[發(fā)明專利]一種目標分類模型的訓練方法及裝置

有效

• 申請?zhí)枺?/td>: 202010114039.1
• 申請日: 2020-02-23
• 公開（公告）號: CN113298102B
• 公開（公告）日: 2022-06-24
• 發(fā)明（設計）人: 吳梓恒;胡杰
• 申請（專利權）人: 魔門塔（蘇州）科技有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/28;G06V10/46;G06V10/82;G06K9/62;G06T7/80;G06N3/04;G06N3/08
• 代理公司: 北京科領智誠知識產權代理事務所(普通合伙) 11782
• 代理人: 陳士騫

本發(fā)明實施例公開一種目標分類模型的訓練方法及裝置，方法包括：獲得訓練圖像及其對應的標定信息；對初始二值化分類模型的每一卷積層，對其對應的輸入圖像進行第一二值化特征提取操作，得到對應的輸出圖像；若卷積層為二值化卷積層，第一二值化特征提取操作包括：第一二值化特征提取操作及預設維度變換操作；第一層卷積層對應的輸入圖像為訓練圖像，其他層卷積層對應的輸入圖像為其前一卷積層對應的輸出圖像；利用模型的特征分類層及最后一層卷積層對應的輸出圖像，確定該輸出圖像對應的訓練圖像的預測檢測信息；結合每一訓練圖像對應的標定檢測信息，調整模型參數，確定目標二值化分類模型，以實現得到識別檢測精度高且計算量小的目標分類模型。

技術領域

本發(fā)明涉及數據處理技術領域，具體而言，涉及一種目標分類模型的訓練方法及裝置。

背景技術

目前大多數的視覺應用場景，都采用基于卷積神經網絡(Convolutional NeuralNetwork)模型的檢測識別方案，對針對目標場景所采集的圖像進行相關的檢測識別。例如：在線的圖像分類及識別以及圖像所包含目標的識別及檢測等應用場景。

基于卷積神經網絡的檢測識別方案，相對于圖像檢測識別方案而言，具有精度高，泛化能力強等優(yōu)點。但基于卷積神經網絡的檢測識別方案中，卷積神經網絡內部一般都采用浮點型參數進行相關運算，導致其運算需求高，例如：其計算量大，對硬件要求高且對存儲要求高。這導致基于卷積神經網絡的檢測識別方案的普及和使用都受到了限制。

發(fā)明內容

本發(fā)明提供了一種目標分類模型的訓練方法及裝置，以實現得到識別檢測精度高且計算量小的目標分類模型。具體的技術方案如下：

第一方面，本發(fā)明實施例提供了一種目標分類模型的訓練方法，包括：

獲得訓練圖像以及每一訓練圖像對應的標定信息，其中，每一標定信息包括：所對應訓練圖像包含的樣本目標的標定檢測信息；

針對初始二值化分類模型的特征提取層的每一卷積層，利用該卷積層對應的第一特征提取操作，對該卷積層對應的輸入圖像進行特征提取，得到該卷積層對應的輸出圖像；其中，若卷積層為二值化卷積層，所述第一特征提取操作包括：第一二值化特征提取操作以及預設維度變換操作；若卷積層為非二值化卷積層，所述第一特征提取操作包括預設卷積操作；每一非第一層卷積層對應的輸入圖像為：該非第一層卷積層的前一卷積層對應的輸出圖像，第一層卷積層對應的輸入圖像為：所述訓練圖像；

利用所述初始二值化分類模型的特征分類層以及最后一層卷積層對應的輸出圖像，確定該輸出圖像對應的訓練圖像所包含樣本目標的預測檢測信息；

利用所述訓練圖像所包含樣本目標的預測檢測信息以及所述訓練圖像所包含樣本目標的標定檢測信息，調整所述特征提取層以及所述特征分類層的參數，直至所述初始二值化分類模型滿足預設收斂條件，確定出目標二值化分類模型。

可選的，所述第一特征提取操作包括：第一二值化特征提取操作以及預設維度變換操作的情況下；

所述針對初始二值化分類模型的特征提取層的每一卷積層，利用該卷積層對應的第一二值化特征提取操作，對該卷積層對應的輸入圖像進行特征提取，得到該卷積層對應的輸出圖像的步驟，包括：

針對初始二值化分類模型的特征提取層的每一卷積層，對該卷積層對應的輸入圖像進行二值化，得到二值化輸入圖像；

對該卷積層對應的浮點型參數進行二值化，得到二值化后的參數；

并利用二值化后的參數對所述二值化輸入圖像進行卷積操作以及歸一化操作，得到第一特征圖像；

對該卷積層對應的輸入圖像進行預設維度變換操作，得到第二特征圖像，其中，所述第二特征圖像對應的維度信息與所述第一特征圖像對應的維度信息相同；

利用所述第一特征圖像以及所述第二特征圖像，確定該卷積層對應的輸出圖像。