[发明专利]基于人工蜂群的图像识别方法、系统及存储介质

说明书

本发明提供的基于人工蜂群的图像识别方法、系统及存储介质，方法包括：获取若干携带标签的图像文件构成训练样本，根据训练样本训练得到深度学习模型，通过人工蜂群对深度学习模型进行压缩；获取待识别的图像文件，根据压缩后的深度学习模型对待识别的图像文件进行分类识别；通过人工蜂群对深度学习模型进行压缩这一步骤包括：缩小深度学习模型的通道组合，通过人工蜂群搜索得到通道组合的剪枝结构。方法有效解决深层网络中难以处理的巨大剪枝结构组合问题，方法将最优剪枝结构的搜索问题转化为优化问题，并结合人工蜂群算法进行自动求解，以减少人为干扰，有效地提升了图像识别模型的性能，可广泛应用于深度学习技术领域。

技术领域

本发明涉及深度学习技术领域，尤其是基于人工蜂群的图像识别方法、系统及存储介质。

背景技术

深度学习解决了许多具有挑战的问题，其成果已经广泛地应用于计算机视觉、语音识别、自然语言处理等领域。尤其是基于深度学习图像识别技术在边缘计算系统的端设备上有巨大的应用前景和需求。然而传统的深度学习模型通常包含大量的参数冗余，容易遇到过拟合问题，在训练过程中难以保证得到最优的结果。

发明内容

有鉴于此，为至少部分解决上述技术问题之一，本发明实施例目的在于提供一种基于人工蜂群的图像识别方法，能够解决深度学习模型训练中过拟合问题；同时本申请还提供了对应的实现该方法的系统及计算机可读存储介质。

第一方面，本发明的技术方案提供了基于人工蜂群的图像识别方法，其步骤包括：获取若干携带标签的图像文件构成训练样本，根据所述训练样本训练得到深度学习模型，通过人工蜂群对所述深度学习模型进行压缩；

获取待识别的图像文件，根据压缩后的深度学习模型对所述待识别的图像文件进行分类识别；

所述通过人工蜂群对所述深度学习模型进行压缩这一步骤包括：

缩小所述深度学习模型的通道组合，通过所述人工蜂群搜索得到所述通道组合的剪枝结构。

在本申请方案的一种可行的实施例中，所述根据所述训练样本训练得到深度学习模型这一步骤，其包括：

确定节点的联结权重以及激活函数，根据所述联结权重以及所述激活函数确定所述深度学习模型；

根据所述深度学习模型的网络层，确定剪枝模型以及所述剪枝模型的通道数量。

在本申请方案的一种可行的实施例中，所述根据所述训练样本训练得到深度学习模型这一步骤，其包括：

通过根据所述标签以及所述深度学习模型确定误差，根据所述误差修正连接权重。

在本申请方案的一种可行的实施例中，所述缩小所述深度学习模型的通道组合，通过所述人工蜂群搜索得到所述通道组合的剪枝结构这一步骤，其包括：

通过所述人工蜂群中的雇佣蜂对所述剪枝模型的结构生成若干第一结构候选；

根据所述第一结构候选替换所述剪枝模型。

在本申请方案的一种可行的实施例中，所述根据所述第一结构候选替换所述剪枝模型这一步骤，其包括：

根据若干所述第一结构候选以及所述剪枝模型通过贪婪算法，确定所述第一结构候选的适合度，根据所述适合度将第一结构候选替换所述剪枝模型。

在本申请方案的一种可行的实施例中，所述缩小所述深度学习模型的通道组合，通过所述人工蜂群搜索得到所述通道组合的剪枝结构这一步骤，其还包括：

通过所述人工蜂群中的跟随蜂确定所述结构候选的适合度概率，根据所述适合度概率得到第二结构候选；

根据所述第二结构候选替换所述剪枝模型。