模型压缩方法、图像处理方法及相关装置制造方法及图纸

本申请实施例提供一种模型压缩、图像处理方法方法及相关装置，所述模型压缩方法包括：根据待训练数据的特征参数，确定出第一参数集合；根据所述第一参数集合对初始训练模型进行调整，得到参考训练模型，所述参考训练模型的运算量小于所述初始训练模型；获取第二参数集合；根据所述第二参数集合对所述参考训练模型进行压缩，得到目标训练模型，所述目标训练模型的精度与所述参考训练模型的精度属于预设精度范围，能够提网络模型应用时的适用性。

Model compression method, image processing method and related devices

【技术实现步骤摘要】
模型压缩方法、图像处理方法及相关装置
本申请涉及数据处理
，具体涉及一种模型压缩方法、图像处理方法及相关装置。
技术介绍
随着人工智能技术发展，以及人工智能技术在计算机视觉上的重大突破，很多行业都应用深度学习技术在摄像头采集的数据上进行感知检测识别。在特定的应用场景中，例如自动驾驶领域，感知算法尤其重要，作为车辆的“眼睛”，需要准确高效感知周边环境物体，然后传递给后续决策模块做相关动作。而对于在汽车上应用人工智能技术这块，应用真实大车进行实验显然危险且不合实际，所以需要研发基于嵌入式平台的自动驾驶小车进行各种实验，成本低且安全，这对于人工智能技术在自动驾驶领域的应用以及实践，都有较高的实用性。然而，基于嵌入式平台的自动驾驶小车感知算法的研发部署时，由于其自身的计算能力和存储空间较小，导致了现有的网络模型在进行应用时的适用性较差。
技术实现思路
本申请实施例提供一种模型压缩方法、图像处理方法及相关装置。本申请实施例的第一方面提供了一种模型压缩方法，所述方法包括：根据待训练数据的特征参数，确定出第一参数集合；根据所述第一参数集合对初始训练模型进行调整，得到参考训练模型，所述参考训练模型的运算量小于所述初始训练模型；获取第二参数集合；根据所述第二参数集合对所述参考训练模型进行压缩，得到目标训练模型，所述目标训练模型的精度与所述参考训练模型的精度属于预设精度范围。本公开实施例中，通过第一参数集合对初始训练模型进行调整，得到参考训练模型，根据获取的第二参数集合对参考训练模型进行压缩，得到目标训练模型，能够通过参数集合对参考训练模型进行压缩，减少了模型的大小，从而可以将训练模型应用于资源更小的设备，提升了训练模型应用时的实用性。结合第一方面，在一个可能的实施方式中，所述第一参数集合包括第一子参数和第二子参数，所述特征参数包括宽高比分布和面积分布，所述根据待训练数据的特征参数，确定出第一参数集合，包括：根据所述面积分布确定出所述第一子参数；根据所述宽高比分布，确定出所述第二子参数。本公开实施例中，通过面积分布和宽高比分布，确定出第一子参数和第二子参数，面积分布和宽高比分布可以准确的反映出数据的特征，可以提升确定第一参数集合时的准确性。结合第一方面，在一个可能的实施方式中，所述根据所述面积分布确定出所述第一子参数，包括：将所述面积分布划分为M段，M为正整数；获取所述M段中的每一段的均值；根据所述均值确定出所述第一子参数。结合第一方面，在一个可能的实施方式中，所述根据所述宽高比分布，确定出所述第二子参数，包括：将所述宽高比分布划分为N段，N为正整数；获取所述N段中的每一段的均值；将所述均值确定为所述第二子参数。结合第一方面，在一个可能的实施方式中，所述获取第二参数集合包括：根据预设的模型精度和模型计算量，确定出所述第二参数集合。本公开实施例中，通过预设的模型精度和模型计算量，确定出第二参数集合，可以使得通过第二参数集合压缩后的模型能够满足该预设的模型精度和模型计算量，提升了模型压缩时的准确性。结合第一方面，在一个可能的实施方式中，所述第二参数集合包括卷积核大小、通道数目和精度参数。结合第一方面，在一个可能的实施方式中，所述方法还包括：通过所述第一待训练数据集对所述目标训练模型进行训练，得到第一训练模型；通过所述第二待训练数据集对所述第一训练模型进行训练，得到第二训练模型。结合第一方面，在一个可能的实施方式中，所述通过所述第一待训练数据集对所述目标训练模型进行训练，得到第一训练模型之前，所述方法还包括：获取所述待训练数据中的待检测物体的掩膜图；将所述待检测物体的掩膜图与第一数据集中的图像进行融合，得到第一待训练数据集。本公开实施例中，对数据进行增广的方法为采用待检测物体与数据集中的图像进行融合的方式进行增广，相对于现有方案中，通常采用增加高斯噪声，对图像进行翻转、旋转、错切等方式对图像进行增广，能够提升对图像进行增广时的准确性。结合第一方面，在一个可能的实施方式中，所述通过所述第二待训练数据集对所述第一训练模型进行训练，得到第二训练模型之前，包括：获取所述待训练数据中的待检测物体的掩膜图；将所述待检测物体的掩膜图与第二数据集中的图像进行融合，得到第二待训练数据集。结合第一方面，在一个可能的实施方式中，所述通过所述第二训练数据集对所述第一训练模型进行训练，得到第二训练模型，包括：获取所述第二待训练数据集中每类数据的权值；根据所述第二待训练数据集中每类数据和所述每类数据的权值对所述第一训练模型进行训练，得到所述第二训练模型；和/或，所述通过所述第一待训练数据集对所述目标训练模型进行训练，得到第一训练模型，包括：获取第一待训练数据集中每类数据的权值；根据第一待训练数据集中每类数据和每类数据的权值对目标训练模型进行训练，得到第一训练模型。本公开实施例中，对第一待训练数据集和/或第二待训练数据集中的每类数据进行权重分类，从而可以对数据进行平衡，提升模型训练时的准确性。本申请实施例的第二方面提供了一种图像处理方法，所述方法包括：接收待处理图像；将所述待处理图像输入图像处理模型中进行处理，得到所述目标图像的目标数据；其中，所述图像处理模型是通过上述第一方面中所述的模型压缩方法得到的目标训练模型，或者，所述图像处理模型是上述第一方面中所述的模型压缩方法得到的第二训练模型。本申请实施例的第三方面提供了一种模型压缩装置，所述装置包括：确定单元，用于根据待训练数据的特征参数，确定出第一参数集合；调整单元，用于根据所述第一参数集合对初始训练模型进行调整，得到参考训练模型，所述参考训练模型的运算量小于所述初始训练模型；获取单元，用于获取第二参数集合；压缩单元，用于根据所述第二参数集合对所述参考训练模型进行压缩，得到目标训练模型，所述目标训练模型的精度与所述参考训练模型的精度属于预设精度范围。结合第三方面，在一个可能的实施方式中，所述第一参数集合包括第一子参数和第二子参数，所述特征参数包括宽高比分布和面积分布，所述确定单元用于：根据所述面积分布确定出所述第一子参数；根据所述宽高比分布，确定出所述第二子参数。结合第三方面，在一个可能的实施方式中，在所述根据所述面积分布确定出所述第一子参数方面，所述确定单元用于：将所述面积分布划分为M段，M为正整数；获取所述M段中的每一段的均值；根据所述均值确定出所述第一子参数。结合第三方面，在一个可能的实施方式中，在所述根据所述宽高比分布，确定出所述第二子参数方面，所述确定单元用于：将所述宽高比分布划分为N段，N为正整数；获取所述N段中的每一段的均值；将所述均值确定为本文档来自技高网...

【技术保护点】
1.一种模型压缩方法，其特征在于，所述方法包括：/n根据待训练数据的特征参数，确定出第一参数集合；/n根据所述第一参数集合对初始训练模型进行调整，得到参考训练模型，所述参考训练模型的运算量小于所述初始训练模型；/n获取第二参数集合；/n根据所述第二参数集合对所述参考训练模型进行压缩，得到目标训练模型，所述目标训练模型的精度与所述参考训练模型的精度属于预设精度范围。/n

【技术特征摘要】
1.一种模型压缩方法，其特征在于，所述方法包括：
根据待训练数据的特征参数，确定出第一参数集合；
根据所述第一参数集合对初始训练模型进行调整，得到参考训练模型，所述参考训练模型的运算量小于所述初始训练模型；
获取第二参数集合；
根据所述第二参数集合对所述参考训练模型进行压缩，得到目标训练模型，所述目标训练模型的精度与所述参考训练模型的精度属于预设精度范围。


2.根据权利要求1所述的方法，其特征在于，所述第一参数集合包括第一子参数和第二子参数，所述特征参数包括宽高比分布和面积分布，所述根据待训练数据的特征参数，确定出第一参数集合，包括：
根据所述面积分布确定出所述第一子参数；
根据所述宽高比分布，确定出所述第二子参数。


3.根据权利要求2所述的方法，其特征在于，所述根据所述面积分布确定出所述第一子参数，包括：
将所述面积分布划分为M段，M为正整数；
获取所述M段中的每一段的均值；
根据所述均值确定出所述第一子参数。


4.根据权利要求2或3所述的方法，其特征在于，所述根据所述宽高比分布，确定出所述第二子参数，包括：
将所述宽高比分布划分为N段，N为正整数；
获取所述N段中的每一段的均值；
将所述均值确定为所述第二子参数。


5.根据权利要求1至4任一项所述的方法，其特征在于，所述获取第二参数集合包括：
根据预设的模型精度和模型计算量，确定出所述第二参数集合。


6.根据权利要求5所述的方法，其特征在于，所述第二参数集合包括卷积核大小、通道数目和精度参数。


7.根据权利要求1至6任一项所述的方法，其特征在于，所述方法还包括：
通过所述第一待训练数据集对所述目标训练模型进行训练，得到第一训练模型；
通过所述第二待训练数据集对所述第一训练模型进行训练，得到第二训练模型。


8.根据权利要求7所述的方法，其特征在于，所述通过所述第一待训练数据集对所述目标训练模型进行训练，得到第一训练模型之前，所述方法还包括：
获取所述待训练数据中的待检测物体的掩膜图；
将所述待检测物体的掩膜图与第一数据集中的图像进行融合，得到第一待训练数据集。


9.根据权利要求7或8所述的方法，其特征在于，所述通过所述第二待训练数据集对所述第一训练模型进行训练，得到第二训练模型之前，包括：
获取所述待训练数据中的待检测物体的掩膜图；
将所述待检测物体的掩膜图与第二数据集中的图像...

【专利技术属性】
技术研发人员：董振，黄明杨，刘春晓，林晓慧，石建萍，
申请(专利权)人：北京市商汤科技开发有限公司，
类型：发明
国别省市：北京;11