[發(fā)明專利]基于人工蜂群的圖像識別方法、系統(tǒng)及存儲介質

在審

• 申請?zhí)枺?/td>: 202110323612.4
• 申請日: 2021-03-26
• 公開（公告）號: CN113139582A
• 公開（公告）日: 2021-07-20
• 發(fā)明（設計）人: 劉廉如;王永斌;張忠平;肖益珊;季文翀;丁雷
• 申請（專利權）人: 宜通世紀物聯(lián)網(wǎng)研究院（廣州）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 常柯陽

本發(fā)明提供的基于人工蜂群的圖像識別方法、系統(tǒng)及存儲介質，方法包括：獲取若干攜帶標簽的圖像文件構成訓練樣本，根據(jù)訓練樣本訓練得到深度學習模型，通過人工蜂群對深度學習模型進行壓縮；獲取待識別的圖像文件，根據(jù)壓縮后的深度學習模型對待識別的圖像文件進行分類識別；通過人工蜂群對深度學習模型進行壓縮這一步驟包括：縮小深度學習模型的通道組合，通過人工蜂群搜索得到通道組合的剪枝結構。方法有效解決深層網(wǎng)絡中難以處理的巨大剪枝結構組合問題，方法將最優(yōu)剪枝結構的搜索問題轉化為優(yōu)化問題，并結合人工蜂群算法進行自動求解，以減少人為干擾，有效地提升了圖像識別模型的性能，可廣泛應用于深度學習技術領域。

技術領域

本發(fā)明涉及深度學習技術領域，尤其是基于人工蜂群的圖像識別方法、系統(tǒng)及存儲介質。

背景技術

深度學習解決了許多具有挑戰(zhàn)的問題，其成果已經(jīng)廣泛地應用于計算機視覺、語音識別、自然語言處理等領域。尤其是基于深度學習圖像識別技術在邊緣計算系統(tǒng)的端設備上有巨大的應用前景和需求。然而傳統(tǒng)的深度學習模型通常包含大量的參數(shù)冗余，容易遇到過擬合問題，在訓練過程中難以保證得到最優(yōu)的結果。

發(fā)明內容

有鑒于此，為至少部分解決上述技術問題之一，本發(fā)明實施例目的在于提供一種基于人工蜂群的圖像識別方法，能夠解決深度學習模型訓練中過擬合問題；同時本申請還提供了對應的實現(xiàn)該方法的系統(tǒng)及計算機可讀存儲介質。

第一方面，本發(fā)明的技術方案提供了基于人工蜂群的圖像識別方法，其步驟包括：獲取若干攜帶標簽的圖像文件構成訓練樣本，根據(jù)所述訓練樣本訓練得到深度學習模型，通過人工蜂群對所述深度學習模型進行壓縮；

獲取待識別的圖像文件，根據(jù)壓縮后的深度學習模型對所述待識別的圖像文件進行分類識別；

所述通過人工蜂群對所述深度學習模型進行壓縮這一步驟包括：

縮小所述深度學習模型的通道組合，通過所述人工蜂群搜索得到所述通道組合的剪枝結構。

在本申請方案的一種可行的實施例中，所述根據(jù)所述訓練樣本訓練得到深度學習模型這一步驟，其包括：

確定節(jié)點的聯(lián)結權重以及激活函數(shù)，根據(jù)所述聯(lián)結權重以及所述激活函數(shù)確定所述深度學習模型；

根據(jù)所述深度學習模型的網(wǎng)絡層，確定剪枝模型以及所述剪枝模型的通道數(shù)量。

在本申請方案的一種可行的實施例中，所述根據(jù)所述訓練樣本訓練得到深度學習模型這一步驟，其包括：

通過根據(jù)所述標簽以及所述深度學習模型確定誤差，根據(jù)所述誤差修正連接權重。

在本申請方案的一種可行的實施例中，所述縮小所述深度學習模型的通道組合，通過所述人工蜂群搜索得到所述通道組合的剪枝結構這一步驟，其包括：

通過所述人工蜂群中的雇傭蜂對所述剪枝模型的結構生成若干第一結構候選；

根據(jù)所述第一結構候選替換所述剪枝模型。

在本申請方案的一種可行的實施例中，所述根據(jù)所述第一結構候選替換所述剪枝模型這一步驟，其包括：

根據(jù)若干所述第一結構候選以及所述剪枝模型通過貪婪算法，確定所述第一結構候選的適合度，根據(jù)所述適合度將第一結構候選替換所述剪枝模型。

在本申請方案的一種可行的實施例中，所述縮小所述深度學習模型的通道組合，通過所述人工蜂群搜索得到所述通道組合的剪枝結構這一步驟，其還包括：

通過所述人工蜂群中的跟隨蜂確定所述結構候選的適合度概率，根據(jù)所述適合度概率得到第二結構候選；

根據(jù)所述第二結構候選替換所述剪枝模型。