System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像识别,尤其涉及一种图像识别模型训练优化方法、装置、电子设备及存储介质。
技术介绍
1、神经网络模型已广泛应用于图像识别领域,而大多神经网络模型以封闭数据集进行训练,如此训练得到的神经网络模型的泛化性较低,因此,增量学习应运而生。
2、目前,通常将新数据和旧数据共同作为图像识别模型进行增量学习的训练依据,但是,进行模型训练的设备的存储空间有限,使得其存储的旧数据较少(也即,优化图像识别模型时用到的旧数据也较少),导致迭代优化得到的图像识别模型的预测准确性较低。
技术实现思路
1、本专利技术的主要目的在于提供一种图像识别模型训练优化方法、装置、电子设备及存储介质,旨在提供一种通过对历史训练图像(旧数据)进行压缩得到的压缩训练图像和新增训练图像(新数据),对图像识别模型进行迭代优化的方案,以提高迭代优化得到的图像识别模型的预测准确性。
2、为实现上述目的,本专利技术提供一种图像识别模型训练优化方法,所述图像识别模型训练优化方法包括以下步骤:
3、获取至少一个新增训练图像和历史训练图像;
4、分别对各所述历史训练图像进行掩码压缩,得到各个压缩训练图像;
5、根据各所述压缩训练图像和各所述新增训练图像,对图像识别模型进行迭代优化。
6、为实现上述目的,本专利技术还提供一种图像识别模型训练优化装置,所述图像识别模型训练优化装置包括:
7、获取模块,用于获取至少一个新增训练图像和历史训练图像;<
...【技术保护点】
1.一种图像识别模型训练优化方法,其特征在于,所述图像识别模型训练优化方法包括以下步骤:
2.如权利要求1所述的图像识别模型训练优化方法,其特征在于,所述分别对各所述历史训练图像进行掩码压缩,得到各个压缩训练图像的步骤包括:
3.如权利要求2所述的图像识别模型训练优化方法,其特征在于,所述根据各所述激活值确定各所述压缩训练图像的步骤包括:
4.如权利要求2至3中任一项所述的图像识别模型训练优化方法,其特征在于,所述图像识别模型包括特征提取模块和识别分类模块,所述特征提取模块包括至少一个卷积提取层,所述卷积提取层包括至少一个倍频程卷积瓶颈,
5.如权利要求1所述的图像识别模型训练优化方法,其特征在于,所述分别对各所述历史训练图像进行掩码压缩,得到压缩训练图像的步骤包括:
6.如权利要求5所述的图像识别模型训练优化方法,其特征在于,在所述获取掩码压缩模型的步骤之前,还包括:
7.如权利要求5所述的图像识别模型训练优化方法,其特征在于,在所述获取掩码压缩模型的步骤之前,还包括:
8.一种图像识别模型训练
9.一种图像识别模型训练优化设备,其特征在于,所述图像识别模型训练优化设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像识别模型训练优化程序,所述图像识别模型训练优化程序被所述处理器执行时实现如权利要求1至7中任一项所述的图像识别模型训练优化方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有图像识别模型训练优化程序,所述图像识别模型训练优化程序被处理器执行时实现如权利要求1至7中任一项所述的图像识别模型训练优化方法的步骤。
...【技术特征摘要】
1.一种图像识别模型训练优化方法,其特征在于,所述图像识别模型训练优化方法包括以下步骤:
2.如权利要求1所述的图像识别模型训练优化方法,其特征在于,所述分别对各所述历史训练图像进行掩码压缩,得到各个压缩训练图像的步骤包括:
3.如权利要求2所述的图像识别模型训练优化方法,其特征在于,所述根据各所述激活值确定各所述压缩训练图像的步骤包括:
4.如权利要求2至3中任一项所述的图像识别模型训练优化方法,其特征在于,所述图像识别模型包括特征提取模块和识别分类模块,所述特征提取模块包括至少一个卷积提取层,所述卷积提取层包括至少一个倍频程卷积瓶颈,
5.如权利要求1所述的图像识别模型训练优化方法,其特征在于,所述分别对各所述历史训练图像进行掩码压缩,得到压缩训练图像的步骤包括:
6.如权利要求5所述的图像识别模型训练优化...
【专利技术属性】
技术研发人员:陈国强,叶飞,程文明,张国财,麻斌鑫,陈文博,
申请(专利权)人:浙江航天润博测控技术有限公司,
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。