深度学习网络的训练方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种深度学习网络的训练方法、装置、计算机设备和存储介质。所述方法包括：加载训练图像和标记图像；所述标记图像为对所述训练图像中的特征物进行标记后得到的；按照预先设定的块尺寸，对所述训练图像进行块分割，得到多个图像块；在对所述多个图像块进行特征提取处理之后，对处理后的多个图像块和所述标记图像进行映射处理；对映射处理后的图像块和标记图像进行参数调整学习，得到所述深度学习网络的参数。采用本方法能够在保证识别结果准确性的情况下，能提高训练效率。

Training method, device, computer equipment and storage medium of deep learning network

【技术实现步骤摘要】
深度学习网络的训练方法、装置、计算机设备和存储介质
本申请涉及图像处理
，特别是涉及一种深度学习网络的训练方法、装置、计算机设备和存储介质。
技术介绍
在农牧行业，可以使用深度学习网络来识别动物，以计算动物的数量或者分析动物的行为。但是在深度学习网络的训练过程中，采集到动物的图像后，在将多个图像作为训练样本进行模型训练时，图像的尺寸有所不同，比如2000*3000*3、3000*2000*3或者1000*600*3等，不仅长宽尺寸不接近，而且长宽比例也可能相差很大。由于深度学习回归模型中全连接层的存在，需要对批量输入的训练样本的尺寸大小进行限制，以保证加载到的训练样本有一致的尺寸(比如896*896*3)，这个过程可以理解为尺寸归一化。但是尺寸归一化损失了图像的清晰度，甚至可能将图像上的小目标完全给损失掉，也就是说，会影响后期深度学习训练中特征局部提取的精度，导致识别结果的准确性降低。虽然为保证识别结果准确性，可以利用传统图像分割区域的方法进行训练，但是却需要分别对分割后得到的图像区域进行归一化处理，使得训练速度的降低。可见，在进行深度学习网络训练时，如何在保证识别结果准确性的情况下，能提高训练效率，是有必要解决的问题。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够在保证识别结果准确性的情况下，能提高训练效率的深度学习网络的训练方法、装置、计算机设备和存储介质。第一方面，提供一种深度学习网络的训练方法，所述方法包括：加载训练图像和标记图像；所述标记图像为对所述训练图像中的特征物进行标记后得到的；按照预先设定的块尺寸，对所述训练图像进行块分割，得到多个图像块；在对所述多个图像块进行特征提取处理之后，对处理后的多个图像块和所述标记图像进行映射处理；对映射处理后的图像块和标记图像进行参数调整学习，得到所述深度学习网络的参数。在一个实施例中，所述训练图像为多张时，各张训练图像对应不同的图像块集合，各个图像块集合包括的图像块个数相同。在一个实施例中，所述按照预先设定的块尺寸，对所述训练图像进行块分割，得到多个图像块的步骤，包括：获取预设的滑动步长和所述块尺寸；按照所述滑动步长和所述块尺寸，对所述训练图像进行滑动分割处理，得到多个图像块。在一个实施例中，当所述训练图像为多张时，各张训练图像对应不同的图像块集合，各个图像块集合中的图像块进行拼接后得到的拼接尺寸和分割前的训练图像的尺寸相同。在一个实施例中，在所述加载训练图像之前，还包括：获取多张训练图像；利用shuffle模块对多张训练图像进行随机排序处理；对随机排序处理后的训练图像进行批次分类，得到多批训练图像；分批次加载训练图像进行训练。在一个实施例中，还包括：若加载完各个批次的训练图像进行训练后，确定完成一轮训练；利用shuffle模块对所述多张训练图像的索引进行随机排序处理，进行下一轮训练。在一个实施例中，在所述确定完成一轮训练的步骤之后，还包括：更新训练轮数；若所述训练轮数未达到预设轮数，则利用shuffle模块对多张训练图像的索引进行随机排序处理，进行下一轮训练。第二方面，提供一种深度学习网络的训练装置，所述装置包括：图像加载模块，用于加载训练图像和标记图像；所述标记图像为对所述训练图像中的特征进行标记后得到的；块分割模块，用于按照预先设定的分割尺寸，对所述训练图像进行块分割，得到多个图像块；映射处理模块，用于在对所述多个图像块进行特征提取处理之后，对处理后的多个图像块和所述标记图像进行映射处理；参数调整学习模块，用于对映射处理后的图像块和标记图像进行参数调整学习，得到所述深度学习网络的参数。第三方面，提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：加载训练图像和标记图像；所述标记图像为对所述训练图像中的特征物进行标记后得到的；按照预先设定的块尺寸，对所述训练图像进行块分割，得到多个图像块；在对所述多个图像块进行特征提取处理之后，对处理后的多个图像块和所述标记图像进行映射处理；对映射处理后的图像块和标记图像进行参数调整学习，得到所述深度学习网络的参数。第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：加载训练图像和标记图像；所述标记图像为对所述训练图像中的特征物进行标记后得到的；按照预先设定的块尺寸，对所述训练图像进行块分割，得到多个图像块；在对所述多个图像块进行特征提取处理之后，对处理后的多个图像块和所述标记图像进行映射处理；对映射处理后的图像块和标记图像进行参数调整学习，得到所述深度学习网络的参数。上述深度学习网络的训练方法、装置、计算机设备和存储介质，先加载训练图像和标记图像，然后按照预先设定的块尺寸对训练图像进行块分割得到图像块，在对图像块进行特征提取处理后，对特征提取处理后的图像块和标记图像进行映射处理，对映射处理后的图像块和标记图像进行参数调整学习，得到深度学习网络的参数避免了图像信息的损失，保证了识别结果的准确性，并且先加载训练图像和标记图像，然后进行块分割处理，从而不需加载分割后得到的图像块，并且避免了对标记图像进行对应的块分割的情况，节约了深度学习网络加载时间和块分割时间，提高训练效率。附图说明图1为一个实施例中计算机设备的内部结构图；图2为一个实施例中深度学习网络的训练方法的流程示意图；图3为另一个实施例中深度学习网络的训练方法的流程示意图；图4为一个实施例中深度学习网络的训练装置的结构框图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本申请所描述的实施例可以与其它实施例相结合。本申请提供的深度学习网络的训练方法，可以应用于如图1所示的计算机设备中。该计算机设备可以是服务器，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储深度学习网络的训练数据。该计算机设备的网络接口用于与外部的终端通过网络本文档来自技高网...

【技术保护点】
1.一种深度学习网络的训练方法，包括：/n加载训练图像和标记图像；所述标记图像为对所述训练图像中的特征物进行标记后得到的；/n按照预先设定的块尺寸，对所述训练图像进行块分割，得到多个图像块；/n在对所述多个图像块进行特征提取处理之后，对处理后的多个图像块和所述标记图像进行映射处理；/n对映射处理后的图像块和标记图像进行参数调整学习，得到所述深度学习网络的参数。/n

【技术特征摘要】
1.一种深度学习网络的训练方法，包括：
加载训练图像和标记图像；所述标记图像为对所述训练图像中的特征物进行标记后得到的；
按照预先设定的块尺寸，对所述训练图像进行块分割，得到多个图像块；
在对所述多个图像块进行特征提取处理之后，对处理后的多个图像块和所述标记图像进行映射处理；
对映射处理后的图像块和标记图像进行参数调整学习，得到所述深度学习网络的参数。


2.根据权利要求1所述的方法，其特征在于，当所述训练图像为多张时，各张训练图像对应不同的图像块集合，各个图像块集合包括的图像块个数相同。


3.根据权利要求1所述的方法，其特征在于，所述按照预先设定的块尺寸，对所述训练图像进行块分割，得到多个图像块的步骤，包括：
获取预设的滑动步长和所述块尺寸；
按照所述滑动步长和所述块尺寸，对所述训练图像进行滑动分割处理，得到多个图像块。


4.根据权利要求3所述的方法，其特征在于，当所述训练图像为多张时，各张训练图像对应不同的图像块集合，各个图像块集合中的图像块进行拼接后得到的拼接尺寸和分割前的训练图像的尺寸相同。


5.根据权利要求1所述的方法，其特征在于，在所述加载训练图像之前，还包括：
获取多张训练图像；
利用shuffle模块对多张训练图像进行随机排序处理；
对随机排序处理后的训练图像进行批次分类，得到多批训练图像；
分批次加载训练图像进...

【专利技术属性】
技术研发人员：刘旭，杨龙，彭端，赵凌云，
申请(专利权)人：新希望六和股份有限公司，
类型：发明
国别省市：四川;51