【技术实现步骤摘要】
骨干网络的生成方法、装置、设备以及存储介质
[0001]本公开涉及人工智能
，具体为深度学习和计算机视觉技术，尤其涉及骨干网络的生成方法、装置、设备以及存储介质。
技术介绍
[0002]在基于深度学习的计算机视觉任务中，如图像分类、目标检测、图像语义分割、度量学习等都离不开骨干网络，骨干网络作为特征的提取器，其重要意义不言而喻。现有的一些轻量化的骨干网络，如SHuffleNetV2、MobileNetV3等，这些骨干网络在Intel CPU(英特尔中央处理器)端推理耗时仍然不太理想，导致目标检测、图像分割等任务不能在Intel CPU端做实时预测。
技术实现思路
[0003]本公开提供了一种骨干网络的生成方法、装置、设备以及存储介质。
[0004]根据本公开的第一方面，提供了一种骨干网络的生成方法，包括：获取训练图像集、推理图像集以及初始骨干网络集合；针对初始骨干网络集合中的每个初始骨干网络，利用训练图像集与推理图像集对初始骨干网络进行训练和推理，得到训练完成的骨干网络在推理过程中的推理耗时与推...
【技术保护点】
【技术特征摘要】
1.一种骨干网络的生成方法，包括：获取训练图像集、推理图像集以及初始骨干网络集合；针对所述初始骨干网络集合中的每个初始骨干网络，利用所述训练图像集与所述推理图像集对所述初始骨干网络进行训练和推理，得到训练完成的骨干网络在推理过程中的推理耗时与推理精度；基于各个训练完成的骨干网络在推理过程中的推理耗时与推理精度，确定基础骨干网络；基于所述基础骨干网络与预设的目标网络，得到目标骨干网络。2.根据权利要求1所述的方法，其中，所述利用所述训练图像集与所述推理图像集对所述初始骨干网络进行训练和推理，得到训练完成的骨干网络在推理过程中的推理耗时与推理精度，包括：利用所述训练图像集对所述初始骨干网络进行训练，得到训练完成的骨干网络；将所述训练完成的骨干网络转化为推理网络，利用所述推理网络对所述推理图像集进行推理，得到所述推理网络在推理过程中的推理耗时和推理精度。3.根据权利要求2所述的方法，其中，所述基于各个训练完成的骨干网络在推理过程中的推理耗时与推理精度，确定基础骨干网络，包括：将各个推理网络在推理过程中的推理耗时和推理精度绘制为二维坐标系中的点；从所述二维坐标系中的各个点中确定目标点，将所述目标点对应的初始骨干网络确定为基础骨干网络。4.根据权利要求1所述的方法，其中，所述基于所述基础骨干网络与预设的目标网络，得到目标骨干网络，包括：获取目标网络，其中，所述目标网络包括以下至少一项：激活函数、全连接层；将所述目标网络添加至所述基础骨干网络中，得到目标骨干网络。5.根据权利要求1
‑
4中任一项所述的方法，还包括：更新所述目标骨干网络的卷积核尺寸。6.根据权利要求1
‑
5中任一项所述的方法，还包括：将SE模块添加至所述目标骨干网络中预定的目标添加位置，得到最终的骨干网络。7.根据权利要求6所述的方法，其中，所述目标添加位置通过如下步骤确定：将SE模块添加至所述目标骨干网络中的不同位置，得到对应的第一骨干网络集合；针对所述第一骨干网络集合中的每个第一骨干网络，利用所述第一骨干网络对所述推理图像集进行推理，得到所述第一骨干网络在推理过程中的推理耗时和推理精度；基于每个第一骨干网络在推理过程中的推理耗时和推理精度，确定所述目标添加位置。8.根据权利要求1所述的方法，其中，所述初始骨干网络集合包括至少一个初始骨干网络；以及所述初始骨干网络通过如下步骤得到：获取各个轻量级骨干网络的网络模块，得到网络模块集合；对所述网络模块集合中的网络模块进行随机组合，得到所述初始骨干网络。9.一种图像分类方法，包括：
获取待分类图像；利用预先生成的骨干网络提取所述待分类图像的特征，得到图像特征，其中，所述骨干网络通过如权利要求1
‑
8中任一项所述的方法生成；对所述图像特征进行分类，得到分类结果。10.一种骨干网络的生成装置，包括：第一获取模块，被配置成获取训练图像集、推理图像集以及初始骨干网络集合；训练模块，被配置成针对所述初始骨干网络集合中的每个初始骨干网络，利用所述训练图像集与所述推理图像集对所述初始骨干网络进行训练和推理，得到训练完成的骨干网络在推理过程中的推理耗时与推理精度；确定模块，被配置成基于各个训练完成的骨...
【专利技术属性】
技术研发人员：崔程，郜廷权，魏胜禹，杜宇宁，郭若愚，陆彬，周颖，吕雪莹，刘其文，胡晓光，于佃海，马艳军，
申请(专利权)人：北京百度网讯科技有限公司，
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。