【技术实现步骤摘要】
本申请涉及人工智能，特别是涉及一种计算机视觉任务执行方法、装置、电子设备及可读存储介质。
技术介绍
1、随着人工智能技术被广泛应用于日常工作生活中，作为能够从图像或者多维数据中获取信息的计算机视觉技术也得到快速发展。计算机视觉技术利用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步进行图形处理以得到更适合人眼观察或传送给仪器检测的图像。
2、目前，通常利用训练好的神经网络模型作为视觉任务模型来执行计算机视觉任务，而目前计算机任务不仅利用高性能、算力资源充足的服务器来执行，还会利用算力资源有限的一些设备执行，如边缘节点设备。而大型神经网络模型在执行计算机视觉任务需要大量的算力资源支持，为了降低对算力资源的需求，相关技术会在利用视觉任务模型执行计算机视觉任务的过程中使用较小的开销进行推理计算，这就导致任务执行精度较低，无法满足用户的任务执行精度现实需求。
3、鉴于此，利用视觉任务模型实现高精度且高效率的计算机视觉任务的执行，是所属领域技术人员需要解决的技术问题。
技术实现思路
1、本申请提供了一种计算机视觉任务执行方法、装置、电子设备及可读存储介质，能够有效提高利用视觉任务模型执行计算机视觉任务的精度和效率。
2、为解决上述技术问题，本申请提供以下技术方案：
3、本申请一方面提供了一种计算机视觉任务执行方法，包括：
4、利用视觉任务图像样本数据集对初始视觉任务模型进行训练，得到训练好的初始视觉任务模型；所述初
5、将目标图像样本数据集输入至所述初始视觉任务模型中，在所述初始视觉任务模型对所述目标图像样本数据集进行处理过程中，依次利用过参数化和重参数化逐步将所述初始视觉任务模型的多个分支结构合并为单分支结构，得到具有单分支结构的视觉任务模型；
6、将待执行视觉任务对应的待处理图像数据输入至所述视觉任务模型，根据所述视觉任务模型的输出作为所述待执行视觉任务的执行结果。
7、可选的，所述在所述初始视觉任务模型对所述目标图像样本数据集进行处理过程中，依次利用过参数化和重参数化逐步将所述初始视觉任务模型的多个分支结构合并为单分支结构，得到具有单分支结构的视觉任务模型，包括：
8、基于过参数化处理，将所述初始视觉任务模型对所述目标图像样本数据集中各目标图像的处理过程中的同一卷积类型的参数进行合并，以使每一个分支结构唯一对应一种卷积类型；
9、基于重参数化处理，将所述初始视觉任务模型中非对称卷积的分支结构的卷积核权重参数叠加至对称卷积的分支结构，以得到具有单分支结构的视觉任务模型。
10、可选的，所述基于过参数化处理，将所述初始视觉任务模型对所述目标图像样本数据集中各目标图像的处理过程中的同一卷积类型的参数进行合并，以使每一个分支结构唯一对应一种卷积类型，包括：
11、基于过参数化处理，将所述初始视觉任务模型在对各目标图像进行处理过程中的卷积核为1×3的第一类卷积合并为第一分支结构、卷积核为3×1的第二类卷积合并为第二分支结构、卷积核为3×3的第三类卷积合并为第三分支结构；
12、将所述第一分支结构、所述第二分支结构和所述第三分支结构分别对各目标图像的处理结果进行逐像素相加，并通过第二非线性激活函数层进行处理。
13、可选的，所述基于重参数化处理，将所述初始视觉任务模型中非对称卷积的分支结构的卷积核权重参数叠加至对称卷积的分支结构，以使所述初始视觉任务模型为单一分支结构，包括：
14、基于重参数化处理，将所述第一类卷积对应的第一分支结构、所述第二类卷积对应的第二分支结构的卷积核权重参数叠加至所述第三类卷积对应的第三分支结构；
15、将所述第三分支结构对所述目标图像的处理结果通过第三非线性激活函数层进行处理。
16、可选的，所述利用视觉任务图像样本数据集对初始视觉任务模型进行训练，得到训练好的初始视觉任务模型之前，还包括：
17、预先搭建初始视觉任务模型；所述初始视觉任务模型包括输入层、第一整体分支结构、第二整体分支结构、第三整体分支结构、第一非线性激活函数层和输出层；
18、其中，所述输入层分别与所述第一整体分支结构、所述第二整体分支结构、所述第三整体分支结构相连，所述第一整体分支结构、所述第二整体分支结构、所述第三整体分支结构的输出特征按照逐像素相加之后输入至所述第一非线性激活函数层，所述第一非线性激活函数层与所述输出层相连；
19、其中，所述第一整体分支结构包括多个并列卷积层，每个卷积层的卷积核为1×3；所述第二整体分支结构包括多个并列卷积层，每个卷积层的卷积核为3×1；所述第三整体分支结构包括多个并列卷积层，每个卷积层的卷积核为3×3。
20、可选的，所述将待执行视觉任务对应的待处理图像数据输入至所述视觉任务模型，根据所述视觉任务模型的输出作为所述待执行视觉任务的执行结果，包括：
21、所述视觉任务模型包括输入层、卷积层、第三激活函数层和输出层；所述卷积层的卷积核为3×3；
22、将待执行视觉任务对应的待处理图像数据输入至所述视觉任务模型的输入层，通过所述卷积层对所述待处理图像数据进行卷积操作处理，并将卷积处理结果通过所述第三激活函数层映射至所述输出层，根据所述输出层的输出作为所述待执行视觉任务的执行结果。
23、可选的，所述第三非线性激活函数层、第一非线性激活函数层和第二非线性激活函数层的激活函数为线性整流函数。
24、本申请另一方面提供了一种计算机视觉任务执行装置，包括：
25、模型训练模块，用于利用视觉任务图像样本数据集对初始视觉任务模型进行训练，得到训练好的初始视觉任务模型；所述初始视觉任务模型包括多个分支结构；
26、模型推理模块，用于将目标图像样本数据集输入至所述初始视觉任务模型中，在所述初始视觉任务模型对所述目标图像样本数据集进行处理过程中，依次利用过参数化和重参数化逐步将所述初始视觉任务模型的多个分支结构合并为单分支结构，得到具有单分支结构的视觉任务模型；
27、任务执行模块，用于将待执行视觉任务对应的待处理图像数据输入至所述视觉任务模型，根据所述视觉任务模型的输出作为所述待执行视觉任务的执行结果。
28、本申请还提供了一种电子设备，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述计算机视觉任务执行方法的步骤。
29、本申请最后还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前任一项所述计算机视觉任务执行方法的步骤。
30、本申请提供的技术方案的优点在于，通过过参数化和重参数化将训练好的初始视觉任务模型的多分支结构转化为单分支结构，得到用于处理实际视觉任务的视觉任务模型，多分支结构的初始视觉任务模型在训练时可以大量提取本文档来自技高网...
【技术保护点】
1.一种计算机视觉任务执行方法，其特征在于，包括：
2.根据权利要求1所述的计算机视觉任务执行方法，其特征在于，所述在所述初始视觉任务模型对所述目标图像样本数据集进行处理过程中，依次利用过参数化和重参数化逐步将所述初始视觉任务模型的多个分支结构合并为单分支结构，得到具有单分支结构的视觉任务模型，包括：
3.根据权利要求2所述的计算机视觉任务执行方法，其特征在于，所述基于过参数化处理，将所述初始视觉任务模型对所述目标图像样本数据集中各目标图像的处理过程中的同一卷积类型的参数进行合并，以使每一个分支结构唯一对应一种卷积类型，包括：
4.根据权利要求3所述的计算机视觉任务执行方法，其特征在于，所述基于重参数化处理，将所述初始视觉任务模型中非对称卷积的分支结构的卷积核权重参数叠加至对称卷积的分支结构，以使所述初始视觉任务模型为单一分支结构，包括：
5.根据权利要求1所述的计算机视觉任务执行方法，其特征在于，所述利用视觉任务图像样本数据集对初始视觉任务模型进行训练，得到训练好的初始视觉任务模型之前，还包括：
6.根据权利要求1至5
7.根据权利要求6所述的计算机视觉任务执行方法，其特征在于，所述第三非线性激活函数层、第一非线性激活函数层和第二非线性激活函数层的激活函数为线性整流函数。
8.一种计算机视觉任务执行装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至7任一项所述计算机视觉任务执行方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述计算机视觉任务执行方法的步骤。
...【技术特征摘要】
1.一种计算机视觉任务执行方法，其特征在于，包括：
2.根据权利要求1所述的计算机视觉任务执行方法，其特征在于，所述在所述初始视觉任务模型对所述目标图像样本数据集进行处理过程中，依次利用过参数化和重参数化逐步将所述初始视觉任务模型的多个分支结构合并为单分支结构，得到具有单分支结构的视觉任务模型，包括：
3.根据权利要求2所述的计算机视觉任务执行方法，其特征在于，所述基于过参数化处理，将所述初始视觉任务模型对所述目标图像样本数据集中各目标图像的处理过程中的同一卷积类型的参数进行合并，以使每一个分支结构唯一对应一种卷积类型，包括：
4.根据权利要求3所述的计算机视觉任务执行方法，其特征在于，所述基于重参数化处理，将所述初始视觉任务模型中非对称卷积的分支结构的卷积核权重参数叠加至对称卷积的分支结构，以使所述初始视觉任务模型为单一分支结构，包括：
5.根据权利要求1所述的计算机视觉任务执行方法，其特征在于，所述利用视觉任务图...
【专利技术属性】
技术研发人员：邹磊，韩雪超，卢天华，倪军，
申请(专利权)人：杭州安脉盛智能技术有限公司，
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。