[發明專利]基于神經網絡結構微調的圖像分類方法、裝置和存儲介質

在審

• 申請號: 202310450659.6
• 申請日: 2023-04-25
• 公開（公告）號: CN116188878A
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 常璟飛;曾令仿;李勇;程穩;蔣科;吳洵進;陳光;朱健;王鵬程
• 申請（專利權）人: 之江實驗室
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06V10/774;G06V10/776;G06N3/0464;G06N3/082
• 代理公司: 杭州華進聯浙知識產權代理有限公司 33250
• 代理人: 何曉春

1.一種基于神經網絡結構微調的圖像分類方法，用于對特征圖進行處理，所述特征圖由圖像數據集輸入神經網絡所獲得，其特征在于，所述方法包括：

基于所述圖像數據集中的訓練集，對所述神經網絡進行預訓練，獲取待剪枝神經網絡；

基于所述圖像數據集中的驗證集，獲取所述待剪枝神經網絡的卷積層各特征圖的最小絕對偏差，其中所述最小絕對偏差為生成特征圖的圖像數據絕對值之和；

基于各所述特征圖的最小絕對偏差，確定各所述特征圖的剪枝閾值，對所述待剪枝神經網絡的特征圖進行剪枝，獲取剪枝后的剪枝結構；

訓練并量化所述剪枝結構，獲取量化后的所述剪枝結構相較于所述待剪枝神經網絡的圖像分類精度的損失值；

基于所述損失值和所述剪枝結構的最大迭代周期，對所述剪枝結構進行迭代微調，輸出所述剪枝結構微調后的圖像分類特征模型；

將待測圖像輸入所述圖像分類特征模型，得到分類結果。

2.根據權利要求1所述的基于神經網絡結構微調的圖像分類方法，其特征在于，所述基于各所述特征圖的最小絕對偏差，確定各所述特征圖的剪枝閾值包括：

基于待剪枝神經網絡的卷積層中生成各特征圖的最小絕對偏差，獲取各所述特征圖的重要性分數；

基于所述重要性分數和所述待剪枝神經網絡的剪枝因子，確定各所述特征圖的剪枝閾值。

3.根據權利要求2所述的基于神經網絡結構微調的圖像分類方法，其特征在于，所述基于待剪枝神經網絡的卷積層中生成各特征圖的最小絕對偏差，獲取各所述特征圖的重要性分數包括：

基于待剪枝神經網絡的卷積層中生成各特征圖的最小絕對偏差，對每一個卷積層中的特征圖進行最大正則化，獲取各所述特征圖的重要性分數。

4.根據權利要求1所述的基于神經網絡結構微調的圖像分類方法，其特征在于，所述訓練并量化所述剪枝結構，獲取量化后的所述剪枝結構相較于所述待剪枝神經網絡的圖像分類精度的損失值包括：

基于余弦退火學習率算法，訓練所述剪枝結構；

量化所述剪枝結構中各卷積層的權重參數，獲取量化后的所述剪枝結構相較于所述待剪枝神經網絡的圖像分類精度的損失值。

5.根據權利要求1所述的基于神經網絡結構微調的圖像分類方法，其特征在于，所述基于所述損失值和所述剪枝結構的最大迭代周期，對所述剪枝結構進行迭代微調，輸出所述剪枝結構微調后的圖像分類特征模型包括：

若所述損失值小于設定的最大損失值或者所述剪枝結構的迭代次數大于所述最大迭代周期，則輸出所述圖像分類特征模型；

若所述損失值大于所述最大損失值且所述迭代次數小于所述最大迭代周期，則對所述剪枝結構進行迭代微調，并對微調后的所述剪枝結構重新訓練量化，直至所述損失值小于所述最大損失值或者所述迭代次數大于所述最大迭代周期。

6.根據權利要求5所述的基于神經網絡結構微調的圖像分類方法，其特征在于，所述若所述損失值大于所述最大損失值且所述迭代次數小于所述最大迭代周期，則對所述剪枝結構進行微調包括：

若所述損失值大于所述最大損失值且所述迭代次數小于所述最大迭代周期，則計算所述剪枝結構的各卷積層中特征圖對應的通道數的微調速度；

基于所述微調速度，更新所述剪枝結構。

7.根據權利要求1所述的基于神經網絡結構微調的圖像分類方法，其特征在于，所述將待測圖像輸入所述圖像分類特征模型，得到分類結果包括：

將所述待測圖像輸入所述圖像分類特征模型，得到所述分類結果；

基于所述分類結果，獲取所述圖像分類特征模型的圖像分類精度的實際數據。