一种训练模型组中训练模型的筛选方法、装置及电子设备制造方法及图纸

本发明专利技术实施例提供了一种训练模型组中训练模型的筛选方法、装置及电子设备，其中训练模型组中训练模型的筛选方法包括：初始化粒子群中每个粒子的粒子矢量；将检测样本和所述每个粒子的粒子矢量输入到训练模型组中利用粒子群算法筛选出所述训练模型组的最优解。由此可以利用粒子群算法进行自动寻优，相较于人工寻优更加快速也更加准确。寻优更加快速也更加准确。寻优更加快速也更加准确。

【技术实现步骤摘要】
一种训练模型组中训练模型的筛选方法、装置及电子设备


[0001]本专利技术涉及图像处理
，具体涉及一种训练模型组中训练模型的筛选方法、装置及电子设备。

技术介绍

[0002]目标检测一直是计算机视觉领域经久不衰的研究方向。目标检测同样是一个主观的过程，其对于人类来说相当简单，未受过任何训练的儿童通过观察图片中不同的颜色、区域等特征就能轻易定位出目标物体，但计算机收到这些图片的RGB像素矩阵，不会直接得到目标(如行人、车辆等)的抽象概念，更无法定位其位置。研究学者已经对这些比较主观的问题探讨出一种解决方案，这种方案是设计一种方法让计算机从海量经验中学习，通过构建层次化的结构来拟合事物，并且层次之间通过相对简单的关系来完成对事物的定义。这种方案可以让计算机自主从海量知识中捕获经验，其好处是避免了人类给计算机指定学习内容，从而解决了人类因为无法完全知晓应学习的特征，而导致的特征缺失。科学家破天荒地提出层次化的概念，是借助了人脑工作的方式，从而使计算机借助于构建简单的模型来学习复杂的特征，也就是深度学习模式。计算机系统需要具备从原始数据中拟合模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种训练模型组中训练模型的筛选方法，其特征在于，包括：初始化粒子群中每个粒子的粒子矢量；将检测样本和所述每个粒子的粒子矢量输入到训练模型组中利用粒子群算法筛选出所述训练模型组的最优解。2.根据权利要求1所述的方法，其特征在于，所述粒子矢量包括训练模型迭代次数和所述训练模型中各类目标的置信度。3.根据权利要求1所述的方法，其特征在于，所述将检测样本和所述每个粒子的粒子矢量输入到训练模型组中利用粒子群算法筛选出所述训练模型组的最优解包括：将所述检测样本和所述每个粒子的粒子矢量输入到训练模型组得到检测结果集合，其中所述检测结果集合中包括所述不同迭代次数训练模型的检测结果；根据所述检测结果集合得到每个粒子的适应度；根据所述每个粒子的适应度、预设的个体极值和预设的全局极值进行所述粒子群最优值的迭代求解得到所述训练模型组的最优解。4.根据权利要求3所述的方法，其特征在于，所述根据所述检测结果集合得到每个粒子的适应度包括：针对一个粒子，利用与该粒子迭代次数相同的训练模型的检测结果到该粒子的平均精确率，利用与该粒子迭代次数相同的训练模型的检测结果到该粒子的召回率；利用该粒子的平均精确率和该粒子的召回率得到所述该粒子的适应度；遍历所述粒子群中所有粒子得到所述粒子群中每个粒子的适应度。5.根据权利要求4所述的方法，其特征在于，所述利用与该粒子迭代次数相同的训练模型的检测结果到该粒子的平均精确率包括：根据与该粒子迭代次数相同的训练模型的检测结果确定每类目标的精确率；将所述每类目标的精确率输入到预设的第一公式中得到该粒子的平均精确率，所述第一公式为：其中，f
(X)
表示该粒子的平均精确率，所述b
i
表示第i个目标的第一权重，P
(Xi)
...

【专利技术属性】
技术研发人员：韩春超，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：