模型确定方法、装置、计算机设备及计算机可读存储介质制造方法及图纸

本申请涉及一种模型确定方法、装置、计算机设备及计算机可读存储介质。方法包括：从初始语义分割模型包括的多个卷积网络层中选取待优化的目标卷积网络层；从目标卷积网络层对应的宽度值集合中，选取目标卷积网络层对应的至少一个目标宽度值；基于各目标卷积网络层对应的各目标宽度值，生成至少一个候选宽度值组合；将初始语义分割模型中各目标卷积网络层的宽度值更新为候选宽度值组合中的目标宽度值，得到候选宽度值组合对应的待训练的语义分割模型；对每个待训练的语义分割模型进行训练，得到每个候选宽度值组合对应的已训练的语义分割模型；从各已训练的语义分割模型中确定目标语义分割模型。采用本方法能够提高获得所需语义分割模型的效率。语义分割模型的效率。语义分割模型的效率。

【技术实现步骤摘要】
模型确定方法、装置、计算机设备及计算机可读存储介质


[0001]本申请涉及图像处理
，特别是涉及一种模型确定方法、装置、计算机设备及计算机可读存储介质。

技术介绍

[0002]随着计算机视觉技术的发展，深度神经网络广泛应用于图像识别领域，例如，深度神经网络中的语义分割模型，语义分割模型涉及大量参数和复杂结构，对硬件的存储与开销能力提出了更高的要求，因此需要对语义分割模型进行处理，得到满足要求的语义分割模型，即目标语义分割模型。
[0003]传统技术中，通常采用网络裁剪和网络剪枝的方法来得到目标语义分割模型，然而采用网络裁剪和网络剪枝来得到目标语义分割模型的方法，需要进行多次复杂的分解与剪裁，从而得到目标语义分割模型的过程较为复杂，导致得到目标语义分割模型的效率低。

技术实现思路

[0004]本申请提供一种模型确定方法、装置、计算机设备及计算机可读存储介质，能够提高获得所需语义分割模型的效率。
[0005]第一方面，本申请提供了一种模型确定方法，包括：从初始语义分割模型包括的多个卷积网络层中选取待优化的至少一个目标卷积网络层；针对每个目标卷积网络层，从目标卷积网络层对应的宽度值集合中，选取目标卷积网络层对应的至少一个目标宽度值；宽度值是目标卷积网络层的卷积核数量；基于各目标卷积网络层对应的各目标宽度值，生成至少一个候选宽度值组合；候选宽度值组合包括每个目标卷积网络层对应的一个目标宽度值；针对每个候选宽度值组合，将初始语义分割模型中各目标卷积网络层的宽度值，更新为候选宽度值组合中对应的目标宽度值，得到候选宽度值组合对应的待训练的语义分割模型；利用样本图像对每个候选宽度值组合对应的待训练的语义分割模型进行训练，得到每个候选宽度值组合对应的已训练的语义分割模型；从各已训练的语义分割模型中确定目标语义分割模型。
[0006]第二方面，本申请还提供了一种模型确定装置，包括：第一选取模块，用于从初始语义分割模型包括的多个卷积网络层中选取待优化的至少一个目标卷积网络层；第二选取模块，用于针对每个目标卷积网络层，从目标卷积网络层对应的宽度值集合中，选取目标卷积网络层对应的至少一个目标宽度值；宽度值是目标卷积网络层的卷积核数量；生成模块，用于基于各目标卷积网络层对应的各目标宽度值，生成至少一个候选
宽度值组合；候选宽度值组合包括每个目标卷积网络层对应的一个目标宽度值；更新模块，用于针对每个候选宽度值组合，将初始语义分割模型中各目标卷积网络层的宽度值，更新为候选宽度值组合中对应的目标宽度值，得到候选宽度值组合对应的待训练的语义分割模型；训练模块，用于利用样本图像对每个候选宽度值组合对应的待训练的语义分割模型进行训练，得到每个候选宽度值组合对应的已训练的语义分割模型；确定模块，用于从各已训练的语义分割模型中确定目标语义分割模型。
[0007]第三方面，本申请还提供了一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述模型确定方法中的步骤。
[0008]第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述模型确定方法中的步骤。
[0009]第五方面，本申请还提供了一种计算机程序产品，计算机程序产品包括计算机程序，该计算机程序被处理器执行时实现上述模型确定方法中的步骤。
[0010]上述模型确定方法、装置、计算机设备、计算机可读存储介质及计算机程序产品，通过基于初始语义分割模型的至少一个目标卷积网络层以及各目标卷积网络层对应的宽度值集合，确定了各目标卷积网络层对应的目标宽度值，从而基于目标宽度值生成的至少一个候选宽度值组合训练得到至少一个已训练的语义分割模型，从这些已训练的语义分割模型中确定目标语义分割模型，使得到目标语义分割模型的过程较为简单，提高了获得所需语义分割模型的效率。
附图说明
[0011]图1为本申请实施例提供的一种模型确定方法的应用环境图；图2为本申请实施例提供的第一种模型确定方法的流程示意图；图3A为本申请实施例提供的第二种模型确定方法的流程示意图；图3B为本申请实施例提供的验证数据集的混淆矩阵的示意图；图4为本申请实施例提供的第三种模型确定方法的流程示意图；图5为本申请实施例提供的一种模型确定装置的结构框图；图6为本申请实施例提供的第一种计算机设备的内部结构图；图7为本申请实施例提供的第二种计算机设备的内部结构图；图8为本申请实施例提供的第三种计算机设备的内部结构图；图9为本申请实施例提供的一种计算机可读存储介质的内部结构图。
具体实施方式
[0012]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0013]本申请实施例提供的模型确定方法，可以应用于如图1所示的应用环境中。其中，计算机设备102通过通信网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器
上。
[0014]具体地，服务器104从初始语义分割模型包括的多个卷积网络层中选取待优化的至少一个目标卷积网络层；针对每个目标卷积网络层，从目标卷积网络层对应的宽度值集合中，选取目标卷积网络层对应的至少一个目标宽度值；基于各目标卷积网络层对应的各目标宽度值，生成至少一个候选宽度值组合；其中，候选宽度值组合包括每个目标卷积网络层对应的一个目标宽度值。服务器104针对每个候选宽度值组合，将初始语义分割模型中各目标卷积网络层的宽度值，更新为候选宽度值组合中对应的目标宽度值，得到候选宽度值组合对应的待训练的语义分割模型；利用样本图像对每个候选宽度值组合对应的待训练的语义分割模型进行训练，得到每个候选宽度值组合对应的已训练的语义分割模型；从各已训练的语义分割模型中确定目标语义分割模型。计算机设备102可以利用服务器104确定的目标语义分割模型，从图像中确定属于目标对象类别的目标对象的位置，即将目标图像输入到目标语义分割模型中进行语义分割处理，得到目标图像中目标对象类别对应的目标对象位置。
[0015]其中，计算机设备102可以但不限于是台式终端或移动终端，移动终端具体可以是手机、平板电脑、笔记本电脑和智能手表等中的至少一种。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
[0016]在一些实施例中，如图2所示，提供了一种模型确定方法，该方法可以由计算机设备或服务器执行，还可以由计算机设备和服务器共同执行，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：步骤202，从初始语义分割模型包括的多个卷积网络层中选取待优化的至少一个目标卷积网络层。
[0017]其中，语义分割模型是用于进行图像处理的神经网络模型，语义分割模型也可以称为分割网络；初始语义分割模型是对卷积神经网络模型的模型参数进行初始化后得到的卷积神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型确定方法，其特征在于，包括：从初始语义分割模型包括的多个卷积网络层中选取待优化的至少一个目标卷积网络层；针对每个所述目标卷积网络层，从所述目标卷积网络层对应的宽度值集合中，选取所述目标卷积网络层对应的至少一个目标宽度值；所述宽度值是所述目标卷积网络层的卷积核数量；基于各所述目标卷积网络层对应的各所述目标宽度值，生成至少一个候选宽度值组合；所述候选宽度值组合包括每个所述目标卷积网络层对应的一个目标宽度值；针对每个所述候选宽度值组合，将所述初始语义分割模型中各所述目标卷积网络层的宽度值，更新为所述候选宽度值组合中对应的目标宽度值，得到所述候选宽度值组合对应的待训练的语义分割模型；利用样本图像对每个所述候选宽度值组合对应的待训练的语义分割模型进行训练，得到每个所述候选宽度值组合对应的已训练的语义分割模型；从各所述已训练的语义分割模型中确定目标语义分割模型。2.根据权利要求1所述的方法，其特征在于，所述从所述目标卷积网络层对应的宽度值集合中，选取所述目标卷积网络层对应的至少一个目标宽度值，包括：从所述目标卷积网络层对应的宽度值集合中，搜索候选宽度值；将所述初始语义分割模型中所述目标卷积网络层的宽度值，更新为所述候选宽度值，得到候选语义分割模型；对所述候选语义分割模型进行训练，得到训练好的候选语义分割模型；在所述训练好的候选语义分割模型的模型性能满足预设性能要求的情况下，将所述候选宽度值作为所述目标卷积网络层对应的目标宽度值。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：在所述训练好的候选语义分割模型的模型性能不满足预设性能要求的情况下，返回所述从所述目标卷积网络层对应的宽度值集合中，搜索候选宽度值的步骤。4.根据权利要求1所述的方法，其特征在于，所述从所述目标卷积网络层对应的宽度值集合中，选取所述目标卷积网络层对应的至少一个目标宽度值之前，所述方法还包括：获得所述初始语义分割模型中所述目标卷积网络层的初始宽度值；基于所述目标卷积网络层的初始宽度值，确定所述目标卷积网络层对应的宽度值集合；所述宽度值集合中的宽度值小于或等于所述初始宽度值。5.根据权利要求4所述的方法，其特征在于，所述基于所述目标卷积网络层的初始宽度值，确定所述目标卷积网络层对应的宽度值集合，包括：对所述目标卷积网络层的初始宽度值进行缩小处理，得到第一宽度值；从所述第一宽度值到所述初始宽度值的宽度值范围中选取多个宽度值，组成所述目标卷积网络层对应的宽度值集合。6.根据权利要求1所述的方法，其特...

【专利技术属性】
技术研发人员：杨帅，颜泽鑫，刘枢，吕江波，沈小勇，
申请(专利权)人：深圳思谋信息科技有限公司，
类型：发明
国别省市：