粘贴方法、装置以及电子设备
CN110852242A (zh) 基于多尺度网络的水印识别方法、装置、设备及存储介质
CN111273884A (zh) 图像显示方法、装置和电子设备
CN114419322B (zh) 一种图像实例分割方法、装置、电子设备及存储介质
CN116030447A (zh) 一种支持多相机动态输入的感知方法、系统及车辆
CN112418233B (zh) 图像处理方法、装置、可读介质及电子设备
CN117541904A (zh) 高分辨率网络的部署方法、装置、电子设备及存储介质
CN111737575B (zh) 内容分发方法、装置、可读介质及电子设备
CN116797782A (zh) 一种图像的语义分割方法、装置、电子设备及存储介质
CN114004229A (zh) 文本识别方法、装置、可读介质及电子设备

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