图像处理模型构建方法、装置、电子设备和可读存储介质制造方法及图纸

本申请提供了一种图像处理模型构建方法、装置、电子设备和可读存储介质，其中，该方法包括：对待训练图片集进行特征提取，以得到该待训练图片集的目标元特征向量；根据该目标元特征向量，在预存的模型候选库中筛选出目标预训练模型；使用该目标预训练模型计算该待训练图片集的高语义数据；使用网络架构搜索算法，根据该高语义数据搜索得到目标网络结构；对该目标预训练模型和该目标网络结构构成的初始网络模型，使用该待训练图片集进行训练，以得到目标图像处理模型，能够提高模型构建的效率。

【技术实现步骤摘要】
图像处理模型构建方法、装置、电子设备和可读存储介质
本申请涉及图像识别
，具体而言，涉及一种图像处理模型构建方法、装置、电子设备和可读存储介质。
技术介绍
在实际的图像任务建模中，通常都会构建一个或多个网络模型组合而成。针对多层网络模型的选择和构建，通常的关注点在于，如何选择各层网络模块，针对选出的网络模块如何实现修改，以满足不同任务的需求。目前的操作方式，一般是技术人员根据经验选出合适的模型，例如，可以选择最新、准确度最高或训练速度最快的模型等。在选出初始的模型后，可以根据任务需求调整全连接单元数；也有的做法会在选出的初始的模型添加少数人工设计的结构，效果可能会更好，但是更依赖于算法人员的专业知识。
技术实现思路
本申请的目的在于提供一种图像处理模型构建方法、装置、电子设备和可读存储介质，能够提高模型构建的效率。第一方面，本专利技术提供一种图像处理模型构建方法，包括：对待训练图片集进行特征提取，以得到所述待训练图片集的目标元特征向量；根据所述目标元特征向量，在预存的模型候选库中筛选出目本文档来自技高网...

【技术保护点】
1.一种图像处理模型构建方法，其特征在于，包括：/n对待训练图片集进行特征提取，以得到所述待训练图片集的目标元特征向量；/n根据所述目标元特征向量，在预存的模型候选库中筛选出目标预训练模型；/n使用所述目标预训练模型计算所述待训练图片集的高语义数据；/n使用网络架构搜索算法，根据所述高语义数据搜索得到目标网络结构；/n对所述目标预训练模型和所述目标网络结构构成的初始网络模型，使用所述待训练图片集进行训练，以得到目标图像处理模型。/n

【技术特征摘要】
1.一种图像处理模型构建方法，其特征在于，包括：
对待训练图片集进行特征提取，以得到所述待训练图片集的目标元特征向量；
根据所述目标元特征向量，在预存的模型候选库中筛选出目标预训练模型；
使用所述目标预训练模型计算所述待训练图片集的高语义数据；
使用网络架构搜索算法，根据所述高语义数据搜索得到目标网络结构；
对所述目标预训练模型和所述目标网络结构构成的初始网络模型，使用所述待训练图片集进行训练，以得到目标图像处理模型。


2.根据权利要求1所述的方法，其特征在于，所述对待训练图片集进行特征提取，以得到所述待训练图片集的目标元特征向量，包括：
将所述待训练图片集中的每张图片输入预设的预训练模型中进行计算，得到每张图片对应的特征向量；
从所述待训练图片集中的每张图片对应的特征向量构成二维向量中抽取所述目标元特征向量。


3.根据权利要求1所述的方法，其特征在于，所述根据所述目标元特征向量，在预存的模型候选库中筛选出目标预训练模型，包括：
计算所述目标元特征向量与所述预存的模型候选库中的元特征向量的相似度；
根据所述目标元特征向量与所述预存的模型候选库中的元特征向量的相似度确定出所述目标预训练模型。


4.根据权利要求3所述的方法，其特征在于，所述计算所述目标元特征向量与所述预存的模型候选库中的元特征向量的相似度，包括：
计算所述目标元特征向量与所述预存的模型候选库中的元特征向量的余弦值，其中，所述目标元特征向量与所述预存的模型候选库中的元特征向量的余弦值的绝对值越大，则所述目标元特征向量与所述预存的模型候选库中的元特征向量的相似度越大。


5.根据权利要求1所述的方法，其特征在于，所述使用所述目标预训练模型计算所述待训练图片集的高语义数据，包括：
将所述待训练图片集中的每张图片输入所述目标预训练模型中进行计算，得的每张图片对应的输出向量；
根据每张图片的输出向量以及每张图片对应的标签构成所述高语义数据。<...

【专利技术属性】
技术研发人员：雷翔，蒋晓路，田贵成，张发恩，
申请(专利权)人：重庆赛迪奇智人工智能科技有限公司，
类型：发明
国别省市：重庆;50