交通标志检测模型训练方法、装置、存储介质及电子设备制造方法及图纸

本发明专利技术公开了一种交通标志检测模型训练方法、装置、存储介质及电子设备，本发明专利技术涉及信息技术领域，其中包括：构建初始交通标志检测模型；对所述初始交通标志检测模型施加稀疏约束，得到所述初始交通标志检测模型对应的稀疏约束函数；计算所述初始交通标志检测模型中每层网络的滤波器相关系数矩阵；根据所述每层网络的滤波器相关系数矩阵，构建所述初始交通标志检测模型对应的相关约束函数；基于所述稀疏约束函数和所述相关约束函数，对所述初始交通标志检测模型进行训练，构建预设交通标志检测模型。本发明专利技术能够提高交通标志检测模型的压缩率。

【技术实现步骤摘要】

本专利技术涉及信息，具体而言，涉及一种交通标志检测模型训练方法、装置、存储介质及电子设备。

技术介绍

1、深度学习技术的迅速发展使得卷积神经网络在近年来目标识别任务中得到广泛应用。同时，基于深度学习的交通标志识别方法也相继被提出。在常见的交通标志识别应用场景中，如手机、电脑和物联网设备，设备的存储空间和计算性能都十分有限。此外，设备的电池也不足以支持长时间高功耗运行。因此，在资源受限的场景下使用深度神经网络变得困难。为了解决这一问题，许多研究者致力于对深度神经网络进行压缩研究，从而提高交通标志检测模型的存储效率和推理速度。

2、目前，在对交通标志检测模型进行训练的过程中，通常采用加入稀疏约束的方式对模型进行压缩。然而，这种方式对交通标志检测模型的压缩率有限，难以进一步提高交通标志检测模型的压缩率，从而导致交通标志检测模型使用时受到设备资源的限制，可适用的场景有限。

技术实现思路

1、本专利技术提供一种交通标志检测模型训练方法、装置、存储介质及电子设备，主要在于能够提高交通标志检测模型的压缩率，使交本文档来自技高网...

【技术保护点】

1.一种交通标志检测模型训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述计算所述初始交通标志检测模型中每层网络的滤波器相关系数矩阵，包括：

3.根据权利要求2所述的方法，其特征在于，所述从所述初始交通标志检测模型的每层网络的滤波器中筛选出目标滤波器，包括：

4.根据权利要求2所述的方法，其特征在于，所述根据所述每层网络的滤波器相关系数矩阵，构建所述初始交通标志检测模型对应的相关约束函数，包括：

5.根据权利要求1所述的方法，其特征在于，所述基于所述稀疏约束函数和所述相关约束函数，对所述初始交通标志检测模型进行训练...

【技术特征摘要】

1.一种交通标志检测模型训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述计算所述初始交通标志检测模型中每层网络的滤波器相关系数矩阵，包括：

3.根据权利要求2所述的方法，其特征在于，所述从所述初始交通标志检测模型的每层网络的滤波器中筛选出目标滤波器，包括：

4.根据权利要求2所述的方法，其特征在于，所述根据所述每层网络的滤波器相关系数矩阵，构建所述初始交通标志检测模型对应的相关约束函数，包括：

5.根据权利要求1所述的方法，其特征在于，所述基于所述稀疏约束函数和所述相关约束函数，对所述初始交通标志检测模型进行训练，构建预设交通标志检测模型，包括：<...

【专利技术属性】
技术研发人员：周科宇，彭鹏志，褚文博，方达龙，孔德聪，
申请(专利权)人：西部科学城智能网联汽车创新中心重庆有限公司，
类型：发明
国别省市：