嵌入式弹性自扩展通用学习框架制造技术

本发明专利技术涉及图像识别技术领域，特别是涉及嵌入式弹性自扩展通用学习框架，包括嵌入式弹性调度学习框架和嵌入式多方位自适配框架；所述嵌入式弹性调度学习框架包含若干不同种原生网络模型，构建了训练原生网络算法的环境，框架内置弹性调度判断方法，用于决定原生网络模型进行样本训练或是过拟合测试，最终衍生为专有化模型；所述嵌入式多方位自适配框架将嵌入式弹性调度学习框架衍生的专有化模型，对其进行参数分析与场景自适配，生成场景专用化模型；所述场景自适配包括模型适配、外设参数适配和传输数据量适配。通过本学习框架，能有效解决嵌入式环境下算法难以适配现实场景的问题。题。题。

【技术实现步骤摘要】
嵌入式弹性自扩展通用学习框架


[0001]本专利技术涉及图像识别
，特别是涉及嵌入式弹性自扩展通用学习框架。

技术介绍

[0002]目前已有一些关于嵌入式图像识别网络训练的研究，主要集中于图像识别网络的轻量化。现在国内外的嵌入式都是基于某种特定的算法来实现某种需求。近年来，研究人员专门为嵌入式平台设计了许多轻量化级的卷积神经网络，但是，这些训练框架并没有针对嵌入式平台的硬件计算资源进行专门的优化，导致其部署后运行效率低下。还有一些通过优化模型代码的编译过程来实现基于端的方法，这些方法虽然通用性会强一些，但是其推理性能不如嵌入式部署框架。因此思考利用嵌入式平台提高图像识别效率的方法，但是，关于嵌入式平台有调度思想的算法研究仍是空白，且计算量大，单独在嵌入式平台上难以实现。对于嵌入式图像识别网络自适配框架研究，昆明理工大学的研究者在2021年做了一种面向轻量型卷积神经网络的嵌入式图像识别系统，中国电子科技集团公司做了面向嵌入式的高实时微小目标跟踪监测方法，韩国仁川仁哈大学电子工程系的Kim等人研究了基于GPU的嵌入式边缘服务器配置和卸载为一个神经网络服务，并提出了一种pod分配方法。以上所述均为在在嵌入式上搭建系统或者神经网络都是为了解决某类的需求，但各种方法都是独立研究并有各自的缺陷。
[0003]基于嵌入式平台的图像识别当前面临几个瓶颈：嵌入式环境对算法的接受度不足，现有成熟图像识别算法的衍生优化大多在PC平台上完成，嵌入式平台难以独立承担算法自生成、自成长任务；嵌入式环境下算法模型训练效率不理想，难以与x86平台环境相比；嵌入式环境下算法难以适配现实场景。

技术实现思路

[0004]为解决上述技术问题，本专利技术提出了嵌入式弹性自扩展通用学习框架，能有效解决嵌入式环境下算法难以适配现实场景的问题。
[0005]本专利技术是通过采用下述技术方案实现的：
[0006]嵌入式弹性自扩展通用学习框架，其特征在于：包括嵌入式弹性调度学习框架和嵌入式多方位自适配框架；所述嵌入式弹性调度学习框架包含若干不同种原生网络模型，构建了训练原生网络算法的环境，嵌入式弹性调度学习框架内置弹性调度判断方法，用于决定原生网络模型进行样本训练或过拟合测试，最终衍生为专有化模型；所述嵌入式多方位自适配框架利用嵌入式弹性调度学习框架衍生的专有化模型，对其进行参数分析与场景自适配，生成场景专用化模型；所述场景自适配包括模型适配、外设参数适配和传输数据量适配。
[0007]所述弹性调度判断方法具体包括以下步骤：
[0008]S
11
.收集样本；
[0009]S
12
.根据样本的数量以及环境进行弹性调度，判断是应该执行训练还是执行预测；
[0010]S
13
.若判断为训练，则根据样本进行原生网络模型的训练，更新网络模型，然后重复步骤S
11
和步骤S
12
的操作；若判断为预测，则将收集到的样本均分为若干组，然后分别将这些组样本放到原生网络模型中去识别，分别统计每组所有的样本被原生网络模型识别之后的结果，即统计每组的分类错误率；
[0011]S
14
.对步骤S
13
中的结果进行如下判断：如果所有组中的最低分类错误率不超过10％，就不启动衍生算法并重复从步骤S
11
开始执行，否则启动衍生算法进行优化；最终生成若干专有化模型，所述专有化模型包括经过衍生算法优化后的原生网络模型和不需要经过衍生算法优化的原生网络模型。
[0012]所述步骤S
14
中，统计每组的分类错误率，并将分类正确的图片删除，然后继续补充样本；循环此阶段，直到每组的错误率都不超过10％。
[0013]所述步骤S
12
中，根据样本的数量以及环境进行弹性调度具体指：根据样本采集的频率与数量以及当前场景的检测，计算其资源利用率U
i
：U
i
＝c
i
/T
i
，其中，c
i
为任务执行的实际时间，T
i
为任务实际执行周期；将该资源利用率U
i
与预设的任务利用率额定值U
d
进行比较，若U
i
>U
d
，则判定为训练，否则判定为预测。
[0014]所述模型适配具体包括：图像采集与预处理，将这些预处理的图片经过专有化模型，通过对模型结果的统计与分析，判断是否选用专有化模型中的最好的模型或者对专有化模型进行衍生，得到最合适的算法模型；其中，若得到的结果正样本的比例小于阈值，即开启衍生算法对该类图像进行训练，将利用含有场景参数的适配文件标记此衍生算法。
[0015]所述外设参数适配具体指：
[0016]S
21
.针对目标的朝向和远近参数，使用得到的最合适的算法模型进行预测；
[0017]S
22
.设定预测准确率阈值，调节外设参数，通过最合适的算法模型得到外设参数的预测准确率，判断该模型的预测准确率是否达到预设的阈值，若是，直接输出该模型，若否，则再次进行模型衍生。
[0018]所述传输数据量适配具体指：在数据传输时，对图像中目标的位置经常出现的区域进行统计，之后对图像小概率出现目标地位置进行裁剪，调节外设传输的参数。
[0019]弹性调度之前还包括对原生网络模型进行压缩处理。
[0020]与现有技术相比，本专利技术的有益效果表现在：
[0021]1、本专利技术的通用学习框架，具有弹性调度能力，能对框架内的模型进行高效率的任务分配，为衍生算法的形成提供支撑环境，将两种框架结合构成嵌入式弹性自扩展通用学习框架，使得该架构能在保持通用性的同时，最大程度地利用计算资源，且能对算法模型作进一步的适配与优化，最后构建过拟合、专用化的图像识别模型。
[0022]2、本专利技术针对学习框架内的模型任务分配的效率问题，构建嵌入式弹性调度学习框架，嵌入式弹性调度学习框架构建了训练原生网络算法的环境，嵌入式弹性调度学习框架内置弹性调度判断方法，可最大效率地决定模型进行样本训练或是过拟合测试。
[0023]3、本专利技术具备自成长和自衍生图像识别算法，探寻环境自适应图像识别算法自衍生方法，在原生算法的基础上衍生自适应环境的新算法，最终实现精度较高的分类算法组。
[0024]4、本专利技术中，通过场景自适配，能从各方面出发来优化整个系统效果，解决现今嵌入式智能设备精确度不高、数据交互迟缓等问题。
[0025]5、本专利技术保证到每组的错误率都小于10％，能防止自然环境的影响造成的识别误
差，而错误率都大于10％，说明模型已经落后，需要改进模型以适应更深的文件库以及环境的影响。
附图说明
[0026]下面将结合说明书附图和具体实施方式对本专利技术作进一步的详细说明，其中：
[0027]图1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.嵌入式弹性自扩展通用学习框架，其特征在于：包括嵌入式弹性调度学习框架和嵌入式多方位自适配框架；所述嵌入式弹性调度学习框架包含若干不同种原生网络模型，构建了训练原生网络算法的环境，嵌入式弹性调度学习框架内置弹性调度判断方法，用于决定原生网络模型进行样本训练或过拟合测试，最终衍生为专有化模型；所述嵌入式多方位自适配框架利用嵌入式弹性调度学习框架衍生的专有化模型，对其进行参数分析与场景自适配，生成场景专用化模型；所述场景自适配包括模型适配、外设参数适配和传输数据量适配。2.根据权利要求1所述的嵌入式弹性自扩展通用学习框架，其特征在于：所述弹性调度判断方法具体包括以下步骤：S
11
.收集样本；S
12
.根据样本的数量以及环境进行弹性调度，判断是应该执行训练还是执行预测；S
13
.若判断为训练，则根据样本进行原生网络模型的训练，更新网络模型，然后重复步骤S
11
和步骤S
12
的操作；若判断为预测，则将收集到的样本均分为若干组，然后分别将这些组样本放到原生网络模型中去识别，分别统计每组所有的样本被原生网络模型识别之后的结果，即统计每组的分类错误率；S
14
.对步骤S
13
中的结果进行如下判断：如果所有组中的最低分类错误率不超过10％，就不启动衍生算法并重复从步骤S
11
开始执行，否则启动衍生算法进行优化；最终生成若干专有化模型，所述专有化模型包括经过衍生算法优化后的原生网络模型和不需要经过衍生算法优化的原生网络模型。3.根据权利要求2所述的嵌入式弹性自扩展通用学习框架，其特征在于：所述步骤S
14
中，统计每组的分类错误率，并将分类正确的图片删除，然后继续补充样本；循环此阶段，直到每组的错误率都不超过10％。4.根据权利要求2所述的嵌入式弹性自扩展通用学习框架，其特征在于：所述步...

【专利技术属性】
技术研发人员：殷光强，李超，谢如芳，李振慧，米尔卡米力江，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：