[發(fā)明專利]一種細粒度分類模型的優(yōu)化方法、系統(tǒng)及相關裝置

在審

• 申請?zhí)枺?/td>: 202011277232.3
• 申請日: 2020-11-16
• 公開（公告）號: CN112396100A
• 公開（公告）日: 2021-02-23
• 發(fā)明（設計）人: 高遠
• 申請（專利權）人: 中保車服科技服務股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 深圳中細軟知識產(chǎn)權代理有限公司 44528
• 代理人: 袁文英

本發(fā)明公開了一種細粒度分類模型的優(yōu)化方法、系統(tǒng)及相關裝置，該方法包括將初始細粒度分類模型的初始準確率作為參考準確率，利用剪枝技術對前一細粒度分類模型進行剪枝，以通過前一次剪枝得到的細粒度分類模型對應的目標準確率與參考準確率的差值來確定剪枝次數(shù)，直到最終目標準確率與參考準確率的差值大于預設閾值時停止剪枝，從而得到目標細粒度分類模型。本發(fā)明旨在利用剪枝技術，將初始細粒度分類模型轉(zhuǎn)化為體積更小更優(yōu)的目標細粒度分類模型，使得內(nèi)存占用減小，提高分類效率，并通過分類準確率與參考準確率的差值與預設閾值的比較來確保目標細粒度分類模型的分類效果與初始細粒度分類模型的分類效果保持一致，達到保持模型準確率的目的。

技術領域

本發(fā)明涉及分類技術領域，尤其涉及一種細粒度分類模型的優(yōu)化方法、系統(tǒng)及相關裝置。

背景技術

細粒度分類對物體大類下的子類進行識別，從而區(qū)分物體大類下的不同子分類。細粒度分類任務相對通用分類任務的區(qū)別和難點在于其物體所屬類別的粒度更為精細，因此，其廣泛應用于目標檢測、目標識別、目標分類，如圖像識別等領域。

然而現(xiàn)有的細粒度分類模型的網(wǎng)絡結構較為復雜且龐大，在海量目標分類中，計算量呈數(shù)量級，使得計算時間過長，功耗增大，并且由于其網(wǎng)絡結構龐大，使得內(nèi)存占用過大，給終端設備帶來負擔，導致分類效率低。

因此，現(xiàn)有技術還有待于發(fā)展和改進。

發(fā)明內(nèi)容

基于此，有必要針對現(xiàn)有的細粒度分類模型網(wǎng)絡結構復雜而導致分類效率低的技術問題，提出了一種細粒度分類模型的優(yōu)化方法、系統(tǒng)及相關裝置。

第一方面，本申請?zhí)峁┝艘环N細粒度分類模型的優(yōu)化方法，所述細粒度分類模型的優(yōu)化方法包括：

獲取預先訓練的初始細粒度分類模型以及所述初始細粒度分類模型的初始準確率；

對所述初始細粒度分類模型進行剪枝，得到第一細粒度分類模型；

對第一細粒度分類模型進行訓練，得到所述第一細粒度分類模型的第一準確率；

若第一準確率與初始準確率的差值小于或等于預設閾值，則對第i個細粒度分類模型進行剪枝，以得到第i+1個細粒度分類模型；其中，第1個細粒度分類模型為所述第一細粒度分類模型，i的初始值為1；

確定第i+1個細粒度分類模型的第i+1個準確率與初始準確率的差值是否大于預設閾值；

若大于，則停止剪枝，將第i個細粒度分類模型作為目標細粒度分類模型；

若小于，則令i＝i+1，返回執(zhí)行對第i個細粒度分類模型進行剪枝。

所述的細粒度分類模型的優(yōu)化方法，其中，所述對所述初始細粒度分類模型進行剪枝，得到第一細粒度分類模型具體包括：

獲取所述初始細粒度分類模型中網(wǎng)絡結構層數(shù)m，m為正整數(shù)；

獲取所述初始細粒度分類模型中第n層網(wǎng)絡結構所包含的所有卷積核對應的若干參數(shù)值，其中，n的初始值為1，n為正整數(shù)，且n≤m；

對每個卷積核對應的若干參數(shù)分別進行求和，得到每個卷積核對應的總參數(shù)值；

對所有總參數(shù)值進行排序，根據(jù)排序結果確定用于去除卷積核的參考值；

若沒有卷積核的總參數(shù)值大于所述參考值，則令n＝n+1，返回執(zhí)行執(zhí)行獲取所述初始細粒度分類模型中第n層網(wǎng)絡結構所包含的所有卷積核對應的若干參數(shù)值；

若存在某一卷積核的總參數(shù)值小于或等于所述參考值，則將所述卷積核刪除，并令n＝n+1，則返回執(zhí)行獲取所述初始細粒度分類模型中第n層網(wǎng)絡結構所包含的所有卷積核對應的若干參數(shù)值；

將n＝m所得到的最終細粒度分類模型作為第一細粒度分類模型。