[發明專利]基于圖像檢測模型訓練的剪枝方法及裝置

在審

• 申請號: 202211027336.8
• 申請日: 2022-08-25
• 公開（公告）號: CN115545184A
• 公開（公告）日: 2022-12-30
• 發明（設計）人: 陸強
• 申請（專利權）人: 嬴徹星創智能科技（上海）有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06V10/774;G06V10/82;G06V40/10
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 李相雨

1.一種基于圖像檢測模型訓練的剪枝方法，其特征在于，包括：

將圖像訓練集輸入圖像檢測模型，計算損失值；

根據所述損失值計算所述圖像檢測模型的各層中參數矩陣的第一梯度；

根據預設的稀疏化比率，確定待剪枝層的參數矩陣中的待稀疏化參數；

根據所述待稀疏化參數生成掩膜矩陣；

根據所述掩膜矩陣和預設的正則化項更新所述待稀疏化參數的梯度為第二梯度；

根據所述第二梯度更新待剪枝層中的所述待稀疏化參數，根據所述第一梯度更新待剪枝層中的其它參數及其它各層中的參數，以更新各層的參數矩陣，

按預設的迭代次數N，迭代上述步驟N次，以完成剪枝，并得到訓練完成的圖像檢測模型，N為大于1的整數。

2.根據權利要求1所述的基于圖像檢測模型訓練的剪枝方法，其特征在于，根據預設的稀疏化比率，確定待剪枝層的參數矩陣中的待稀疏化參數，包括：

將待剪枝層的參數矩陣中的參數按其絕對值由小到大排序；

選擇前n×r個參數為所述待稀疏化參數，其中，n為所述參數矩陣中參數總個數，r為所述稀疏化比率。

3.根據權利要求1所述的基于圖像檢測模型訓練的剪枝方法，其特征在于，根據所述掩膜矩陣和預設的正則化項更新所述待稀疏化參數的梯度為第二梯度，包括：

根據所述參數矩陣和所述掩膜矩陣確定所述正則化項；

根據所述掩膜矩陣、所述正則化項和預設的正則化項的更新系數更新所述待稀疏化參數的梯度為第二梯度。

4.根據權利要求1所述的基于圖像檢測模型訓練的剪枝方法，其特征在于，所述圖像檢測模型為行人檢測模型。

5.根據權利要求4所述的基于圖像檢測模型訓練的剪枝方法，其特征在于，所述計算損失值，包括：

計算用于預測圖像中目標框的類別的第一損失函數；

計算用于預測所述目標框的中心位置的第二損失函數；

計算用于預測所述目標框的尺寸范圍的第三損失函數；

根據第一損失函數、第二損失函數和第三損失函數計算所述損失值。

6.根據權利要求5所述的基于圖像檢測模型訓練的剪枝方法，其特征在于，所述待剪枝層為所述圖像檢測模型的網絡輸出層。

7.根據權利要求1～6中任一項所述的基于圖像檢測模型訓練的剪枝方法，其特征在于，所述稀疏化比率為0.2～0.6。

8.一種基于圖像檢測模型訓練的剪枝裝置，其特征在于，包括：

損失值計算模塊，用于將圖像訓練集輸入圖像檢測模型，計算損失值；

梯度計算模塊，用于根據所述損失值計算所述圖像檢測模型的各層中參數矩陣的第一梯度；

待稀疏化參數確定模塊，用于根據預設的稀疏化比率，確定待剪枝層的參數矩陣中的待稀疏化參數；

掩膜矩陣生成模塊，用于根據所述待稀疏化參數生成掩膜矩陣；

梯度更新模塊，用于根據所述掩膜矩陣和預設的正則化項更新所述待稀疏化參數的梯度為第二梯度；

參數矩陣更新模塊，用于根據所述第二梯度更新待剪枝層中的所述待稀疏化參數，根據所述第一梯度更新待剪枝層中的其它參數及其它各層中的參數，以更新各層的參數矩陣，

按預設的迭代次數N，迭代執行上述模塊N次，以完成剪枝，并得到訓練完成的圖像檢測模型，N為大于1的整數。

9.一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現如權利要求1～7中任一項所述的基于圖像檢測模型訓練的剪枝方法。

10.一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1～7中任一項所述的基于圖像檢測模型訓練的剪枝方法。