【技术实现步骤摘要】
【国外来华专利技术】
本公开的实施例大体上涉及深度神经网络(dnn)技术，并且具体地涉及用于dnn的训练后量化中的标签平衡校准的装置、方法、设备和介质。
技术介绍
1、近年来，深度神经网络(dnn)得到了快速改进，并在广泛的计算视觉(cv)任务中展现出了最先进的(sota)准确度。例如，基于包含1000个类的imagenet数据集，图像分类模型(其中每个图像包括单一标签)已实现0.8top-1准确度。然而，对于每个图像可以包括多个标签的对象检测模型，基于流行的微软(microsoft，ms)上下文中的公共对象(coco)数据集(包括80个类)，平均精度均值(map)仍然较低，例如，针对基于掩模区域的卷积神经网络(r-cnn)为0.29map。除了图像上的对象识别(与图像分类类似)之外，对象检测还需要额外度量来评估已识别对象和相应的基准真值对象的重叠区域是否满足阈值。在大多数对象检测情况下，单一图像上的多个对象可能会重叠。
技术实现思路
1、根据本公开的一方面，提供了一种装置。该装置包括被配置为接收训练数据集的接...
【技术保护点】
1.一种装置，包括：
2.根据权利要求1所述的装置，其中，所述处理器电路被配置为通过以下方式生成所述经标签平衡的校准数据集：
3.根据权利要求1或2所述的装置，其中，所述预设阈值为5。
4.根据权利要求1所述的装置，其中，所述DNN包括用于对象检测或实例分割的多标签DNN。
5.根据权利要求1所述的装置，其中，所述训练数据集包括上下文中的公共对象(COCO)数据集。
6.根据权利要求1所述的装置，其中，所述训练后量化将所述DNN的参数的精度从浮点32位降低到整数8位。
7.一种方法，包括：
...【技术特征摘要】
【国外来华专利技术】
1.一种装置，包括：
2.根据权利要求1所述的装置，其中，所述处理器电路被配置为通过以下方式生成所述经标签平衡的校准数据集：
3.根据权利要求1或2所述的装置，其中，所述预设阈值为5。
4.根据权利要求1所述的装置，其中，所述dnn包括用于对象检测或实例分割的多标签dnn。
5.根据权利要求1所述的装置，其中，所述训练数据集包括上下文中的公共对象(coco)数据集。
6.根据权利要求1所述的装置，其中，所述训练后量化将所述dnn的参数的精度从浮点32位降低到整数8位。
7.一种方法，包括：
8.根据权利要求7所述的方法，其中，生成所述经标签平衡的校准数据集包括：
9.根据权利要求7或8所述的方法，其中，所述预设阈值为5。
10.根据权利要求7所述的方法，其中，所述dnn包括用于对象检测或实例分割的多标签dnn。
11.根据权利要求7所述的方法，其中，所述训练数据集包括上下文中的公共对象(coco)数据集。
12.根据权利要求7所述的方法，其中，所述训练后量化将所述dnn的参数的精度从浮点32位降低到整数8位。
13.一种机器可读存储介质，其上存储有指令，所述指令当被机器执行时，使所述机器执行如下操作，所述操作包括：
【专利技术属性】
技术研发人员：沈海豪，田丰，陈熙，胡马·阿比迪，周钰雯，
申请(专利权)人：英特尔公司，
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。