CN111767988A - 神经网络的融合方法和装置 - Google Patents
神经网络的融合方法和装置 Download PDFInfo
- Publication number
- CN111767988A CN111767988A CN202010601420.0A CN202010601420A CN111767988A CN 111767988 A CN111767988 A CN 111767988A CN 202010601420 A CN202010601420 A CN 202010601420A CN 111767988 A CN111767988 A CN 111767988A
- Authority
- CN
- China
- Prior art keywords
- search
- round
- neural networks
- parameter values
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 158
- 238000007500 overflow downdraw method Methods 0.000 title abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 114
- 230000000694 effects Effects 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims description 100
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000015654 memory Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013140 knowledge distillation Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了神经网络的融合方法和装置，涉及人工智能、云计算、深度学习技术领域，可用于图像处理。具体实施方式包括：确定搜索空间，其中，该搜索空间用于从多个候选神经网络中选取进行特征融合的至少两个候选神经网络并确定特征融合方式；获取该搜索空间的搜索参数的参数值；采用该参数值，在该搜索空间中搜索该至少两个候选神经网络，其中，每轮次搜索采用与该轮次搜索相对应的参数值；将搜索到该至少两个候选神经网络的轮次所对应的参数值中，与特征融合关联的参数值作为该特征融合方式。本申请可以通过在搜索空间中搜索的方式，提升神经网络的融合效果。并且，通过获取搜索参数的参数值，还可以提高融合速度。
Description
技术领域
本申请实施例涉及计算机技术领域，具体涉及人工智能、云计算、深度学习技术领域，尤其涉及神经网络的融合方法和装置。
背景技术
深度神经网络属于深度学习领域。随着深度神经网络的应用和发展，深度神经网络在诸多方向上都发挥了很大的价值，比如图像处理、人工智能等等。
单个深度神经网络的检测效果有限，为了能够提升深度神经网络的检测效果，相关技术中打破了单个神经网络的束缚，采用了对多个深度神经网络进行融合的技术，实现了模型融合。这样，在对图像等物体进行检测时，可以利用多个模型协同检测，从而达到更好的检测效果。
发明内容
提供了一种神经网络的融合方法、装置、电子设备以及存储介质。
根据第一方面，提供了一种神经网络的融合方法，包括：确定搜索空间，其中，搜索空间用于从多个候选神经网络中选取进行特征融合的至少两个候选神经网络并确定特征融合方式；获取搜索空间的搜索参数的参数值，其中，搜索参数包括每轮次搜索对应的候选神经网络；采用参数值，在搜索空间中搜索至少两个候选神经网络，其中，每轮次搜索采用与该轮次搜索相对应的参数值；将搜索到至少两个候选神经网络的轮次所对应的参数值中，与特征融合关联的参数值作为特征融合方式。
根据第二方面，提供了一种神经网络的融合装置，包括：空间确定单元，被配置成确定搜索空间，其中，搜索空间用于从多个候选神经网络中选取进行特征融合的至少两个候选神经网络并确定特征融合方式；获取单元，被配置成获取搜索空间的搜索参数的参数值，其中，搜索参数包括每轮次搜索对应的候选神经网络；搜索单元，被配置成采用参数值，在搜索空间中搜索至少两个候选神经网络，其中，每轮次搜索采用与该轮次搜索相对应的参数值；方式确定单元，被配置成将搜索到至少两个候选神经网络的轮次所对应的参数值中，与特征融合关联的参数值作为特征融合方式。
根据第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如神经网络的融合方法中任一实施例的方法。
根据第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如神经网络的融合方法中任一实施例的方法。
根据本申请的方案，可以通过在搜索空间中搜索的方式，提升神经网络的融合效果。并且，通过获取搜索参数的参数值，还可以提高融合速度。在一些情况下，将提升了融合效果的融合后神经网络用于图像处理，可以提高对图像的检测精度和检测速度。进一步地，有助于降低执行设备的延时，减少内存等计算资源的占用和消耗。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请一些实施例可以应用于其中的示例性***架构图；
图2是根据本申请的神经网络的融合方法的一个实施例的流程图；
图3是根据本申请的神经网络的融合方法的一个应用场景的示意图；
图4是根据本申请的神经网络的融合方法的又一个实施例的流程图；
图5是根据本申请的神经网络的融合装置的一个实施例的结构示意图；
图6是用来实现本申请实施例的神经网络的融合方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的神经网络的融合方法或神经网络的融合装置的实施例的示例性***架构100。
如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如视频类应用、直播应用、即时通信工具、邮箱客户端、社交平台软件等。
这里的终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对接收到的多个候选神经网络等数据进行分析等处理，并将处理结果(例如至少两个候选神经网络和特征融合方式)反馈给终端设备。
需要说明的是，本申请实施例所提供的神经网络的融合方法可以由服务器105或者终端设备101、102、103执行，相应地，神经网络的融合装置可以设置于服务器105或者终端设备101、102、103中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的神经网络的融合方法的一个实施例的流程200。该神经网络的融合方法，包括以下步骤：
步骤201，确定搜索空间，其中，搜索空间用于从多个候选神经网络中选取进行特征融合的至少两个候选神经网络并确定特征融合方式。
在本实施例中，神经网络的融合方法运行于其上的执行主体(例如图1所示的服务器或终端设备)可以确定搜索空间。具体地，上述执行主体或者其它电子设备可以在搜索空间中进行搜索，以从多个候选神经网络中选取出参与特征融合的至少两个候选神经网络，此外，还可以搜索出特征融合方式，也即进行特征融合所采用的方式。特征融合为神经网络之间融合的一种方式，指将利用至少两个神经网络检测图像生成的特征进行融合。
这里的神经网络可以是各种用于检测图像的神经网络，比如用于对图像进行检测的深度神经网络，比如卷积神经网络、残差神经网络等等。
步骤202，获取搜索空间的搜索参数的参数值，其中，搜索参数包括每轮次搜索对应的候选神经网络。
在本实施例中，上述执行主体可以获取上述搜索空间的搜索参数的参数值。搜索参数是在上述搜索空间中搜索所采用的参数。具体地，上述执行主体可以针对每个搜索轮次，对每个搜索参数获取一个参数值。在实践中，获取的搜索参数的参数值可以指示每轮次搜索过程中进行特征融合的候选神经网络。比如，共有4个神经网络分别为1号、2号、3号和4号，获取的参数值可以包括在第一轮次搜索过程中进行特征融合的两个神经网络：1号和3号。
在确定搜索空间后，就确定了各个搜索参数的候选参数值，即可以确定各个搜索参数的各个参数值的所有排列组合，这些排列组合中的每个排列组合对应一轮次搜索。而进行步骤202，上述执行主体则获取到了这些排列组合中的部分排列组合，以进行搜索。
步骤203，采用参数值，在搜索空间中搜索至少两个候选神经网络，其中，每轮次搜索采用与该轮次搜索相对应的参数值。
在本实施例中，上述执行主体可以基于上述参数值，在上述搜索空间中进行搜索，以搜索出多个候选神经网络中的、上述至少两个候选神经网络。在每轮次搜索过程中，上述执行主体采用与该轮次搜索相对应的参数值。比如，第一轮次搜索采用搜索参数X的参数值A，和搜索参数Y的参数值a。第二轮次搜索采用搜索参数X的参数值A，和搜索参数Y的参数值b。
步骤204，将搜索到至少两个候选神经网络的轮次所对应的参数值中，与特征融合关联的参数值作为特征融合方式。
在本实施例中，上述执行主体可以确定搜索到上述至少两个候选神经网络的一轮次搜索所对应的参数值，并将该参数值中与特征融合关联的参数值作为上述特征融合方式。轮次所对应的即是该轮次搜索所对应的。与特征融合关联的参数值，指进行特征融合需要用到的参数值。比如，特征融合算法的参数值。
本申请的上述实施例提供的方法，可以通过在搜索空间中搜索的方式，提升神经网络的融合效果。并且，通过获取搜索参数的参数值，可以进一步提高融合速度。
在本实施例的一些可选的实现方式中，搜索参数还包括以下至少一项：搜索轮次数、每轮次搜索对应的特征融合算法、融合后的特征的维度。
在这些可选的实现方式中，搜索参数还可以包括搜索轮次数、每轮次搜索对应的特征融合算法和/或融合后的特征的维度。搜索轮次数指上述执行主体一共需搜索多少轮次，以搜索上述至少两个候选神经网络。每轮次搜索对应的特征融合算法指每轮次搜索的过程中，对该轮次搜索对应的候选神经网络进行特征融合所采用的特征融合算法。具体地，作为搜索参数的特征融合算法的参数值可以是主成分分析法(Principal ComponentAnalysis，PCA)，此外，还可以是线性判别分析法(Linear Discrimination Analysis，LDA)。
具体地，上述的每轮次搜索对应的特征融合算法和融合后的特征的维度，为与特征融合关联的搜索参数，这两者的参数值则为与特征融合关联的参数值。
这些实现方式可以通过限定与特征融合关联的参数值，得到更加全面、完整的特征融合方式。
在本实施例的一些可选的实现方式中，上述方法还可以包括：获取目标检测模型，其中，目标检测模型的检测耗时小于预设耗时阈值，目标检测模型的参数的数量小于预设数量阈值；将以上述特征融合方式融合上述至少两个候选神经网络的模型作为教师模型，并将目标检测模型作为学生模型，进行知识蒸馏，得到蒸馏后的目标检测模型。
在这些可选的实现方式中，上述执行主体可以将包括上述至少两个候选神经网络的模型作为教师模型，对耗时短、参数少的目标检测模型进行知识蒸馏，从而让该目标检测模型具有耗时短、参数少的特点的同时，还可以具有与教师模型类似的检测精度，从而可以提高目标检测模型的检测精度。
在本实施例的一些可选的实现方式中，步骤203可以包括：对于每一轮次搜索，基于该轮次搜索对应的参数值，利用该轮次搜索对应的候选神经网络检测图像，并对生成的图像特征进行特征融合，生成融合结果；确定融合结果对应的检测结果的检测效果，并基于检测效果，确定至少两个候选神经网络。
在这些可选的实现方式中，上述执行主体可以在每一轮次的搜索中，基于该轮次搜索对应的参数值，利用该轮次搜索对应的候选神经网络来检测图像。检测图像的过程中，会生成图像特征也即特征图(feature map)，上述执行主体可以对生成的特征图进行融合，以实现特征融合，从而生成融合结果。
并且，上述执行主体可以确定上述融合结果对应的检测结果，比如，上述执行主体可以将融合结果输入预设处理层，以得到检测结果。这里的预设处理层可以包括全连接层、池化层和/或归一化层等。之后，上述执行主体可以将检测结果与图像中待检测目标的真实值进行比较，从而确定检测效果。
在实践中，上述执行主体可以采用各种方式确定检测效果。比如检测结果为待检测目标的坐标位置，若该坐标位置与真实值所示的坐标位置相差小于预设阈值，则可以确定为检测效果良好，反之(若该坐标位置与真实值所示的坐标位置相差不小于阈值)则可以确定为检测效果不佳。此外，上述执行主体也可以将检测效果量化，比如检测结果为待检测目标的坐标位置，上述执行主体可以直接将该坐标位置与真实值所示的坐标位置的差，作为检测效果。并获取差的目标阈值，并将小于或等于该目标阈值的检测效果作为检测效果良好的检测结果。
上述执行主体可以采用各种方式，基于检测效果确定上述至少两个候选神经网络。比如，上述执行主体可以在某个轮次的搜索结果对应的检测效果良好的情况下，将该轮次对应的候选神经网络作为上述至少两个候选神经网络。
这些实现方式可以确定出神经网络的检测效果，并基于检测效果的反馈，来准确地确定出至少两个候选神经网络。
继续参见图3，图3是根据本实施例的神经网络的融合方法的应用场景的一个示意图。在图3的应用场景中，执行主体301确定搜索空间302，其中，搜索空间用于从多个候选神经网络中选取进行特征融合的至少两个候选神经网络并确定特征融合方式。执行主体301获取搜索空间302的搜索参数的参数值303，其中，搜索参数包括每轮次搜索对应的候选神经网络。执行主体301采用参数值303，在搜索空间中搜索至少两个候选神经网络304，其中，每轮次搜索采用与该轮次搜索相对应的参数值。执行主体301将搜索到至少两个候选神经网络304的轮次所对应的参数值中，与特征融合关联的参数值作为特征融合方式305。
进一步参考图4，其示出了神经网络的融合方法的又一个实施例的流程400。该流程400，包括以下步骤：
步骤401，确定搜索空间，其中，搜索空间用于从多个候选神经网络中选取进行特征融合的至少两个候选神经网络并确定特征融合方式。
在本实施例中，神经网络的融合方法运行于其上的执行主体(例如图1所示的服务器或终端设备)可以确定搜索空间。具体地，上述执行主体或者其它电子设备可以在搜索空间中进行搜索，以从多个候选神经网络中选取出参与特征融合的至少两个候选神经网络，此外，还可以搜索出特征融合方式，也即进行特征融合所采用的方式。
步骤402，获取参数值确定模型，其中，参数值确定模型用于对于每轮次搜索，对每个搜索参数确定一个参数值。
在本实施例中，上述执行主体可以获取参数值确定模型。该参数值确定模型可以是函数、算法或者神经网络，比如深度神经网络，例如可以是卷积神经网络、残差神经网络。
步骤403，将各个搜索参数的候选参数值，输入参数值确定模型，生成输出值，其中，输出值包括搜索轮次数，以及每轮次搜索对应的、搜索参数的参数值。
在本实施例中，上述执行主体可以利用参数值确定模型在搜索前，确定每轮搜索所采用的参数值。参数值确定模型可以对于每个搜索参数，从该搜索参数的各个候选参数值中，确定出在每轮次搜索中将采用的参数值，作为输出值。
举例来说，搜索参数可以包括一共搜索多少轮次，也即搜索轮次数，该搜索轮次数的候选参数值为多个具体的轮次数的数值。与搜索轮次数相对应的输出值则包括这些数值的其中一个。
步骤404，采用参数值，在搜索空间中搜索至少两个候选神经网络，其中，每轮次搜索采用与该轮次搜索相对应的参数值。
在本实施例中，上述执行主体可以基于上述参数值，在上述搜索空间中进行搜索，以搜索出多个候选神经网络中的、上述至少两个候选神经网络。在每轮次搜索过程中，上述执行主体采用与该轮次搜索相对应的参数值。
步骤405，将搜索到至少两个候选神经网络的轮次所对应的参数值中，与特征融合关联的参数值作为特征融合方式。
在本实施例中，上述执行主体可以确定搜索到上述至少两个候选神经网络的一轮次搜索所对应的参数值，并将该参数值中与特征融合关联的参数值作为上述特征融合方式。轮次所对应的即是该轮次搜索所对应的。
本实施例可以利用参数值确定模型，以确定出更加准确的参数值用来搜索，从而可以提升搜索效果，进而可以提升模型的融合效果。
在本实施例的一些可选的实现方式中，步骤404可以包括：对于每一轮次搜索，基于该轮次搜索对应的参数值，利用该轮次搜索对应的候选神经网络检测图像，并对生成的图像特征进行特征融合，生成融合结果；确定融合结果对应的检测结果的检测效果，并基于检测效果，确定至少两个候选神经网络。
在这些实现方式中的一些可选的应用场景中，检测效果包括检测耗时和/或检测精度。这些实现方式中的基于检测效果，确定至少两个候选神经网络，可以包括：确定各轮次搜索对应的检测效果中，是否存在预设效果范围内的检测效果；若不存在，则更新获取到的参数值，并利用更新后的参数值，在搜索空间中继续搜索，并确定至少两个候选神经网络。
在这些可选的应用场景中，上述执行主体可以在各轮次搜索对应的检测效果中，确定是否存在位于预设效果范围内的检测效果。若不存在，则上述执行主体可以更新获取到的参数值，并利用更新后的参数值，在搜索空间中继续搜索。预设效果范围可以是上述目标阈值，也可以是上述的确定为检测效果良好的检测效果。
若所有轮次搜索生成的检测结果的检测效果均未在预设效果范围内，则上述执行主体可以更新获取到的参数值，并利用更新后的参数值，继续搜索进行特征融合的至少两个候选神经网络，得到新的搜索结果，并确定新的搜索结果对应的特征融合方式。
在实践中，上述执行主体可以采用各种方式更新获取到的参数值。比如，上述执行主体可以确定出参数值，该参数值不同于已进行的各个轮次搜索中的参数值(可以是部分搜索参数的参数值不同)。之后，上述执行主体可以将该参数值作为更新后的参数值。此外，上述执行主体还可以将各个搜索轮次的参数值和检测效果，输入指定模型(比如指定卷积神经网络)，并得到该指定模型输出的更新后的参数值。
这些应用场景可以通过更新参数值并继续搜索，确定出更优的特征融合方式以及参与特征融合的神经网络。
在这些应用场景的一些可选的情况下，上述方法还可以包括：获取基于所述检测效果训练所述参数值确定模型所得到的训练后的参数值确定模型；以及这些实现方式中的若不存在，则更新获取到的参数值，可以包括：若不存在，则将各个搜索参数的候选参数值，输入训练后的参数值确定模型，生成新的输出值，将获取到的参数值更新为所述新的输出值。
在这些可选的情况下，上述执行主体或者其它电子设备可以基于检测效果，训练参数值确定模型，从而得到训练后的参数值确定模型。并在已有的搜索结果对应的检测效果不理想的情况下，利用训练后的参数值确定模型，生成新的输出值。
在实践中，上述执行主体或者其它电子设备可以采用各种方式训练参数值确定模型。比如，上述执行主体可以将检测效果良好的检测结果以及该检测结果对应的参数值作为正样本，训练参数值确定模型。此外，上述执行主体还可以将检测效果不佳的检测结果以及该检测结果对应的参数值作为负样本，训练参数值确定模型。
上述执行主体可以在检测效果不佳的情况下，对参数值确定模型进行迭代，从而可以让训练后的参数值确定模型确定出的参数值产生更好的检测效果，进而实现更好的融合效果。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种神经网络的融合装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征或效果。该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的神经网络的融合装置500包括：空间确定单元501、获取单元502、搜索单元503和方式确定单元504。其中，空间确定单元501，被配置成确定搜索空间，其中，搜索空间用于从多个候选神经网络中选取进行特征融合的至少两个候选神经网络并确定特征融合方式；获取单元502，被配置成获取搜索空间的搜索参数的参数值，其中，搜索参数包括每轮次搜索对应的候选神经网络；搜索单元503，被配置成采用参数值，在搜索空间中搜索至少两个候选神经网络，其中，每轮次搜索采用与该轮次搜索相对应的参数值；方式确定单元504，被配置成将搜索到至少两个候选神经网络的轮次所对应的参数值中，与特征融合关联的参数值作为特征融合方式。
在本实施例中，神经网络的融合装置500的空间确定单元501、获取单元502、搜索单元503和方式确定单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，搜索参数还包括以下至少一项：搜索轮次数、每轮次搜索对应的特征融合算法、融合后的特征的维度。
在本实施例的一些可选的实现方式中，获取单元，进一步被配置成按照如下方式执行获取搜索空间的搜索参数的参数值：获取参数值确定模型，其中，参数值确定模型用于对于每轮次搜索，对每个搜索参数确定一个参数值；将各个搜索参数的候选参数值，输入参数值确定模型，生成输出值，其中，输出值包括每轮次搜索对应的、搜索参数的参数值。
在本实施例的一些可选的实现方式中，搜索单元，进一步被配置成按照如下方式执行采用参数值，在搜索空间中搜索至少两个候选神经网络：对于每一轮次搜索，基于该轮次搜索对应的参数值，利用该轮次搜索对应的候选神经网络检测图像，并对生成的图像特征进行特征融合，生成融合结果；确定融合结果对应的检测结果的检测效果，并基于检测效果，确定至少两个候选神经网络。
在本实施例的一些可选的实现方式中，检测效果包括检测耗时和/或检测精度；搜索单元，进一步被配置成按照如下方式执行基于检测效果，确定至少两个候选神经网络：确定各轮次搜索对应的检测效果中，是否存在预设效果范围内的检测效果；若不存在，则更新获取到的参数值，并利用更新后的参数值，在搜索空间中继续搜索，并确定至少两个候选神经网络。
在本实施例的一些可选的实现方式中，装置还包括：模型获取单元，被配置成获取基于所述检测效果训练所述参数值确定模型所得到的训练后的参数值确定模型；以及搜索单元，进一步被配置成按照如下方式执行若不存在，则更新获取到的参数值：若不存在，则将各个搜索参数的候选参数值，输入训练后的参数值确定模型，生成新的输出值，将获取到的参数值更新为所述新的输出值。
在本实施例的一些可选的实现方式中，装置还包括：模型确定单元，被配置成获取目标检测模型，其中，目标检测模型的检测耗时小于预设耗时阈值，目标检测模型的参数的数量小于预设数量阈值；蒸馏单元，被配置成将包括至少两个候选神经网络的模型作为教师模型，并将目标检测模型作为学生模型，进行知识蒸馏，得到蒸馏后的目标检测模型。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，是根据本申请实施例的神经网络的融合方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器***)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的神经网络的融合方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的神经网络的融合方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的神经网络的融合方法对应的程序指令/模块(例如，附图5所示的空间确定单元501、获取单元502、搜索单元503和方式确定单元504)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的神经网络的融合方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据神经网络的融合电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至神经网络的融合电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
神经网络的融合方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与神经网络的融合电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括空间确定单元、获取单元、搜索单元和方式确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，空间确定单元还可以被描述为“确定搜索空间的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：确定搜索空间，其中，搜索空间用于从多个候选神经网络中选取进行特征融合的至少两个候选神经网络并确定特征融合方式；获取搜索空间的搜索参数的参数值，其中，搜索参数包括每轮次搜索对应的候选神经网络；采用参数值，在搜索空间中搜索至少两个候选神经网络，其中，每轮次搜索采用与该轮次搜索相对应的参数值；将搜索到至少两个候选神经网络的轮次所对应的参数值中，与特征融合关联的参数值作为特征融合方式。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种神经网络的融合方法，所述方法包括：
确定搜索空间，其中，所述搜索空间用于从多个候选神经网络中选取进行特征融合的至少两个候选神经网络并确定特征融合方式；
获取所述搜索空间的搜索参数的参数值，其中，所述搜索参数包括每轮次搜索对应的候选神经网络；
采用所述参数值，在所述搜索空间中搜索所述至少两个候选神经网络，其中，每轮次搜索采用与该轮次搜索相对应的参数值；
将搜索到所述至少两个候选神经网络的轮次所对应的参数值中，与特征融合关联的参数值作为所述特征融合方式。
2.根据权利要求1所述的方法，其中，所述获取所述搜索空间的搜索参数的参数值，包括：
获取参数值确定模型，其中，所述参数值确定模型用于对于每轮次搜索，对每个所述搜索参数确定一个参数值；
将各个所述搜索参数的候选参数值，输入所述参数值确定模型，生成输出值，其中，所述输出值包括每轮次搜索对应的、搜索参数的参数值。
3.根据权利要求2所述的方法，其中，所述采用所述参数值，在所述搜索空间中搜索所述至少两个候选神经网络，包括：
对于每一轮次搜索，基于该轮次搜索对应的参数值，利用该轮次搜索对应的候选神经网络检测图像，并对生成的图像特征进行特征融合，生成融合结果；
确定所述融合结果对应的检测结果的检测效果，并基于所述检测效果，确定所述至少两个候选神经网络。
4.根据权利要求3所述的方法，其中，所述检测效果包括检测耗时和/或检测精度；
所述基于所述检测效果，确定所述至少两个候选神经网络，包括：
确定各轮次搜索对应的检测效果中，是否存在预设效果范围内的检测效果；
若不存在，则更新获取到的参数值，利用更新后的参数值，在所述搜索空间中继续搜索，并确定所述至少两个候选神经网络。
5.根据权利要求4所述的方法，其中，所述方法还包括：
获取基于所述检测效果训练所述参数值确定模型所得到的训练后的参数值确定模型；以及
所述若不存在，则更新获取到的参数值，包括：
若不存在，则将各个所述搜索参数的候选参数值，输入所述训练后的参数值确定模型，生成新的输出值，将获取到的参数值更新为所述新的输出值。
6.根据权利要求1-5之一所述的方法，其中，所述搜索参数还包括以下至少一项：
搜索轮次数、每轮次搜索对应的特征融合算法、融合后的特征的维度。
7.一种神经网络的融合装置，所述装置包括：
空间确定单元，被配置成确定搜索空间，其中，所述搜索空间用于从多个候选神经网络中选取进行特征融合的至少两个候选神经网络并确定特征融合方式；
获取单元，被配置成获取所述搜索空间的搜索参数的参数值，其中，所述搜索参数包括每轮次搜索对应的候选神经网络；
搜索单元，被配置成采用所述参数值，在所述搜索空间中搜索所述至少两个候选神经网络，其中，每轮次搜索采用与该轮次搜索相对应的参数值；
方式确定单元，被配置成将搜索到所述至少两个候选神经网络的轮次所对应的参数值中，与特征融合关联的参数值作为所述特征融合方式。
8.根据权利要求7所述的装置，其中，所述获取单元，进一步被配置成按照如下方式执行所述获取所述搜索空间的搜索参数的参数值：
获取参数值确定模型，其中，所述参数值确定模型用于对于每轮次搜索，对每个所述搜索参数确定一个参数值；
将各个所述搜索参数的候选参数值，输入所述参数值确定模型，生成输出值，其中，所述输出值包括每轮次搜索对应的、搜索参数的参数值。
9.根据权利要求8所述的装置，其中，所述搜索单元，进一步被配置成按照如下方式执行所述采用所述参数值，在所述搜索空间中搜索所述至少两个候选神经网络：
对于每一轮次搜索，基于该轮次搜索对应的参数值，利用该轮次搜索对应的候选神经网络检测图像，并对生成的图像特征进行特征融合，生成融合结果；
确定所述融合结果对应的检测结果的检测效果，并基于所述检测效果，确定所述至少两个候选神经网络。
10.根据权利要求9所述的装置，其中，所述检测效果包括检测耗时和/或检测精度；
所述搜索单元，进一步被配置成按照如下方式执行所述基于所述检测效果，确定所述至少两个候选神经网络：
确定各轮次搜索对应的检测效果中，是否存在预设效果范围内的检测效果；
若不存在，则更新获取到的参数值，利用更新后的参数值，在所述搜索空间中继续搜索，并确定所述至少两个候选神经网络。
11.根据权利要求10所述的装置，其中，所述装置还包括：
模型获取单元，被配置成获取基于所述检测效果训练所述参数值确定模型所得到的训练后的参数值确定模型；以及
所述搜索单元，进一步被配置成按照如下方式执行所述若不存在，则更新获取到的参数值：
若不存在，则将各个所述搜索参数的候选参数值，输入所述训练后的参数值确定模型，生成新的输出值，将获取到的参数值更新为所述新的输出值。
12.根据权利要求7-11之一所述的装置，其中，所述搜索参数还包括以下至少一项：
搜索轮次数、每轮次搜索对应的特征融合算法、融合后的特征的维度。
13.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010601420.0A CN111767988A (zh) | 2020-06-29 | 2020-06-29 | 神经网络的融合方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010601420.0A CN111767988A (zh) | 2020-06-29 | 2020-06-29 | 神经网络的融合方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111767988A true CN111767988A (zh) | 2020-10-13 |
Family
ID=72722537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010601420.0A Pending CN111767988A (zh) | 2020-06-29 | 2020-06-29 | 神经网络的融合方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111767988A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024040941A1 (zh) * | 2022-08-25 | 2024-02-29 | 华为云计算技术有限公司 | 神经网络结构搜索方法、装置及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190370648A1 (en) * | 2018-05-29 | 2019-12-05 | Google Llc | Neural architecture search for dense image prediction tasks |
| CN110705695A (zh) * | 2019-10-10 | 2020-01-17 | 北京百度网讯科技有限公司 | 搜索模型结构的方法、装置、设备和存储介质 |
| CN110728359A (zh) * | 2019-10-10 | 2020-01-24 | 北京百度网讯科技有限公司 | 搜索模型结构的方法、装置、设备和存储介质 |
| CN110889487A (zh) * | 2018-09-10 | 2020-03-17 | 富士通株式会社 | 神经网络架构搜索装置和方法及计算机可读记录介质 |
| WO2020092810A1 (en) * | 2018-10-31 | 2020-05-07 | Movidius Ltd. | Automated generation of neural networks |
-
2020
- 2020-06-29 CN CN202010601420.0A patent/CN111767988A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190370648A1 (en) * | 2018-05-29 | 2019-12-05 | Google Llc | Neural architecture search for dense image prediction tasks |
| CN110889487A (zh) * | 2018-09-10 | 2020-03-17 | 富士通株式会社 | 神经网络架构搜索装置和方法及计算机可读记录介质 |
| WO2020092810A1 (en) * | 2018-10-31 | 2020-05-07 | Movidius Ltd. | Automated generation of neural networks |
| CN110705695A (zh) * | 2019-10-10 | 2020-01-17 | 北京百度网讯科技有限公司 | 搜索模型结构的方法、装置、设备和存储介质 |
| CN110728359A (zh) * | 2019-10-10 | 2020-01-24 | 北京百度网讯科技有限公司 | 搜索模型结构的方法、装置、设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 林哲;全海燕;: "利用单形进化优化的BP神经网络学习算法", 计算机仿真, no. 03, 15 March 2020 (2020-03-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024040941A1 (zh) * | 2022-08-25 | 2024-02-29 | 华为云计算技术有限公司 | 神经网络结构搜索方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110795569B (zh) | 知识图谱的向量表示生成方法、装置及设备 | |
| CN111221984A (zh) | 多模态内容处理方法、装置、设备及存储介质 | |
| CN111767359B (zh) | 兴趣点分类方法、装置、设备以及存储介质 | |
| CN111708876B (zh) | 生成信息的方法和装置 | |
| CN111931591A (zh) | 用于构建关键点学习模型的方法、装置、电子设备及可读存储介质 | |
| CN112270711B (zh) | 模型训练以及姿态预测方法、装置、设备以及存储介质 | |
| CN113094550A (zh) | 视频检索方法、装置、设备和介质 | |
| CN111667056A (zh) | 用于搜索模型结构的方法和装置 | |
| CN111241838B (zh) | 文本实体的语义关系处理方法、装置及设备 | |
| CN110852379B (zh) | 用于目标物体识别的训练样本生成方法及装置 | |
| CN111753964A (zh) | 神经网络的训练方法和装置 | |
| CN110543558A (zh) | 问题匹配方法、装置、设备和介质 | |
| CN111782785B (zh) | 自动问答方法、装置、设备以及存储介质 | |
| CN112507090A (zh) | 用于输出信息的方法、装置、设备和存储介质 | |
| CN112529180A (zh) | 模型蒸馏的方法和装置 | |
| CN112241716A (zh) | 训练样本的生成方法和装置 | |
| CN113157829A (zh) | 一种兴趣点名称比对方法、装置、电子设备和存储介质 | |
| CN111767990A (zh) | 神经网络的处理方法和装置 | |
| CN112561059B (zh) | 用于模型蒸馏的方法和装置 | |
| CN112529181A (zh) | 用于模型蒸馏的方法和装置 | |
| CN111241225B (zh) | 常驻区域变更的判断方法、装置、设备及存储介质 | |
| CN111767988A (zh) | 神经网络的融合方法和装置 | |
| CN111524123A (zh) | 用于处理图像的方法和装置 | |
| CN111488972A (zh) | 数据迁移方法、装置、电子设备和存储介质 | |
| CN111177479A (zh) | 获取关系网络图中节点的特征向量的方法以及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240712 Address after: 200120 building C, No. 888, Huanhu West 2nd Road, Lingang New Area, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai Applicant after: Shanghai Kedong Network Technology Co.,Ltd. Country or region after: China Address before: 2 / F, *** building, 10 Shangdi 10th Street, Haidian District, Beijing 100085 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. Country or region before: China |