神经网络模型的训练方法、装置以及计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种神经网络模型的训练方法、装置以及计算机可读存储介质，获取预设格式的图像在解码过程生成的预设步长的频域信息；根据所述频域信息生成频域特征图；根据所述频域特征图在预设骨干网络模型中选取骨干网络；根据所述频域特征图与所述骨干网络生成神经网络模型；根据预设的训练集对神经网络模型进行训练得到目标模型并保存。本发明专利技术保证模型得到了能准确对高清图像进行分析的神经网络模型。

【技术实现步骤摘要】
神经网络模型的训练方法、装置以及计算机可读存储介质
本专利技术涉及图像识别
，尤其涉及一种神经网络模型的训练方法、装置以及计算机可读存储介质。
技术介绍
随着图像传感器与显示技术的发展，在智能安防及城市管理、工业物联网等行业，超高清分辨图像的应用越来越丰富。特别是近年来，5G与8K技术的发展中，8K以超高清、高帧频、宽动态，5G以高带宽、低延时、广覆盖连接的优势，使基于超高清视频的人工智能应用与物联网融为一体，如基于无人机的超高清智能城市违建发现、工业瑕疵检测以及超高清智能摄像机等应用。神经网络在计算机视觉任务中取得了显著的成绩，但当前的神经网络主要应用在空间域即直接处理RGB像素，输入大小固定。对于实际应用，特别是高清视频与图像数据，必须降采样到神经网络的预定输入大小。忽略了高清图像的细节特征，从而导致图像精度下降，甚至对于8K这种超分辨率图像，由于过度下采样导致无法全面解析超分辨率图像丰富的语义信息，从而导致无法训练出能准确对高清图像进行分析的神经网络模型。
技术实现思路
本专利技术的主要目的在于提供一种神经网络模型的训练方法、装置以及计算机可读存储介质，旨在解决无法训练出能准确对高清图像进行分析的神经网络模型的问题。为实现上述目的，本专利技术提供的一种神经网络模型的训练方法，所述神经网络模型的训练方法包括以下步骤：获取预设格式的图像在解码过程生成的预设步长的频域信息；根据所述频域信息生成频域特征图；根据所述频域特征图在预设骨干网络模型中选取骨干网络；根据所述频域特征图与所述骨干网络生成神经网络模型；根据预设的训练集对神经网络模型进行训练得到目标模型并保存。在一实施例中，所述根据所述频域特征图与所述骨干网络确定神经网络模型的步骤包括：确定所述频域特征图的特征图通道；在所述特征图通道中抽取关键通道；根据所述关键通道确定新的频域特征图；根据所述新的频域特征图与所述骨干网络确定神经网络模型。在一实施例中，所述在所述特征图通道中抽取关键通道的步骤包括：确定每个所述特征图通道的权重信息；将所述权重信息大于预设权重的所述特征图通道作为所述关键通道。在一实施例中，所述在所述特征图通道中抽取关键通道的步骤包括：确定所述特征图通道的标准化矩阵，并确定所述标准化矩阵的相关系数矩阵；根据所述相关系数矩阵确定所述标准化矩阵的特征根，并根据所述特征根确定主成分；根据所述主成分的方差以及贡献率确定所述关键通道。在一实施例中，所述根据所述频域信息生成频域特征图的步骤，还包括：获取预设格式的图像亮度分量、蓝色色度分量以及红色色度分量的频域信息；分别确定每个分量的频域信息对应的频域通道；根据每个所述频域通道的张量形状对每个分量的所述频域通道进行调整，以使各个分量的频域通道的张量形状一致；对调整后的各个分量的频域通道进行拼接，以生成特征图通道；根据所述特征图通道确定所述频域特征图。在一实施例中，所述分别根据所述频域通道的张量形状对每个分量的所述频域通道进行调整的步骤包括：对蓝色色度分量与红色色度分量的频域信息进行采样，以得到采样频域信息；根据所述采样频域信息对蓝色色度分量与红色色度分量的所述频域通道进行调整，以使蓝色色度分量与红色色度分量的频域通道的尺寸与亮度分量的频域通道的尺寸一致。在一实施例中，所述获取预设格式的图像在解码过程生成预设步长的频域信息之前，还包括：分别确定预设格式的图像的亮度分量、蓝色色度分量以及红色色度分量对应的分量图像；将每个所述分量图像分割为预设步长的像素块；对每个像素块做离散余弦变换以生成频域信息，所述频域信息包括高频分量和低频分量；根据预设的量化表确定所述频域信息的量化精度，所述高频分量的量化精度低于所述低频分量的量化精度；根据所述量化精度将所述频域信息进行量化并存储在存储空间。在一实施例中，所述按照所述第一存储精度以及所述第二存储精度对所述频域信息进行存储的步骤之后，还包括：根据预设算法对所述频域信息进行压缩，以减小所述频域信息的存储数据量。为实现上述目的，本专利技术还提供一种神经网络模型的训练装置，所述神经网络模型的训练装置包括存储器、处理器以及存储在所述存储器并可在所述处理器上执行的神经网络模型的训练程序，所述神经网络模型的训练程序被所述处理器执行时实现如上所述的神经网络模型的训练方法的各个步骤。为实现上述目的，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有神经网络模型的训练程序，所述神经网络模型的训练程序被处理器执行时实现如上所述的神经网络模型的训练方法的各个步骤。本专利技术提供的一种神经网络模型的训练方法、装置以及计算机可读存储介质，获取预设格式的图像在解码过程生成的预设步长的频域信息，根据频域信息生成频域特征图，根据频域特征图选取骨干网络；根据频域特征图与骨干网络生成神经网络模型，根据预设的训练集对神经网络模型进行训练得到目标模型并保存。训练得到的目标模型可以对高像素的图像进行训练，并且保留图像的重要图像信息，避免了由于图像像素过大使得神经网络模型训练过程中丢失较多图像信息的情况。附图说明图1为本专利技术实施例涉及的神经网络模型的训练装置的硬件结构示意图；图2为本专利技术神经网络模型的训练方法的第一实施例的流程示意图；图3为本专利技术神经网络模型的训练方法的图像进行离散余弦变换的示意图；图4为本专利技术神经网络模型的训练方法的第二实施例的步骤S40的细化流程示意图；图5为本专利技术神经网络模型的训练方法的第三实施例的步骤S20的细化流程示意图；图6为本专利技术神经网络模型的训练方法的图像进行离散余弦变换的示意图；图7为本专利技术神经网络模型的训练方法的第四实施例的流程示意图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术实施例的主要解决方案是：获取预设格式的图像在解码过程生成的预设步长的频域信息；根据所述频域信息生成频域特征图；根据所述频域特征图在预设骨干网络模型中选取骨干网络；根据所述频域特征图与所述骨干网络生成神经网络模型；根据预设的训练集对神经网络模型进行训练得到目标模型并保存。训练得到的目标模型可以对高像素的图像进行训练，并且保留图像的重要图像信息，避免了由于图像像素过大使得神经网络模型训练过程中丢失较多图像信息的情况。作为一种实现方案，神经网络模型的训练装置可以如图1所示。本专利技术实施例方案涉及的是神经网络模型的训练装置，神经网络模型的训练装置包括：处理器101，例如CPU，存储器102，通信总线103。其中，通信总线103用于实现这些组件之间的连接通信。存储器102可以是高速R本文档来自技高网...

【技术保护点】
1.一种神经网络模型的训练方法，其特征在于，所述神经网络模型的训练方法包括：/n获取预设格式的图像在解码过程生成的预设步长的频域信息；/n根据所述频域信息生成频域特征图；/n根据所述频域特征图在预设骨干网络模型中选取骨干网络；/n根据所述频域特征图与所述骨干网络生成神经网络模型；/n根据预设的训练集对神经网络模型进行训练得到目标模型并保存。/n

【技术特征摘要】
1.一种神经网络模型的训练方法，其特征在于，所述神经网络模型的训练方法包括：
获取预设格式的图像在解码过程生成的预设步长的频域信息；
根据所述频域信息生成频域特征图；
根据所述频域特征图在预设骨干网络模型中选取骨干网络；
根据所述频域特征图与所述骨干网络生成神经网络模型；
根据预设的训练集对神经网络模型进行训练得到目标模型并保存。


2.如权利要求1所述的神经网络模型的训练方法，其特征在于，所述根据所述频域特征图与所述骨干网络确定神经网络模型的步骤包括：
确定所述频域特征图的特征图通道；
在所述特征图通道中抽取关键通道；
根据所述关键通道确定新的频域特征图；
根据所述新的频域特征图与所述骨干网络确定神经网络模型。


3.如权利要求2所述的神经网络模型的训练方法，其特征在于，所述在所述特征图通道中抽取关键通道的步骤包括：
确定每个所述特征图通道的权重信息；
将所述权重信息大于预设权重的所述特征图通道作为所述关键通道。


4.如权利要求2所述的神经网络模型的训练方法，其特征在于，所述在所述特征图通道中抽取关键通道的步骤包括：
确定所述特征图通道的标准化矩阵，并确定所述标准化矩阵的相关系数矩阵；
根据所述相关系数矩阵确定所述标准化矩阵的特征根，并根据所述特征根确定主成分；
根据所述主成分的方差以及贡献率确定所述关键通道。


5.如权利要求1所述的神经网络模型的训练方法，其特征在于，所述根据所述频域信息生成频域特征图的步骤，还包括：
获取预设格式的图像亮度分量、蓝色色度分量以及红色色度分量的频域信息；
分别确定每个分量的频域信息对应的频域通道；
根据每个所述频域通道的张量形状对每个分量的所述频域通道进行调整，以使各个分量的频域通道的张量形状一致；
对调整后的各个分量的频域通道进行拼接，以生成特征图通道；
根据所...

【专利技术属性】
技术研发人员：刘强，李杉杉，蔡振伟，徐丽华，徐明，
申请(专利权)人：深圳力维智联技术有限公司，南京中兴力维软件有限公司，
类型：发明
国别省市：广东;44