[发明专利]图像识别模型的训练方法、装置、计算机设备及存储介质

说明书

本发明公开了一种图像识别模型的训练方法，应用于人工智能技术领域，用于解决目前的训练方法在对图像识别模型进行训练时对GPU资源的占用率高的技术问题。本发明提供的方法包括：通过图像识别模型的多通道卷积层将样本图像转换为多通道特征图；按照预设的通道比例将多通道特征图拆分为初始特征图和第一特征图；将第一特征图输入至图像识别模型的主干网络进行前向传播得到中间特征图；将中间特征图与初始特征图进行拼接得到训练样本特征图；将训练样本特征图输入至图像识别模型的全连接层，得到训练样本特征图的映射类别；以样本图像所属的实际类别作为目标调整主干网络的参数，通过样本图像对图像识别模型进行循环训练，得到训练好的图像识别模型。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种图像识别模型的训练方法、装置、计算机设备及存储介质。

背景技术

随着深度神经网络变得越来越强大，在实际生活中，它的应用也越来越广泛。例如在视频监控、人脸识别、语音识别、自然语言处理等技术领域得到广泛应用。在很多领域，机器的识别能力已经远超过人类，各大公司都在深度学习领域投入了大量的人力、物力。

现在主流的深度神经网络及其变种由于训练数据的庞大，使得其需要极其庞大的计算量做训练，这就需要依赖于价格昂贵的GPU(Graphics Processing Unit，图形处理器)资源，这就大大阻碍了很多人投入到深度学习的学习、研究和开发当中。

现如今，很多工作集中在如何设计神经网络，以使得模型更适合例如手机、平板电脑、笔记本电脑等移动设备上。例如MobileNet神经网络、MobileNetV2神经网络、MNASnet(Platform-Aware Neural Architecture Search for Mobile，终端轻量化模型)、轻量级网络ShuffleNet，这类神经网络方法是为移动终端设备的CPU(central processing unit，中央处理器)设计的，不适用于边缘计算系统的专用芯片。

以图像识别模型为例，如需将这类神经网络应用在终端设备上，由于训练模型需要较大的计算量，就需要终端设备的硬件条件比较好，致使应用该图像识别模型的门槛较高。

发明内容

本发明实施例提供一种图像识别模型的训练方法、装置、计算机设备及存储介质，以解决目前的训练方法在对图像识别模型进行训练时对GPU(graphics processing unit，图形处理器)资源的占用率高、训练计算量大的技术问题。

一种图像识别模型的训练方法，该方法包括：

获取样本图像，该样本图像携带有该样本图像所属的实际类别的标注信息；

将该样本图像输入至待训练的图像识别模型的多通道卷积层，得到该样本图像的多通道特征图；

根据该多通道特征图的通道数，按照预设的通道比例将该多通道特征图拆分为初始特征图和第一特征图；

将该第一特征图输入至该待训练的图像识别模型的主干网络进行前向传播，得到中间特征图；

将该中间特征图与该初始特征图进行拼接，得到训练样本特征图；

将该训练样本特征图输入至该待训练的图像识别模型的全连接层，得到该训练样本特征图的映射类别；

以该样本图像所属的实际类别作为目标，调整该主干网络的参数，循环该将该样本图像输入至待训练的图像识别模型的多通道卷积层至该调整该主干网络的参数的步骤，直到该映射类别与该实际类别相同时，得到训练好的图像识别模型。

一种图像识别模型的训练装置，该装置包括：

样本获取模块，用于获取样本图像，该样本图像携带有该样本图像所属的实际类别的标注信息；