CN114841324B - 骨干网络的生成方法、装置、设备以及存储介质 - Google Patents

Abstract

本公开提供了一种骨干网络的生成方法、装置、设备以及存储介质，涉及人工智能技术领域，尤其涉及深度学习和计算机视觉技术领域。该骨干网络的生成方法应用于中央处理器，包括：构建包括卷积网络的基础骨干网络，其中，卷积网络包括交替设置的第一卷积核和第二卷积核，第一卷积核与第二卷积核的类型不同；基于样本数据对基础骨干网络进行训练和推理，生成目标骨干网络。本公开提供的骨干网络的生成方法，使得骨干网络能够获得更大的感受野，在中央处理器上可以兼顾较快的推理速度和较高的精度，节约成本。

Description

骨干网络的生成方法、装置、设备以及存储介质

技术领域

本公开涉及人工智能技术领域，具体为深度学习和计算机视觉技术领域，尤其涉及骨干网络的生成方法、装置、设备、存储介质以及计算机程序产品。

背景技术

在基于深度学***衡，使得部署满足精度要求时，需要使用更大的骨干网络，带来了更多CPU设备的投入，造成了大量的资源占用。

发明内容

本公开提供了一种骨干网络的生成方法、装置、设备、存储介质以及计算机程序产品，可以提高骨干网络的推理速度，同时兼顾网络精度，节约CPU硬件资源。

根据本公开的第一方面，提供了一种骨干网络的生成方法，应用于中央处理器，包括：

构建包括卷积网络的基础骨干网络，其中，卷积网络包括交替设置的第一卷积核和第二卷积核，第一卷积核与第二卷积核的类型不同；

基于样本数据对基础骨干网络进行训练和推理，生成目标骨干网络。

根据本公开的第二方面，提供了一种图像处理方法，包括：

利用第一方面提供的骨干网络，生成用于计算机视觉领域的图像处理模型；

将待处理的计算机视觉图像输入图像处理模型，得到图像处理结果。

根据本公开的第三方面，提供了一种骨干网络的生成装置，应用于中央处理器，包括：

构建模块，被配置为构建包括卷积网络的基础骨干网络，其中，卷积网络包括交替设置的第一卷积核和第二卷积核，第一卷积核与第二卷积核的类型不同；

第一生成模块，被配置为基于样本数据对基础骨干网络进行训练和推理，生成目标骨干网络。

根据本公开的第四方面，提供了一种图像处理装置，包括：

第二生成模块，被配置为利用如第一方面或第二方面提供的骨干网络，生成用于计算机视觉领域的图像处理模型；

得到模块，被配置为将待处理的计算机视觉图像输入图像处理模型，得到图像处理结果。

根据本公开的第五方面，提供了一种电子设备，包括：

至少一个处理器；以及

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行第一方面或第二方面提供的方法。

根据本公开的第六方面，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，计算机指令用于使计算机执行如第一方面或第二方面提供的方法。

根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现根据第一方面或第二方面提供的方法。

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

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1示出了可以应用本公开的骨干网络的生成方法的示例性***架构；

图2示出了根据本公开的骨干网络的生成方法的第一实施例的流程图；

图3示出了根据本公开的骨干网络的生成方法的第二实施例的流程图；

图4示出了根据本公开的骨干网络的生成方法的第三实施例的流程图；

图5示出了根据本公开的图像处理方法的一种实施例的流程图；

图6示出了根据本公开的骨干网络的生成装置的一种实施例的结构示意图；

图7示出了根据本公开的图像处理装置的一种实施例的结构示意图；

图8示出了用来实现本公开实施例的骨干网络的生成方法或图像处理方法的电子设备的框图。

具体实施方式

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。

需要说明的是，在不冲突的情况下，本公开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公开。

骨干网络发展至今，在学术界大放异彩，但是由于其实际运行速度与学术界常用的FLOPs(Floating Point Operations，浮点运算数，也叫计算量)等指标不成正比，所以在工业界，当骨干网络被部署到CPU上，只有为数不多的骨干网络被采用。

而被工业应用的骨干网络中，在因特尔等CPU上表现并不佳，尤其是当使用加速库时。大部分的骨干网更多的时候追求更小的存储或者更小的计算量，很少有骨干网络追求极致的推理速度与精度的平衡，推理速度快的骨干网络精度往往不够高，而精度高的往往速度又不够快。这样使得部署满足精度需求时，需要使用更大的骨干网络，带来更多的CPU设备投入，造成大量的资源占用，为企业带来更高的资金投入，对全球带来更多的碳排放，与国家的碳中和战略背道而驰。

本公开提供了一种骨干网络的生成方法，应用于中央处理器CPU，可以在提高骨干网络的推理速度的同时，兼顾网络精度，减少资源占用，节约CPU硬件资源，节约成本。

图1示出了可以应用本公开的骨干网络的生成方法或骨干网络的生成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、网络102和服务器103。其中，网络102用以在终端设备101和服务器103之间提供通信链路，可以包括各种连接类型，例如，有线通信链路、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通过网络102与服务器103交互，以接收或发送信息等。终端设备101上可以安装有各种客户端应用。

终端设备101可以是硬件，也可以是软件。当终端设备101为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101为软件时，可以安装在上述电子设备中。其可以实现成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103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，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)，也可以实现成单个软件或软件模块。在此不做具体限定。

本公开实施例所提供的骨干网络的生成方法一般由服务器103执行，相应地，骨干网络的生成装置一般设置于服务器103中。

需要说明的是，图1中的终端设备101、网络102和服务器103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101、网络102和服务器103。

图2示出了根据本公开的骨干网络的生成方法的一种实施例的流程200，该骨干网络的生成方法包括以下步骤：

步骤201，构建包括卷积网络的基础骨干网络，其中，卷积网络包括交替设置的第一卷积核和第二卷积核，第一卷积核与第二卷积核的类型不同。

在本实施例中，骨干网络的生成方法的执行主体，例如图1所示的服务器103，构建包括卷积网络的基础骨干网络。其中，卷积网络包括至少一个第一卷积核和至少一个第二卷积核，第一卷积核和第二卷积核交替设置，并且第一卷积核的类型和第二卷积核的类型不同。例如，若第一卷积核为标准卷积核，第二卷积核可以为DW(Depthwise)深度卷积核。

在相关技术的轻量级骨干网络中，卷积网络包括多个模块block，每个block使用1×1标准卷积核、DW3×3深度卷积核、1×1标准卷积核的组合结构。因为如果DW卷积核的维度特别低的话，会导致卷积网络的拟合能力差，而若DW卷积核的维度过高，并不会带来很大的计算量，但是需要1×1标准卷积核先进行降维以连接输入，再在输出处通过1×1标准卷积核进行降维。这种结构导致在相同层数的卷积网络中，DW深度卷积核只占卷积核数量的1/3，例如，在一个60层的卷积网络中，DW深度卷积和的数量只有20个，卷积网络最终的感受野较小。

而本公开实施例则尽可能多地使用DW深度卷积核来增加感受野。在本实施例中，第一卷积核和第二卷积核交替设置，使得第一卷积核和第二卷积核在卷积网络中数量占比相当，例如，在一个偶数层的卷积网络中，第一卷积核和第二卷积核的数量相等，若第二卷积核为DW深度卷积核，则其DW深度卷积核的数量占比达1/2，可大大提升卷积网络的感受野，使得卷积网络以及包括该卷积网络的骨干网络在目标检测、语义分割等需要更大感受野的任务中，优势加大。

在本公开实施例的一些可选的实现方式中，第一卷积核为1×1标准卷积核，第二卷积核为DW3×3深度卷积核，卷积网络中1×1标准卷积核和DW3×3深度卷积核交替设置。例如在一个60层的卷积网络中，DW3×3深度卷积核的数量可达30个，可以大幅提高卷积网络的感受野。

需要指出的是，若第二卷积核为DW深度卷积核，则该DW深度卷积核为大于DW1×1的卷积核，即至少为DW3×3深度卷积核，例如，还可以是或者还可以包括DW5×5深度卷积核，以达到增加感受野的效果。

在本公开实施例的一些可选的实现方式中，卷积网络包括多个阶段Stage，其中，部分Stage中具有分支结构。

在相关技术中，为了增加网络的拟合能力，增加了很多分支结构，但这样导致网络在推理的时候会有更多的内存访问量，增加内存的消耗，严重影响推理速度。

经实际验证，在相对比较浅的网络中，例如应用与CPU的骨干网络中，分支结构的存在与否，对于网络精度的影响并不大(在0.5％以内)。因此，在本实施例中，尽可能减少分支结构，只在部分Stage中设置分支结构，从而提升推理速度。

需要指出的是，在本公开的骨干网络的生成方法中，其基础骨干网络包括卷积网络，还可以包括全连接层。其中，全连接层可参考相关技术中的方案，在此不再赘述。

步骤202，基于样本数据对基础骨干网络进行训练和推理，生成目标骨干网络。

在本实施例中，基于样本数据，上述执行主体对步骤201中构建的基础骨干网络进行训练和推理，生成目标骨干网络。

本公开实施例基于样本数据对基础骨干网络进行训练，以能够对样本数据的特征进行快速、准确的识别提取等处理，并对经过训练后的基础骨干网络进行推理，生成目标骨干网络。

本公开实施例提供的骨干网络的生成方法，基于类型不同的第一卷积核和第二卷积核生成卷积网络，构建包括该卷积网络的基础骨干网络；然后对该基础骨干网络进行训练和推理，生成目标骨干网络。本公开的骨干网络的生产方法，所生成的基础骨干网络中第一卷积核和第二卷积核的占比相当，大幅提高了深度卷积核的占比，增加卷积网络的感受野，即提升了骨干网络的感受野，大大提升目标骨干网络的数据拟合能力，提升骨干网络在需要更大感受野的任务中的优势。同时，还通过减少分支结构，提升骨干网络的推理速度，实现推理速度和精度的平衡。

图3示出了本公开的骨干网络的生成方法的第二实施例的流程210。参照图3所示，该骨干网络的生成方法包括以下步骤：

步骤211、构建包括卷积网络的基础骨干网络，其中，卷积网络包括交替设置的第一卷积核和第二卷积核，第一卷积核与第二卷积核的类型不同。

在本实施例中，骨干网络的生成方法的执行主体，例如图1所示的服务器103，构建包括卷积网络的基础骨干网络。

步骤211与前述实施例的步骤201基本一致，具体实现方式可以参考前述对步骤201的描述，此处不再赘述。

步骤212，卷积网络包括N个阶段Stage，第N个Stage紧邻卷积网络的输出端，第N个Stage中具有分支结构，其中，N为不小于2的整数；在第N-1个Stage中构建注意力模块。

在本实施例中，上述执行主体在卷积网络的第N-1个Stage中构建注意力模块，有效平衡卷积网络的推理速度和精度，提升卷积网络的性能。其中，注意力模块可以为CBAM(Convolutional Block Attention Module)注意力模块或SE(Squeeze and Excitation)注意力模块等。

在本公开实施例中，卷积网络包括N个阶段Stage，并且第N个Stage紧邻卷积网络的输出端，N为大于等于2的整数。其中，第N个Stage中具有分支结构。

在本实施例中，仅在卷积网络紧邻输出端的一个Stage中设置分支结构，将分支结构的数量减少至最低，既保证了卷积网络的输出精度，又大幅提高了卷积网络的推理速度。

由于注意力模块虽然能够提升网络性能，但同时也会导致卷积网络推理延时的增加。因此，在本实施例中，上述执行主体在第N-1个Stage中构建注意力模块，即在卷积网络的倒数第二个Stage中构建注意力模块，既保证了卷积网络的推理速度，又能够提高卷积网络的精度，实现推理速度与精度的平衡。

在本公开实施例的一些可选的实现方式中，卷积网络的每个Stage包括多组卷积核，每组卷积核包括一个第一卷积核和一个第二卷积核；在第N-1个Stage的每相邻两组卷积核之间构建一个注意力模块。

示例性地，每组卷积核称为一个block，即卷积网络的每个Stage包括多个block，每个block包括一个第一卷积核和一个第二卷积核。在构建基础骨干网络的过程中，在第N-1个Stage的每相邻两个block之间构建一个注意力模块。

在本实施例中，上述执行主体在倒数第二个Stage的每相邻两个block之间构建一个注意力模块，有效保证该倒数第二个Stage的输出精度，提升卷积网络性能。

在本公开实施例的一些可选的实现方式中，卷积网络的多个第一卷积核中，包括分离式第一卷积核和非分离式第一卷积核；若N为偶数，分离式第一卷积核位于第N/2个至第N个Stage中的至少一个Stage中；若N为奇数，分离式第一卷积核位于第(N+1)/2个至第N个Stage中的至少一个Stage中。

示例性地，若第一卷积核为1×1标准卷积核，则非分离式第一卷积核为一个1×1标准卷积核，分离式第一卷积核可以为两个或两个以上1×1卷积核。

其中，分离式第一卷积核位于第N/2个或第(N+1)/2个至第N个Stage中的至少一个Stage中，即分离式第一卷积核位于卷积网络的中后方的至少一个Stage中。例如，若卷积网络包括8个Stage，则分离式第一卷积核位于第5、6、7、8个Stage的至少一个Stage中；若卷积网络包括7个Stage，则分离式第一卷积核位于第4、5、6、7个Stage的至少一个Stage中。也就是说，可以在卷积网络的中后方的一个Stage中应用分离式第一卷积核，也可以在卷积网络的中后方的两个或两个以上Stage中应用分离式第一卷积核。

在本实施例中，通过在卷积网络的中后方设置分离式第一卷积核，提升卷积网络对特征进行整合和加工的能力，从而提升卷积网络的精度。

在本公开实施例的一些可选的实现方式中，分离式第一卷积核包括第一子卷积核和第二子卷积核，第一子卷积核的输出通道数与第二子卷积核的输入通道数相同，且第一子卷积核的输出通道数不大于第一子卷积核的输入通道数的一半。

其中，第一子卷积核的输入通道数可以为其输出通道数的M倍，M为大于1的整数。例如M可以为4。

示例性地，若第一卷积核为512通道数的1×1标准卷积核，则分离式第一卷积核可以包括输入通道数为512、输出通道数为128的第一子卷积核，以及输入通道数为128、输出通道数为512的第二子卷积核。其中，第一子卷积核和第二子卷积核均为1×1卷积核。

在本实施例中，第一子卷积核的输出通道数小于第一子卷积核的输入通道数，可以有效避免参数量和计算量的增加，在提升卷积网络的精度的同时，保证卷积网络的推理速度。

步骤213，基于样本数据对基础骨干网络进行训练和推理，生成目标骨干网络。

在本实施例中，基于样本数据，上述执行主体对步骤211和步骤212生成的骨干网络进行训练和推理，生成目标骨干网。

步骤213与前述实施例的步骤202基本一致，具体实现方式可以参考前述对步骤202的描述，此处不再赘述。

本实施例提供的骨干网络的生成方法，不仅在卷积网络中设置更多的DW卷积核，提升卷积网络的感受野和推理速度，还通过在卷积网络的倒数第二个Stage中构建注意力模块、在卷积网络的中后方的Stage中设置分离式第一卷积核，大幅提升卷积网络的精度，实现卷积网络的推理速度和精度的平衡。本公开实施例所生成的目标骨干网络，不仅能够捕获更大的感受野，而且具有更佳的数据拟合能力和推理速度。

图4示出了本公开的骨干网络的生成方法的第三实施例的流程220。参照图4所示，该骨干网络的生成方法包括以下步骤：

步骤221，构建包括卷积网络的基础骨干网络，其中，卷积网络包括交替设置的第一卷积核和第二卷积核，第一卷积核与第二卷积核的类型不同。

在本实施例中，骨干网络的生成方法的执行主体，例如图1所示的服务器103，构建包括卷积网络的基础骨干网络。

步骤221与前述实施例的步骤201基本一致，具体实现方式可以参考前述对步骤201的描述，此处不再赘述。

步骤222，基于样本数据对基础骨干网络进行训练和推理，生成目标骨干网络；其中，对基础骨干网络进行训练时，对不小于预设尺寸的第二卷积核重参数化；对基础骨干网络进行推理时，将重参数化时引入的辅助卷积核与第二卷积核合并。

在本实施例中，上述执行主体在对基础骨干网络进行训练时，对卷积网络中的第二卷积核进行重参数化，以获得更多的感受野，提升卷积网络的精度；在对基础骨干网络进行推理时，将训练过程中重参数化时引入的辅助卷积核与对应的第二卷积核合并，实现局部特征与全局特征的融合，同时不影响推理速度，可以使得骨干网络的推理速度与精度均得到提升。

当卷积网络中的第二卷积核为DW深度卷积核时，若第二卷积核的尺寸大于预设尺寸时，最终骨干网络会更倾向于学习全局特征，而忽略局部特征对结果的帮助。因此，本公开实施例中在对基础骨干网络训练时，对不小于预设尺寸的第二卷积核进行重参数化。其中，对第二卷积核进行重参数化所用到的辅助卷积核小于第二卷积核、且与第二卷积核类型相同。

示例性地，预设尺寸可以为5，即可以对不小于5×5的第二卷积核进行重参数化。例如，第二卷积核为DW5×5深度卷积核时，可以在同一个block中，引入辅助卷积核DW3×3、DW1×1，以对该第二卷积核DW5×5进行重参数化。

而在对基础骨干网络进行推理时，将训练过程中引入的辅助卷积核与被重参数化的第二卷积核合并。例如，第二卷积核为DW5×5深度卷积核时，在对基础骨干网络进行推理时，将辅助卷积核DW3×3、DW1×1与第二卷积核DW5×5合并为DW5×5，然后以DW5×5作为第二卷积核，对该基础骨干网络进行推理。

在本公开实施例提供的骨干网络的生成方法中，通过在对基础骨干网络进行训练时，对不小于预设尺寸的第二卷积核进行重参数化，使最终的目标骨干网络获得更多的感受野，提升骨干网络的精度；在对基础骨干网络进行推理时，将训练过程中重参数化时引入的辅助卷积核与对应的第二卷积核合并，实现局部特征与全局特征的融合，同时不影响推理速度，可以使得最终的目标骨干网络的推理速度与精度均得到提升。

需要指出的是，图2-图4所示任一实施例以及在本公开中未能示出但可以据本公开的骨干网络的生成方法进行实施的实施例中，所生成的骨干网络可用于构建计算机视觉领域的机器学习模型。例如，用于构建图像分类领域的机器学习模型。

图5示出了根据本公开的图像处理方法的一个实施例的流程300，参照图5所示，该图像处理方法包括以下步骤：

步骤301，利用骨干网络，生成用于计算机视觉领域的图像处理模型。

在本实施例中，图像处理方法的执行主体(例如图1所示的服务器103)可以利用骨干网络，生成用于计算机视觉领域的图像处理模型。

其中，上述执行主体所利用的骨干网络，可以是根据本公开前述骨干网络的生成方法所生成的骨干网络。例如，该骨干网络可以包括卷积网络，卷积网络包括交替设置的第一卷积核和第二卷积核，其中，第一卷积核与第二卷积核的类型不同。

步骤302，将待处理的计算机视觉图像输入图像处理模型，得到图像处理结果。

在本实施例中，上述执行主体将待处理的计算机视觉图像直接输入图像处理模型，图像处理模型基于骨干网络提取图像特征，并进行处理、输出，即可得到图像处理结果。

其中，待处理的计算机视觉图像可以为用户从现有的图像中选取并上传的，也可以为用户通过终端设备的摄像头拍摄的，并且该待处理的计算机视觉图像中可以包含任何人物或事物的图像，本实施例中对此不作具体限定。

骨干网络作为图像分类任务的基本特征提取器，图像分类的目标是根据图像信息中所反映的不同特征，把不同类别的图像区分开来，实现最小的分类误差。将待处理的计算机视觉图像输入图像处理模型后，骨干网络对输入的计算机视觉图像进行图像分割，得到一些原始区域，然后对原始区域内的图像特征进行提取，然后对提取到的特征映射到对应的类别，最终得到图像分类结果。

本公开实施例提供的图像处理方法，基于本公开提供的骨干网络的生成方法所生成的骨干网络，生成用于计算机视觉领域的图像处理模型；然后将待处理的计算机视觉图像输入该图像处理模型，即可得到图像处理结果。本实施例的图像处理方法采用前述方法生成的骨干网络对图像的特征进行提取、处理，提升了提取和处理图像特征的速度和精度，进而提升图像处理效率和处理效果。

作为对上述各图所示方法的实现，图6示出了根据本公开的骨干网络的生成装置的一种实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

参照图6所示，该骨干网络的生成装置400包括：构建模块401和第一生成模块402。其中，构建模块401被配置为，构建包括卷积网络的基础骨干网络，其中，卷积网络包括交替设置的第一卷积核和第二卷积核，第一卷积核与第二卷积核的类型不同；第一生成模块402倍配置为，基于样本数据对基础骨干网络进行训练和推理，生成目标骨干网络。

在本实施例中，骨干网络的生成装置400中，构建模块401和第一生成模块402的具体处理及其所带来的技术效果，可分别参考图2对应实施例中的步骤201-202的相关说明，在此不再赘述。

在本公开实施例的一些可选的实现方式中，卷积网络包括多个阶段Stage；在卷积网络的部分Stage中具有分支结构。

在本公开实施例的一些可选的实现方式中，卷积网络包括N个阶段Stage，第N个Stage紧邻卷积网络的输出端，N为不小于2的整数；在第N个Stage中具有分支结构。

在本公开实施例的一些可选的实现方式中，构建模块401还被配置为，在第N-1个Stage中构建注意力模块。

在本实施例中，构建模块401的具体处理及其所带来的技术效果，可分别参考图3对应实施例中的步骤212的相关说明，在此不再赘述。

在本公开实施例的一些可选的实现方式中，Stage包括多组卷积核，每组卷积核包括一个第一卷积核和一个第二卷积核；构建模块401被配置为，在第N-1个Stage的每相邻两组卷积核之间构建一个注意力模块。

在本公开实施例的一些可选的实现方式中，卷积网络的多个第一卷积核中，包括分离式第一卷积核和非分离式第一卷积核；若N为偶数，分离式第一卷积核位于第N/2个至第N个Stage中的至少一个Stage中；若N为奇数，分离式第一卷积核位于第(N+1)/2个至第N个Stage中的至少一个Stage中。

在本公开实施例的一些可选的实现方式中，分离式第一卷积核包括第一子卷积核和第二子卷积核，第一子卷积核的输出通道数与第二子卷积核的输入通道数相同，且第一子卷积核的输出通道数不大于第一子卷积核的输入通道数的一半。

在本公开实施例的一些可选的实现方式中，第一生成模块402包括：训练单元和推理单元。其中，训练单元被配置为，对所述基础骨干网络进行训练时，对不小于预设尺寸的所述第二卷积核重参数化；推理单元被配置为，对所述基础骨干网络进行推理时，将重参数化时引入的辅助卷积核与所述第二卷积核合并。

在本实施例中，训练单元和推理单元的具体处理及其所带来的技术效果，可分别参考图4对应实施例中的步骤222的相关说明，在此不再赘述。

在本公开实施例的一些可选的实现方式中，第一卷积核为1×1标准卷积核，第二卷积核为深度卷积核。

本公开实施例提供的骨干网络的生成装置400中，骨干网络用于构建计算机视觉领域的机器学习模型。

作为对上述各图所示方法的实现，图7示出了根据本公开提供的一种图像处理装置的一个实施例，该装置实施例与图7所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

参照图7所示，该图像处理装置500包括：第二生成模块501和得到模块502。其中，第二生成模块501被配置为，利用如第一方面或第二方面提供的骨干网络，生成用于计算机视觉领域的图像处理模型；得到模块502被配置为，将待处理的计算机视觉图像输入图像处理模型，得到图像处理结果。

在本实施例中，图像处理装置500中，第二生成模块501和得到模块502的具体处理及其所带来的技术效果可分别参考图5对应实施例中的步骤301-302的相关说明，在此不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备、一种存储有计算机指令的非瞬时计算机可读存储介质和一种计算机程序产品。

其中，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述骨干网络的生成方法。

在一些实施例中，一种存储有计算机指令的非瞬时计算机可读存储介质中，计算机指令用于使计算机执行上述骨干网络的生成方法。

在一些实施例中，一种计算机程序产品包括计算机程序，计算机程序在被处理器执行时实现上述骨干网络的生成方法。

图8示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。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/或者要求的本公开的实现。

如图8所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如骨干网络的生成方法或图像处理方法。例如，在一些实施例中，骨干网络的生成方法或图像处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的骨干网络的生成方法或图像处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行骨干网络的生成方法或图像处理方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、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。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

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。服务器可以是云服务器，也可以为分布式***的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (22)

1.一种骨干网络的生成方法，应用于中央处理器，包括：

构建包括卷积网络的基础骨干网络，其中，所述卷积网络包括交替设置的第一卷积核和第二卷积核，所述第一卷积核与所述第二卷积核的类型不同；

基于样本数据对所述基础骨干网络进行训练和推理，生成目标骨干网络，其中，所述样本数据包括样本图像和所述样本图像中的样本特征，所述样本图像作为所述基础骨干网络的输入、所述样本特征作为所述基础骨干网络的期望输出；所述目标骨干网络用于目标检测，包括检测目标图像中的目标特征；

其中，所述卷积网络包括N个阶段，N为不小于2的整数；所述卷积网络的多个第一卷积核中，包括分离式第一卷积核和非分离式第一卷积核；

若N为偶数，所述分离式第一卷积核位于第N/2个至第N个所述阶段中的至少一个所述阶段中；

若N为奇数，所述分离式第一卷积核位于第(N+1)/2个至第N个所述阶段中的至少一个所述阶段中。

2.根据权利要求1所述的生成方法，其中，在所述卷积网络的部分所述阶段中具有分支结构。

3.根据权利要求1所述的生成方法，其中，第N个所述阶段紧邻所述卷积网络的输出端，在第N个所述阶段中具有分支结构。

4.根据权利要求3所述的生成方法，其中，所述构建包括卷积网络的基础骨干网络，还包括：

在第N-1个所述阶段中构建注意力模块。

5.根据权利要求4所述的生成方法，其中，一个所述阶段包括多组卷积核，每组所述卷积核包括一个所述第一卷积核和一个所述第二卷积核；所述在第N-1个所述阶段中构建注意力模块，包括：

在第N-1个所述阶段的每相邻两组所述卷积核之间构建一个所述注意力模块。

6.根据权利要求1所述的生成方法，其中，所述分离式第一卷积核包括第一子卷积核和第二子卷积核，所述第一子卷积核的输出通道数与所述第二子卷积核的输入通道数相同，且所述第一子卷积核的输出通道数不大于所述第一子卷积核的输入通道数的一半。

7.根据权利要求1所述的生成方法，其中，所述基于样本数据对所述基础骨干网络进行训练和推理，包括：

对所述基础骨干网络进行训练时，对不小于预设尺寸的所述第二卷积核重参数化；

对所述基础骨干网络进行推理时，将重参数化时引入的辅助卷积核与所述第二卷积核合并。

8.根据权利要求1所述的生成方法，其中，所述第一卷积核为1×1标准卷积核，所述第二卷积核为深度卷积核。

9.根据权利要求1所述的生成方法，其中，所述骨干网络用于构建计算机视觉领域的机器学习模型。

10.一种图像处理方法，包括：

利用权利要求1-9任一项所述的骨干网络，生成用于计算机视觉领域的图像处理模型；

将待处理的计算机视觉图像输入所述图像处理模型，得到图像处理结果。

11.一种骨干网络的生成装置，应用于中央处理器，包括：

构建模块，被配置为构建包括卷积网络的基础骨干网络，其中，所述卷积网络包括交替设置的第一卷积核和第二卷积核，所述第一卷积核与所述第二卷积核的类型不同；

第一生成模块，被配置为基于样本数据对所述基础骨干网络进行训练和推理，生成目标骨干网络，其中，所述样本数据包括样本图像和所述样本图像中的样本特征，所述样本图像作为所述基础骨干网络的输入、所述样本特征作为所述基础骨干网络的期望输出；所述目标骨干网络用于目标检测，包括检测目标图像中的目标特征；

其中，所述卷积网络包括N个阶段，N为不小于2的整数；所述卷积网络的多个第一卷积核中，包括分离式第一卷积核和非分离式第一卷积核；

若N为偶数，所述分离式第一卷积核位于第N/2个至第N个所述阶段中的至少一个所述阶段中；

若N为奇数，所述分离式第一卷积核位于第(N+1)/2个至第N个所述阶段中的至少一个所述阶段中。

12.根据权利要求11所述的生成装置，其中，在所述卷积网络的部分所述阶段中具有分支结构。

13.根据权利要求11所述的生成装置，其中，第N个所述阶段紧邻所述卷积网络的输出端，在第N个所述阶段中具有分支结构。

14.根据权利要求13所述的生成装置，其中，所述构建模块还被配置为，在第N-1个所述阶段中构建注意力模块。

15.根据权利要求14所述的生成装置，其中，所述阶段包括多组卷积核，每组所述卷积核包括一个所述第一卷积核和一个所述第二卷积核；所述构建模块被配置为，在第N-1个所述阶段的每相邻两组所述卷积核之间构建一个所述注意力模块。

16.根据权利要求11所述的生成装置，其中，所述分离式第一卷积核包括第一子卷积核和第二子卷积核，所述第一子卷积核的输出通道数与所述第二子卷积核的输入通道数相同，且所述第一子卷积核的输出通道数不大于所述第一子卷积核的输入通道数的一半。

17.根据权利要求11所述的生成装置，其中，所述第一生成模块包括：

训练单元，被配置为对所述基础骨干网络进行训练时，对不小于预设尺寸的所述第二卷积核重参数化；

推理单元，被配置为对所述基础骨干网络进行推理时，将重参数化时引入的辅助卷积核与所述第二卷积核合并。

18.根据权利要求11所述的生成装置，其中，所述第一卷积核为1×1标准卷积核，所述第二卷积核为深度卷积核。

19.根据权利要求11所述的生成装置，其中，所述骨干网络用于构建计算机视觉领域的机器学习模型。

20.一种图像处理装置，包括：

第二生成模块，被配置为利用权利要求1-9任一项所述的骨干网络，生成用于计算机视觉领域的图像处理模型；

得到模块，被配置为将待处理的计算机视觉图像输入所述图像处理模型，得到图像处理结果。

21.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。

22.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的方法。

Images