一种多方位算法模型的自适配方法组成比例

本发明专利技术涉及图像识别与启发式学习技术领域，特别是涉及一种多方位算法模型的自适配方法，包括算法模型自适配、外设自适配和传输自适配；其中算法模型自适配即选择最合适的算法模型，具体包括图像的采集与预处理以及算法模型的统计分析；所述外设自适配具体指：通过调节外设参数，识别并训练得到的最合适的算法模型，最终输出专有化模型；所述传输自适配具体指：对输出的专有化模型进行仿真和测试，并根据结果进一步优化该专有化模型。通过本自适配方法，能有效解决普适算法在某些场景或时间下精确度不高的问题。精确度不高的问题。精确度不高的问题。

【技术实现步骤摘要】
一种多方位算法模型的自适配方法


[0001]本专利技术涉及图像识别与启发式学习
，特别是涉及一种多方位算法模型的自适配方法。

技术介绍

[0002]随着神经网络模型的高速发展，人工智能和机器学习应用程序代表了下一个重大市场机遇，而传统的处理解决方案并不是为了计算神经网络的工作负载，这些工作负载为许多应用程序提供了动力，因此需要新的架构来满足我们对智能日益增长的需求。然而现在国内外都是基于某种特定的算法来实现某种需求，各种方法都是独立研究并有各自的缺陷。若将在某类特定场景下训练好的网络模型应用到另一不同场景时，图像识别效果会大幅降低，难以实现通用学习。
[0003]限于以上原因，现有的算法模型不能快速、有效、准确地应用到不同场景。

技术实现思路

[0004]为解决上述技术问题，本专利技术提出了一种多方位算法模型的自适配方法，能有效解决普适算法在某些场景或时间下精确度不高的问题。
[0005]本专利技术是通过采用下述技术方案实现的：
[0006]一种多方位算法模型的自适配方法，其特征在于：包括算法模型自适配、外设自适配和传输自适配；其中算法模型自适配即选择最合适的算法模型，具体包括以下步骤：
[0007]S1.图像的采集与预处理；
[0008]S2.算法模型的统计分析：设置一个模型集，将预先设定好的原生模型与已经经过衍生的衍生模型放入模型集；将步骤S1中经过预处理的图像输入到模型集中进行分析预测；设置模型判断阈值，对实际数据预测结果进行判断，判断是否选用结果最好的模型或者再次进行模型训练衍生，最终得到最合适的算法模型；
[0009]所述外设自适配具体指：通过调节外设参数，识别并训练步骤S2中得到的最合适的算法模型，最终输出专有化模型；
[0010]所述传输自适配具体指：对输出的专有化模型进行仿真和测试，并根据结果进一步优化该专有化模型。
[0011]所述判断阈值的类型为预测准确率。
[0012]所述步骤S2中判断是否选用结果最好的模型或者再次进行模型训练衍生的标准为：当对采集的图像进行识别后，若得到的预测准确率小于阈值，即再次进行模型训练衍生；若得到的预测准确率大于或等于阈值，则判断选用结果最好的模型。
[0013]所述外设参数包括目标的朝向和远近参数。
[0014]所述外设自适配具体包括以下步骤：
[0015]S
31
.针对目标的朝向和远近参数，使用步骤S2中得到的最合适的算法模型进行预测；
[0016]S
32
.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，直接输出专有化模型，若否，则再次进行模型衍生。
[0017]所述步骤S1中图像的预处理包括图像几何变换、图像增强、图像复原和图像重建。
[0018]所述步骤S1中图像的采集具体指：在视频采集端采用摄像头进行图像的采集，每秒截取25帧图像，截取有效人脸图片。
[0019]所述根据结果进一步优化该专有化模型具体指：对该专有化模型的传输参数进行调节，包括剪枝和知识蒸馏。
[0020]与现有技术相比，本专利技术的有益效果表现在：
[0021]1、本专利技术针对复杂场景下的模型适配，首先对算法模型自适配，选取复杂实际问题中最适合的算法模型；其次研究外设自适配，通过调节外设参数，如摄像机参数等，以实现识别效果优化；最后研究传输自适配，通过减少传输数据冗余，以减轻嵌入式设备的负担。本专利技术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和数据交互迟缓等问题，以多方位自适配算法模型框架作为对象进行研究，在复杂场景下能快速、准确地得到自适配模型。
[0022]2、本专利技术通过设定相关阈值，对专有化模型进行筛选，使得专有化模型的检测精度有了很大的提升。
[0023]3、本专利技术通过对外设参数，如摄像机的参数进行调节，通过捕捉更精确的目标从而增强图像效果，进而提高模型效果。
[0024]4、本专利技术对图像进行了预处理，提高图像的清晰度，容易观察出图像中目标的细节，同时抑制图像中非目标区域的显示，突出目标区域的特征。
附图说明
[0025]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：
[0026]图1为本专利技术中算法模型自适配的流程示意图；
[0027]图2为本专利技术中外设自适配的流程示意图。
具体实施方式
[0028]实施例1
[0029]作为本专利技术基本实施方式，本专利技术包括一种多方位算法模型的自适配方法，包括算法模型自适配、外设自适配和传输自适配。其中算法模型自适配即选择最合适的算法模型，具体包括以下步骤：
[0030]S1.图像的采集与预处理；
[0031]S2.算法模型的统计分析：设置一个模型集，将预先设定好的原生模型与已经经过衍生的衍生模型放入模型集；将步骤S1中经过预处理的图像输入到模型集中进行分析预测；设置模型判断阈值，对实际数据预测结果进行判断，判断是否选用结果最好的模型或者再次进行模型训练衍生，最终得到最合适的算法模型。
[0032]所述外设自适配具体指：通过调节外设参数，识别并训练步骤S2中得到的最合适的算法模型，最终输出专有化模型。
[0033]所述传输自适配具体指：对输出的专有化模型进行仿真和测试，并根据结果进一步优化该专有化模型。
[0034]实施例2
[0035]作为本专利技术一较佳实施方式，本专利技术包括一种多方位算法模型的自适配方法，包括算法模型自适配、外设自适配和传输自适配。其中算法模型自适配即选择最合适的算法模型，具体包括以下步骤：
[0036]S1.图像的采集与预处理：每隔一段时间采集一系列图像，对图像做预处理，即利用数字图像处理，将图像中的噪音等干扰识别的无关元素去除，得到适宜进行特征提取的图像。
[0037]S2.算法模型的统计分析：设置一个模型集，将预先设定好的原生模型与已经经过衍生的衍生模型放入模型集。将步骤S1中经过预处理的图像输入到模型集中进行分析预测，得到图像的预测结果。设置模型判断阈值，对实际数据的预测结果进行判断，判断是否选用结果最好的模型或者再次进行模型训练衍生，即使用实际观测数据对模型进行训练更新，最终得到最合适的算法模型。其中，原生模型为未经过处理的通用预设模型，而衍生模型为经过实际数据对原生模型进行训练更新后的模型。
[0038]所述外设自适配具体指：所述外设调节需要明确目标的朝向信息和远近信息，使用步骤S2中得到的最合适的算法模型，然后进行对目标朝向、远近的识别训练，通过判断少量预处理的图像识别结果是否达到设定的阈值来决定是否再次进行模型衍生或者输出结果，输出的结果为专有化模型。
[0039]所述传输自适配具体指：对输出的专有化模型进行仿真和测试，并根据结果进一步优化该专有化模型。
[0040]实施例3
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多方位算法模型的自适配方法，其特征在于：包括算法模型自适配、外设自适配和传输自适配；其中算法模型自适配即选择最合适的算法模型，具体包括以下步骤：S1. 图像的采集与预处理；S2. 算法模型的统计分析：设置一个模型集，将预先设定好的原生模型与已经经过衍生的衍生模型放入模型集；将步骤S1中经过预处理的图像输入到模型集中进行分析预测；设置模型判断阈值，对实际数据预测结果进行判断，判断是否选用结果最好的模型或者再次进行模型训练衍生，最终得到最合适的算法模型；所述外设自适配具体指：通过调节外设参数，识别并训练步骤S2中得到的最合适的算法模型，最终输出专有化模型；所述传输自适配具体指：对输出的专有化模型进行仿真和测试，并根据结果进一步优化该专有化模型。2.根据权利要求1所述的一种多方位算法模型的自适配方法，其特征在于：所述判断阈值的类型为预测准确率。3.根据权利要求2所述的一种多方位算法模型的自适配方法，其特征在于：所述步骤S2中判断是否选用结果最好的模型或者再次进行模型训练衍生的标准为：当对采集的图像进行识别后，若得到的预测准确率小于阈值，即再次进行模型训练衍生；若得到的预测准确率大于或等于阈值，则判断选用结果最好的...

【专利技术属性】
技术研发人员：殷光强，李超，王耀举，杨晓宇，李耶，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：