用于训练可分离卷积网络的方法、路侧设备及云控平台技术

本公开提供了用于训练可分离卷积网络的方法、路测设备及云控平台，涉及计算机技术领域，特别涉及智能交通和计算机视觉技术。具体实现方案为：获取包括第二数目个样本图像和对应的样本标签的批训练样本集合；生成该批训练样本集合对应的第二初始卷积核的滑动窗口的局部区域块集合；分别生成针对该局部区域块集合中各局部区域块的第一数目个并行的融合卷积核；基于所生成的第一数目个并行的融合卷积核对相应的局部区域块进行卷积，生成与该批训练样本集合中第二数目个样本图像对应的特征图；根据所生成的特征图与对应的样本标签之间的差异，调整该第一初始卷积核和该第一数目个并行的第二初始卷积核。并行的第二初始卷积核。并行的第二初始卷积核。

【技术实现步骤摘要】
用于训练可分离卷积网络的方法、路侧设备及云控平台


[0001]本公开涉及计算机
，特别涉及人工智能、计算机视觉技术和智能交通，尤其涉及用于训练可分离卷积网络的方法、路侧设备及云控平台。

技术介绍

[0002]随着人工智能和计算机视觉技术的飞速发展，深度学习神经网络因其优越的性能深受工业市场的追捧。为了满足工业需求，往往需要将模型设计得非常笨重，但是这又往往造成了与应用场景的设备资源受限之间的冲突。
[0003]现有技术中往往采用一种专门针对资源受限终端设备的轻量神经网络架构，其核心是深度可分离卷积(Depthwise Convolution)。

技术实现思路

[0004]提供了一种用于训练可分离卷积网络的方法、路侧设备和云控平台。
[0005]根据第一方面，提供了一种用于训练可分离卷积网络的方法，其中，该可分离卷积网络中包括第一初始卷积核和第一数目个并行的第二初始卷积核，该第一数目个并行的第二初始卷积核的尺寸一致，该方法包括：获取批训练样本集合，其中，批训练样本集合中包括第二数目个样本图像和对应的样本标签；生成批训练样本集合对应的第二初始卷积核的滑动窗口的局部区域块集合；分别生成针对局部区域块集合中各局部区域块的第一数目个并行的融合卷积核，其中，第一数目个并行的融合卷积核基于第一初始卷积核针对样本图像的卷积结果和第一数目个并行的第二初始卷积核生成；基于所生成的第一数目个并行的融合卷积核对相应的局部区域块进行卷积，生成与批训练样本集合中第二数目个样本图像对应的特征图；根据所生成的特征图与对应的样本标签之间的差异，调整第一初始卷积核和第一数目个并行的第二初始卷积核。
[0006]根据第二方面，提供了一种图像处理方法，包括：获取待处理图像的目标卷积区域；利用预先生成的第一数目个并行的融合卷积核对目标卷积区域进行卷积操作，生成卷积结果，其中，第一数目个并行的融合卷积核基于第一目标卷积核针对待处理图像的卷积结果和第一数目个并行的第二目标卷积核生成，第一目标卷积核和第一数目个并行的第二目标卷积核包括基于如第一方面中任一实现方式所描述的方法调整后的第一初始卷积核和第一数目个并行的第二初始卷积核；基于卷积结果，生成待处理图像对应的特征图。
[0007]根据第三方面，提供了一种用于训练可分离卷积网络的装置，该可分离卷积网络中包括第一初始卷积核和第一数目个并行的第二初始卷积核，该第一数目个并行的第二初始卷积核的尺寸一致，该装置包括：第一获取单元，被配置成获取批训练样本集合，其中，批训练样本集合中包括第二数目个样本图像和对应的样本标签；第一生成单元，被配置成生成批训练样本集合对应的第二初始卷积核的滑动窗口的局部区域块集合；第二生成单元，被配置成分别生成针对局部区域块集合中各局部区域块的第一数目个并行的融合卷积核，其中，第一数目个并行的融合卷积核基于第一初始卷积核针对样本图像的卷积结果和第一
数目个并行的第二初始卷积核生成；卷积单元，被配置成基于所生成的第一数目个并行的融合卷积核对相应的局部区域块进行卷积，生成与批训练样本集合中第二数目个样本图像对应的特征图；调整单元，被配置成根据所生成的特征图与对应的样本标签之间的差异，调整第一初始卷积核和第一数目个并行的第二初始卷积核。
[0008]根据第四方面，提供了一种图像处理装置，包括：第二获取单元，被配置成获取待处理图像的目标卷积区域；第三生成单元，被配置成利用预先生成的第一数目个并行的融合卷积核对目标卷积区域进行卷积操作，生成卷积结果，其中，第一数目个并行的融合卷积核基于第一目标卷积核针对待处理图像的卷积结果和第一数目个并行的第二目标卷积核生成，第一目标卷积核和第一数目个并行的第二目标卷积核包括基于如第一方面或中任一实现方式所描述的方法调整后的第一初始卷积核和第一数目个并行的第二初始卷积核；第四生成单元，被配置成基于卷积结果，生成待处理图像对应的特征图。
[0009]根据第五方面，提供了一种电子设备，该电子设备包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，存储器存储有可被上述至少一个处理器执行的指令，上述指令被至少一个处理器执行，以使上述至少一个处理器能够执行如第一方面或第二方面中任一实现方式所描述的方法。
[0010]根据第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机能够执行如第一方面或第二方面中任一实现方式所描述的方法。
[0011]根据第七方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现如第一方面或第二方面中任一实现方式所描述的方法。
[0012]根据第八方面，提供了一种路侧设备，包括第五方面所描述的电子设备。
[0013]根据第九方面，提供了一种云控平台，包括第五方面所描述的电子设备。
[0014]根据本公开的技术通过基于有监督训练同时调整第一初始卷积核和第一数目个并行的第二初始卷积核，并基于初始卷积核和第一数目个并行的第二初始卷积核生成针对各图像区域的融合卷积核，从而实现了将空间关联的卷积核应用于可分离卷积网络，以及卷积核随着不同的输入而动态调整，并且提供了一种训练区别于常规卷积的、非共享的分离卷积网络的方法，进而为据此生成的融合卷积核所提取的特征以及提升图像处理效果提供技术基础。
[0015]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0016]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0017]图1是根据本公开第一实施例的示意图；
[0018]图2是根据本公开第二实施例的示意图；
[0019]图3是可以实现本公开实施例的用于训练可分离卷积网络的方法的一个应用场景的示意图；
[0020]图4是根据本公开实施例的用于训练可分离卷积网络的装置的示意图；
[0021]图5是根据本公开实施例的图像处理装置的示意图；
[0022]图6是用来实现本公开实施例的用于训练可分离卷积网络的方法的电子设备的框
图。
具体实施方式
[0023]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0024]图1是示出了根据本公开第一实施例的示意图100。该用于训练可分离卷积网络的方法包括以下步骤：
[0025]S101，获取批训练样本集合。
[0026]在本实施例中，用于训练可分离卷积网络的方法的执行主体可以通过各种方式获取批训练样本集合。其中，上述可分离卷积网络中可以包括第一初始卷积核和第一数目个并行的第二初始卷积核。上述第一数目个并行的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于训练可分离卷积网络的方法，其中，所述可分离卷积网络中包括第一初始卷积核和第一数目个并行的第二初始卷积核，所述第一数目个并行的第二初始卷积核的尺寸一致，所述方法包括：获取批训练样本集合，其中，所述批训练样本集合中包括第二数目个样本图像和对应的样本标签；生成所述批训练样本集合对应的第二初始卷积核的滑动窗口的局部区域块集合；分别生成针对所述局部区域块集合中各局部区域块的第一数目个并行的融合卷积核，其中，所述第一数目个并行的融合卷积核基于所述第一初始卷积核针对样本图像的卷积结果和所述第一数目个并行的第二初始卷积核生成；基于所生成的第一数目个并行的融合卷积核对相应的局部区域块进行卷积，生成与所述批训练样本集合中第二数目个样本图像对应的特征图；根据所生成的特征图与对应的样本标签之间的差异，调整所述第一初始卷积核和所述第一数目个并行的第二初始卷积核。2.根据权利要求1所述的方法，其中，所述生成所述批训练样本集合对应的第二初始卷积核的滑动窗口的局部区域块集合，包括：获取第二初始卷积核对应的预设滑动步幅；生成所述局部区域块集合，其中，所述局部区域块集合的维度中包括所述第二数目、所述样本图像的通道数、所述第二初始卷积核的宽与高的乘积、所述样本图像的高与所述预设滑动步幅的比值和所述样本图像的宽与所述预设滑动步幅的比值。3.根据权利要求1或2所述的方法，其中，所述分别生成针对所述局部区域块集合中各局部区域块的第一数目个并行的融合卷积核，包括：基于所述第一初始卷积核针对样本图像的卷积结果，生成与所述第二初始卷积核的维度匹配的第一数目个修正系数张量；基于所述第一数目个修正系数张量与所述第一数目个并行的第二初始卷积核中对应的第二初始卷积核进行点乘，生成第一数目个并行的针对所述局部区域块集合中各局部区域块的融合卷积核，其中，所述融合卷积核的维度与所述第二初始卷积核的维度匹配。4.根据权利要求2所述的方法，其中，所述基于所生成的第一数目个并行的融合卷积核对相应的局部区域块进行卷积，生成与所述批训练样本集合中第二数目个样本图像对应的特征图，包括：对所述第一数目个并行的融合卷积核进行融合，生成融合后的卷积核；利用所生成的融合后的卷积核对相应的局部卷积块进行卷积，生成与所述局部区域块集合的维度一致的卷积结果；在所述第二初始卷积核的宽与高的乘积的维度上进行求和，生成与所述批训练样本集合中第二数目个样本图像对应的特征图，其中，所述特征图的维度中包括所述第二数目、所述样本图像的通道数、所述样本图像的高与所述预设滑动步幅的比值和所述样本图像的宽与所述预设滑动步幅的比值。5.一种图像处理方法，包括：获取待处理图像的目标卷积区域；利用预先生成的第一数目个并行的融合卷积核对所述目标卷积区域进行卷积操作，生
成卷积结果，其中，所述第一数目个并行的融合卷积核基于第一目标卷积核针对所述待处理图像的卷积结果和所述第一数目个并行的第二目标卷积核生成，所述第一目标卷积核和所述第一数目个并行的第二目标卷积核包括基于如权利要求1
‑
4之一所述的方法调整后的第一初始卷积核和第一数目个并行的第二初始卷积核；基于所述卷积结果，生成所述待处理图像对应的特征图。6.一种用于训练可分离卷积网络的装置，其中，所述可分离卷积网络中包括第一初始卷积核和第一数目个并行的第二初始卷积核，所述第一数目个并行的第二初始卷积核的尺寸一致，该装置包括：第一获取单元，被配置成获取批训练样本集合，其中，所述批训练样本集合中包括第二数目个样本图像和对应的样本标签；第一生成单元，被配置成生成所述批训练样本集合...

【专利技术属性】
技术研发人员：夏春龙，
申请(专利权)人：阿波罗智联北京科技有限公司，
类型：发明
国别省市：