[发明专利]目标识别模型建立方法及装置

说明书

本申请实施例提供一种目标识别模型建立方法及装置，方法包括：根据目标场景中的图像目标分类实时性要求，计算深度卷积神经网络包含的最大卷积核数量N1；构建深度卷积神经网络模型，该模型的卷积核数量N2大于N1；采用目标场景的图像样本集对深度卷积神经网络模型进行一次压缩训练，得到压缩模型，该压缩模型的卷积核数量N3小于N2；当N3大于N1或当压缩模型的目标分类准确率高于预期分类准确率时，对得到的压缩模型重复进行压缩训练，直至N3不大于N1且压缩模型的目标分类准确率不高于预期分类准确率；采用最终获得的压缩模型对目标场景中的图像进行分类。如此，可以快速地训练得到适用于目标场景的高性能网络。

技术领域

本申请涉及图像处理技术领域，具体而言，涉及一种目标识别模型建立方法及装置。

背景技术

在实际应用中，通常会采用深度学习方法来对感兴趣的目标进行识别，以实现相应的功能。例如，在铁路运营场景中，可能出现如下情况：

在山区和隧道口处有时会突发落石或突发泥石流，从而导致异物进入高速铁路轨道；当某一新建公路或新建铁路的施工路段跨越已有铁路时，或是与该已有铁路并行时，容易出现机械、人员及施工材料侵入该已有铁路的限界的情况。

在出现前述的情况时，由于列车运行速度非常快，若只依靠司机的视觉检测或传统检测方法来识别异物，准确性较低，很难确保列车运行的安全，从而可能造成列车脱轨和人员伤亡等后果。因此，需要对侵入到铁路运行范围内的异物进行识别。

然而，采用深度学习方法具有一定缺陷，具体为：为了达到较好的识别效果，往往需要大量的数据进行训练。其中，对于不同的应用场景，即便是十分类似的场景，也需要使用新场景的数据重新进行训练，这限制了深度学习网络模型的广泛应用。针对这一问题，相关技术中通常采用迁移训练的方式，将一个训练好的网络迁移至新场景中重新进行训练，目前主要存在如下两种方式：

第一、通过一个占用较小空间的网络先对多个场景的样本数据进行训练，再将训练好的网络直接迁移到单个场景的样本上去；

第二、通过一个深度网络先对多个场景的样本数据进行训练，再将训练好的网络迁移至单个场景的样本上去，然后再进行网络压缩。

上述方式均存在缺陷，第一种方式中，使用占用空间较小的网络对各个场景的样本数据进行训练难以达到较好的识别效果，再将训练得到的网络迁移至其他场景，识别效果将进一步变差。第二种方式中，一方面，采用先迁移再压缩的方式所需的训练次数较多，导致训练耗时较长。

发明内容

有鉴于此，本申请的目的在于提供一种目标识别模型建立方法及装置，以至少部分地改善上述问题。

为了达到上述目的，本申请实施例采用如下技术方案：

第一方面，本申请实施例提供一种目标识别模型建立方法，所述方法包括：

根据目标场景中的图像目标分类实时性要求，计算深度卷积神经网络可以包含的最大卷积核数量N1；

构建深度卷积神经网络模型，其中，所述深度卷积神经网络模型的卷积核数量N2大于N1，所述深度卷积神经网络模型的参数通过随机初始化获得，或者利用预训练数据库通过预训练获得；其中，所述预训练数据库包含其它场景和/或所述目标场景的图像样本；

以所述目标场景的图像样本集作为训练数据库，对所述深度卷积神经网络模型进行一次压缩训练，得到所述深度卷积神经网络的压缩模型，该压缩模型的卷积核数量N3小于N2；

当N3大于N1或者当得到的压缩模型的目标分类准确率高于预期分类准确率时，对得到的压缩模型重复进行压缩训练，直至N3不大于N1且得到的压缩模型的目标分类准确率不高于预期分类准确率时为止；将最终获得的压缩模型作为所述图像目标分类模型，以对所述目标场景中的图像进行目标分类识别。