[发明专利]基于神经网络结构微调的图像分类方法、装置和存储介质

权利要求书

1.一种基于神经网络结构微调的图像分类方法，用于对特征图进行处理，所述特征图由图像数据集输入神经网络所获得，其特征在于，所述方法包括：

基于所述图像数据集中的训练集，对所述神经网络进行预训练，获取待剪枝神经网络；

基于所述图像数据集中的验证集，获取所述待剪枝神经网络的卷积层各特征图的最小绝对偏差，其中所述最小绝对偏差为生成特征图的图像数据绝对值之和；

基于各所述特征图的最小绝对偏差，确定各所述特征图的剪枝阈值，对所述待剪枝神经网络的特征图进行剪枝，获取剪枝后的剪枝结构；

训练并量化所述剪枝结构，获取量化后的所述剪枝结构相较于所述待剪枝神经网络的图像分类精度的损失值；

基于所述损失值和所述剪枝结构的最大迭代周期，对所述剪枝结构进行迭代微调，输出所述剪枝结构微调后的图像分类特征模型；

将待测图像输入所述图像分类特征模型，得到分类结果。

2.根据权利要求1所述的基于神经网络结构微调的图像分类方法，其特征在于，所述基于各所述特征图的最小绝对偏差，确定各所述特征图的剪枝阈值包括：

基于待剪枝神经网络的卷积层中生成各特征图的最小绝对偏差，获取各所述特征图的重要性分数；

基于所述重要性分数和所述待剪枝神经网络的剪枝因子，确定各所述特征图的剪枝阈值。

3.根据权利要求2所述的基于神经网络结构微调的图像分类方法，其特征在于，所述基于待剪枝神经网络的卷积层中生成各特征图的最小绝对偏差，获取各所述特征图的重要性分数包括：

基于待剪枝神经网络的卷积层中生成各特征图的最小绝对偏差，对每一个卷积层中的特征图进行最大正则化，获取各所述特征图的重要性分数。

4.根据权利要求1所述的基于神经网络结构微调的图像分类方法，其特征在于，所述训练并量化所述剪枝结构，获取量化后的所述剪枝结构相较于所述待剪枝神经网络的图像分类精度的损失值包括：

基于余弦退火学习率算法，训练所述剪枝结构；

量化所述剪枝结构中各卷积层的权重参数，获取量化后的所述剪枝结构相较于所述待剪枝神经网络的图像分类精度的损失值。

5.根据权利要求1所述的基于神经网络结构微调的图像分类方法，其特征在于，所述基于所述损失值和所述剪枝结构的最大迭代周期，对所述剪枝结构进行迭代微调，输出所述剪枝结构微调后的图像分类特征模型包括：

若所述损失值小于设定的最大损失值或者所述剪枝结构的迭代次数大于所述最大迭代周期，则输出所述图像分类特征模型；

若所述损失值大于所述最大损失值且所述迭代次数小于所述最大迭代周期，则对所述剪枝结构进行迭代微调，并对微调后的所述剪枝结构重新训练量化，直至所述损失值小于所述最大损失值或者所述迭代次数大于所述最大迭代周期。

6.根据权利要求5所述的基于神经网络结构微调的图像分类方法，其特征在于，所述若所述损失值大于所述最大损失值且所述迭代次数小于所述最大迭代周期，则对所述剪枝结构进行微调包括：

若所述损失值大于所述最大损失值且所述迭代次数小于所述最大迭代周期，则计算所述剪枝结构的各卷积层中特征图对应的通道数的微调速度；

基于所述微调速度，更新所述剪枝结构。

7.根据权利要求1所述的基于神经网络结构微调的图像分类方法，其特征在于，所述将待测图像输入所述图像分类特征模型，得到分类结果包括：

将所述待测图像输入所述图像分类特征模型，得到所述分类结果；

基于所述分类结果，获取所述图像分类特征模型的图像分类精度的实际数据。