本公开提供了一种用于图像处理的神经网络模型训练方法，可以应用于人工智能技术领域。该方法包括：将待处理源图像进行数据增强，添加相同的透明色与不同样式的背景图，得到增强数据集；使用边缘检测算法提取增强数据集中的每个图像的捕捉对象的边缘位置；使用形态学处理方法计算边缘位置对应的边界区域信息，根据边界区域信息截取增强数据集中的每个图像的捕捉对象信息，形成训练数据集；将训练数据集输入到卷积神经网络模型中进行训练，得到图像分类模型。本公开还提供了一种用于图像处理的神经网络模型训练装置、设备、存储介质和程序产品。序产品。序产品。
【技术实现步骤摘要】
用于图像处理的神经网络模型训练方法及装置
[0001]本公开涉及人工智能领域，更具体地涉及一种用于图像处理的神经网络模型训练方法、装置、设备及介质。
技术介绍
[0002]移动互联网的蓬勃发展，使得在便携式设备上为用户提供多种类服务成为可能，图像处理等技术的应用平台从PC端逐渐扩展到移动端。充足的计算资源、时间资源和存储资源，是保证模型性能的关键。因此，部署在移动端的图像处理模型需具有占用空间小、准确率高以及实时性好的特点。
[0003]典型的深层卷积网络参数量十分庞大，对计算资源要求很高，并不适用于单个终端设备(如摄像头和手机等)，例如AlexNet中全部模型参数的50％都集中在其第一个全连接层上，VGG的模型参数有90％都是全连接层的参数。伴随着移动互联网的发展，为了在便携式设备上使用神经网络，需要减小模型的计算量和参数量，以MobileNet系列为代表的轻量级神经网络应运而生。
[0004]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下问题：目前主流的图像分类模型难以实现移动端的图像处理的业务需求。一方面，诸如ResNet
‑
50的卷积神经网络模型具有较高的准确率，但其往往需要较多的资源；另一方面，MobileNet
‑
v2等轻量级神经网络的出现虽然大大降低了资源消耗，但其准确率却无法满足业务需求。因此，如何权衡模型性能(例如准确率)与资源占用(例如存储、计算或时间资源)亟待解决。
技术实现思路
[0005]有鉴于此，本公开提供了一种用于图像处理的神经网络模型训练方法、装置、设备及介质。
[0006]本公开的一个方面提供了一种用于图像处理的神经网络模型训练方法，包括：将待处理源图像进行数据增强，添加相同的透明色与不同样式的背景图，得到增强数据集；使用边缘检测算法提取增强数据集中的每个图像的捕捉对象的边缘位置；使用形态学处理方法计算边缘位置对应的边界区域信息，根据边界区域信息截取增强数据集中的每个图像的捕捉对象信息，形成训练数据集；将训练数据集输入到卷积神经网络模型中进行训练，得到图像分类模型。
[0007]根据本公开的实施例，数据增强包括仿射变换、颜色变换、高斯噪声或模糊处理中的至少一种。
[0008]根据本公开的实施例，仿射变换包括旋转变换、放缩变换、反射变换或剪切变换中的至少一种，放缩变换包括各向同性放缩变换或非各向同性放缩变换。
[0009]根据本公开的实施例，边缘检测算法包括基于训练好的整体嵌套边缘检测网络模型的边缘检测算法。
[0010]根据本公开的实施例，形态学处理方法包括腐蚀操作、膨胀操作或开闭运算。
[0011]根据本公开的实施例，根据边界区域信息截取增强数据集中的每个图像的捕捉对象信息的步骤之后，还包括：将每个图像的边界区域之外的背景区域设置为白色。
[0012]根据本公开的实施例，模型训练应用于云端数据中心，方法还包括：根据预设模型切割点，将图像分类模型切分为第一部分模型和第二部分模型；将第一部分模型和第二部分模型分别部署于移动终端和边缘服务器。
[0013]根据本公开的实施例，将第一部分模型和第二部分模型分别部署于移动终端和边缘服务器中的步骤之后，还包括：将第一部分模型和第二部分模型分别进行压缩编码。
[0014]根据本公开的实施例，卷积神经网络模型包括轻量级网络模型。
[0015]根据本公开的实施例，轻量级网络模型包括MobileNet
‑
v2网络模型，MobileNet
‑
v2网络模型包括输入层、多个特征提取层和全连接层。
[0016]根据本公开的实施例，输入层将训练数据集中的每个图像缩放到预设尺寸。
[0017]根据本公开的实施例，MobileNet
‑
v2网络模型通过以下方式进行改进：采用预训练MobileNet
‑
v2网络模型中的特征提取层参数作为图像分类模型的初始化参数，根据图像处理实际业务数据集对图像分类模型进行微调；以及在全连接层，将输出类别修改为预设图像种类数量，采用Xavier方法对全连接层的参数进行初始化。
[0018]根据本公开的实施例，MobileNet
‑
v2网络模型采用训练后量化方式对权重进行量化。
[0019]根据本公开的实施例，训练后量化方式包括：在卷积神经网络模型训练完成后，将训练后的权重和激活函数均从32
‑
bit浮点数量化为8
‑
bit整数；或者将训练后的权重和激活函数均从32
‑
bit浮点数量化为或16
‑
bit浮点数。
[0020]本公开的另一个方面提供了一种用于图像处理的神经网络模型训练装置，包括：数据增强模块，用于将待处理源图像进行数据增强，添加相同的透明色与不同样式的背景图，得到增强数据集；边缘检测模块，用于使用边缘检测算法提取增强数据集中的每个图像的捕捉对象的边缘位置；形态学处理模块，用于使用形态学处理方法计算边缘位置对应的边界区域信息，根据边界区域信息截取增强数据集中的每个图像的捕捉对象信息，形成训练数据集；模型训练模块，用于将训练数据集输入到卷积神经网络模型中进行训练，得到图像分类模型。
[0021]根据本公开的实施例，模型训练模块还包括：模型切割单元，用于根据预设模型切割点，将图像分类模型切分为第一部分模型和第二部分模型，将第一部分模型和第二部分模型分别部署于移动终端和边缘服务器；以及模型压缩单元，用于将第一部分模型和第二部分模型分别进行压缩编码。
[0022]本公开的另一方面提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行上述用于图像处理的神经网络模型训练方法。
[0023]本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现上述用于图像处理的神经网络模型训练方法。
[0024]本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现上述用于图像处理的神经网络模型训练方法。
[0025]与现有技术相比，本公开提供的用于图像处理的神经网络模型训练方法、装置、设
备及介质，至少具有以下有益效果：
[0026](1)对现有的卷积神经网络模型进行改进，在保证图像处理能力的同时节约模型所占用的计算、存储及无线资源，以便于在资源受限的条件下实现轻量级网络模型的实现高效部署；
[0027](2)本公开通过数据增强、边缘检测和形态处理这种多层级的图像预处理，保证了图像分类模型的分类准确率。
附图说明
[0028]通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
[0029]图1示意性示出本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于图像处理的神经网络模型训练方法，包括：将待处理源图像进行数据增强，添加相同的透明色与不同样式的背景图，得到增强数据集；使用边缘检测算法提取所述增强数据集中的每个图像的捕捉对象的边缘位置；使用形态学处理方法计算所述边缘位置对应的边界区域信息，根据所述边界区域信息截取所述增强数据集中的每个图像的捕捉对象信息，形成训练数据集；将所述训练数据集输入到卷积神经网络模型中进行训练，得到图像分类模型。2.根据权利要求1所述的方法，其中，所述数据增强包括仿射变换、颜色变换、高斯噪声或模糊处理中的至少一种。3.根据权利要求2所述的方法，其中，所述仿射变换包括旋转变换、放缩变换、反射变换或剪切变换中的至少一种，所述放缩变换包括各向同性放缩变换或非各向同性放缩变换。4.根据权利要求1所述的方法，其中，所述边缘检测算法包括基于训练好的整体嵌套边缘检测网络模型的边缘检测算法。5.根据权利要求1所述的方法，其中，所述形态学处理方法包括腐蚀操作、膨胀操作或开闭运算。6.根据权利要求1所述的方法，其中，所述根据所述边界区域信息截取所述增强数据集中的每个图像的捕捉对象信息的步骤之后，还包括：将所述每个图像的边界区域之外的背景区域设置为白色。7.根据权利要求1所述的方法，其中，所述模型训练应用于云端数据中心，所述方法还包括：根据预设模型切割点，将所述图像分类模型切分为第一部分模型和第二部分模型；将所述第一部分模型和第二部分模型分别部署于移动终端和边缘服务器。8.根据权利要求7所述的方法，其中，所述将所述第一部分模型和第二部分模型分别部署于移动终端和边缘服务器中的步骤之后，还包括：将所述第一部分模型和第二部分模型分别进行压缩编码。9.根据权利要求1所述的方法，其中，所述卷积神经网络模型包括轻量级网络模型。10.根据权利要求9所述的方法，其中，所述轻量级网络模型包括MobileNet
‑
v2网络模型，所述MobileNet
‑
v2网络模型包括输入层、多个特征提取层和全连接层。11.根据权利要求10所述的方法，其中，所述输入层将所述训练数据集中的每个图像缩放到预设尺寸。12.根据权利要求10所述的方法，其中，所述MobileNet
‑
v2网络模型通过以下方式进行改进：采用预训练Mobi...
【专利技术属性】
技术研发人员：王贺，高园，夏冬，张全伟，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。