一种图像检测模型的确定方法及装置与流程
1.本技术涉及图像检测技术领域，尤其涉及一种图像检测模型的确定方法及装置。
背景技术：
2.随着智能摄像头以及视觉分析技术的普及，视频帧和单张图像的检测方法变得越来越重要。相关技术中提出了创建以及预训练图像检测模型，来实现对图像的检测。目前创建图像检测模型一般是通过神经结构搜索(neural architecture search，nas)技术实现的。主要分为两个阶段：第一阶段，基于用于训练的图像集，通过权重共享技术对搜索空间中所有的子网络的参数进行训练优化，提升所有子网络的性能。第二阶段，利用典型的搜索算法，比如进化算法，在各种资源约束下确定最佳的图像检测模型架构。
3.但是目前第一阶段的采样和训练过程采用的是均匀采样策略，也就是说，针对搜索空间中所有的子网络均采用用于预训练的图像集进行同等方式的训练，无法保证训练精度，并且如果在图像集中的图像较少的情况下，训练后的子网络还可能会出现过拟合的问题。从而也导致了在第二阶段搜索出的图像检测模型架构仍需要再次训练，增加了训练成本。
技术实现要素：
4.本技术提供一种图像检测模型的确定方法及装置，用以提升图像检测模型的准确度。
5.第一方面，本技术提供了一种图像检测模型的确定方法，包括：
6.获取用于预训练的第一图像集以及用于构建图像检测模型的多个候选子网络；
7.根据所述多个候选子网络的训练损失，确定所述多个候选子网络分别所属的至少一个集合，以及确定每个集合对应的训练方式；所述多个候选子网络的训练损失是基于所述第一图像集确定的；
8.采用所述每个集合对应的训练方式对所述每个集合包括的候选子网络进行训练，得到训练后的多个候选子网络；
9.根据所述训练后的多个候选子网络的准确率，确定所述图像检测模型包括的子网络。
10.在一些实施例中，所述方法还包括：
11.获取用于预训练的第二图像集；所述第一图像集和所述第二图像集包括的训练样本不同；
12.所述根据所述训练后的多个候选子网络的准确率，确定所述图像检测模型中包括的子网络，具体包括：
13.通过所述第二图像集对所述训练后的多个候选子网络中的目标子网络进行训练，确定所述目标子网络的各参数；所述目标子网络为所述训练后的多个子候选网络中包含最优解数量大于设定阈值的任意一个子网络；
14.将所述训练后的多个候选子网络中除所述目标子网络外的任一候选子网络的参数替换为所述各参数；
15.通过所述第一图像集和所述第二图像集确定替换参数后的所述任一候选子网络的准确率；
16.将准确率高于预设值的候选子网络组成所述图像检测模型。
17.在一些实施例中，所述将准确率高于预设值的候选子网络组成所述神经网络模型，包括：
18.根据所述准确率高于预设值的候选子网络的多种组合方式，确定多个候选检测模型；
19.采用所述第一图像集和所述第二图像集确定所述多个候选检测模型的准确率；
20.将准确率最高的候选检测模型作为所述图像检测模型。
21.在一些实施例中，所述根据所述多个候选子网络的训练损失，确定所述多个候选子网络分别所属的至少一个集合，以及确定每个集合对应的训练方式，包括：
22.采用所述第一图像集对所述多个候选子网络进行训练，确定每个子网络的训练损失；
23.根据所述每个候选子网络的训练损失，确定所述每个候选子网络所属的集合；
24.基于任一集合包括的候选子网络的训练损失，根据所述第一图像集生成所述任一集合对应的训练方式。
25.第二方面，本技术提供了一种图像检测模型的确定装置，所述装置包括：
26.获取单元，用于获取用于预训练的第一图像集以及用于构建图像检测模型的多个候选子网络；
27.处理单元，被配置为执行：
28.根据所述多个候选子网络的训练损失，确定所述多个候选子网络分别所属的至少一个集合，以及确定每个集合对应的训练方式；所述多个候选子网络的训练损失是基于所述第一图像集确定的；
29.采用所述每个集合对应的训练方式对所述每个集合包括的候选子网络进行训练，得到训练后的多个候选子网络；
30.根据所述训练后的多个候选子网络的准确率，确定所述图像检测模型包括的子网络。
31.在一些实施例中，所述获取单元，还用于获取用于预训练的第二图像集；所述第一图像集和所述第二图像集包括的训练样本不同；
32.所述处理单元，具体执行：
33.通过所述第二图像集对所述训练后的多个候选子网络中的目标子网络进行训练，确定所述目标子网络的各参数；所述目标子网络为所述训练后的多个子候选网络中包含最优解数量大于设定阈值的任意一个子网络；
34.将所述训练后的多个候选子网络中除所述目标子网络外的任一候选子网络的参数替换为所述各参数；
35.通过所述第一图像集和所述第二图像集确定替换参数后的所述任一候选子网络的准确率；
36.将准确率高于预设值的候选子网络组成所述图像检测模型。
37.在一些实施例中，所述处理单元，在将准确率高于预设值的候选子网络组成所述神经网络模型时，具体用于：
38.根据所述准确率高于预设值的候选子网络的多种组合方式，确定多个候选检测模型；
39.采用所述第一图像集和所述第二图像集确定所述多个候选检测模型的准确率；
40.将准确率最高的候选检测模型作为所述图像检测模型。
41.在一些实施例中，所述处理单元，在根据所述多个候选子网络的训练损失，确定所述多个候选子网络分别所属的至少一个集合，以及确定每个集合对应的训练方式时，具体用于：
42.采用所述第一图像集对所述多个候选子网络进行训练，确定每个子网络的训练损失；
43.根据所述每个候选子网络的训练损失，确定所述每个候选子网络所属的集合；
44.基于任一集合包括的候选子网络的训练损失，根据所述第一图像集生成所述任一集合对应的训练方式。
45.第三方面，提供了一种电子设备，所述电子设备包括控制器和存储器。存储器用于存储计算机执行指令，控制器执行存储器中的计算机执行指令以利用控制器中的硬件资源执行第一方面任一种可能实现的方法的操作步骤。
46.第四方面，提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面的方法。
47.本技术提出的图像检测模型的确定方法中，不再采用均匀采样策略从搜索空间中获取候选子网络以及训练候选子网络，而是根据候选子网络的训练损失将候选子网络分为多个集合，为每个集合配置不同的训练方式，最后再根据训练后的多个候选子网络的准确率确定所要创建的图像检测模型包括的子网络。本技术提出的方案优化了创建图像检测模型的过程，从根本上提升了图像检测模型的准确率。
附图说明
48.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
49.图1为本技术实施例提供的一种图像检测模型的确定方法流程图；
50.图2为本技术实施例提供的一种帕累托约束下样本分布示意图；
51.图3为本技术实施例提供的另一种图像检测模型的确定方法流程图；
52.图4为本技术实施例提供的一种图像检测模型的确定装置的结构示意图；
53.图5为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
54.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例
中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
55.需要说明的是，本技术中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应所述理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
56.图像检测技术包括分析单张图像中包括的目标，还包括对视频流中包括的目标进行检测。具体通过预先训练好的图像检测模型对图像进行特征识别，提取目标位置和目标特征，确定目标的标签。可以看出，为了保证图像检测技术的准确性，提升图像检测模型的精度就变得尤为重要了。提升模型的精度主要分为两种方式，第一种是在创建模型时能够精准地选择合适的子网络进行模型的构建，第二种是在模型使用之前的预训练过程，增大预训练的图像集数量和种类，以提升模型的精度。其中第一种方式可以从根本上解决模型精度的问题，并且采用合适的子网络创建模型也可以节约预训练的成本。因此，创建模型的过程是比较重要的。
57.目前常见的图像检测模型的创建方式是通过nas技术实现的。nas数据为高效的神经网络设计提供了一种强大的自动化工具，传统的nas技是基于进化算法和强化学习，给定一个称为搜索空间的候选子网络集合，用某种策略从中搜索出最优网络结构。神经网络结构的优劣即性能用某些指标如精度、速度等来度量，也可以称为性能评估。在搜索过程的每次迭代中，将从搜索空间中获取的候选子网络组成一个候选神经网络结构。在训练样本集上训练候选神经网络结构，然后在验证集上评估其性能。逐步优化网络结构，直至到最优的候选神经网络结构，作为所要创建的神经网络模型。但是由于每秒百万个浮点操作(million floating-point operations per second，mflops)，导致生成模型的成本比较高。
58.因此，在相关技术中提出了将nas技术解耦为两个阶段：第一阶段，基于用于训练的图像集，通过权重共享技术对搜索空间中所有的子网络的参数进行训练优化。第二阶段，利用典型的搜索算法，比如进化算法，在各种资源约束下确定最佳的图像检测模型架构。其中第一阶段采用的是均匀采样策略，具体包括两个步骤，一是将搜索空间中概率相同的子网络组成集合，二是对所有的子网络进行同等程度的训练。
59.可以看出，第一阶段的两个步骤中第一个步骤关注了区分准确性和推理效率不同的子网络，将不同概率的子网络组成不同的集合。但是第二个步骤采用均匀采样策略并未针对不同的集合设置不同的训练方式，因此并不能充分训练各个子网络。简单来说，采用均匀采样策略无法保障生成的图像检测模型的帕累托(pareto)前沿，若后续用于训练的图像数量不足，则无法保障图像检测模型的精度。
60.为了解决上述问题，本技术提出了一种图像检测模型的确定方法及装置，通过用于预训练的图像集确定搜索空间中所有候选子网络的训练损失，基于训练损失将候选子网络分类，对于属于不同类别的候选子网络采用不同的训练方式，最后基于训练后的候选子网络的准确率确定生成的图像检测模型中包括的子网络。
61.下面，对本技术提出的图像检测模型的确定方法进行具体介绍。本技术下述实施例中，“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表
示：单独存在a，同时存在a和b，单独存在b的情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，a-b，a-c，b-c，或a-b-c，其中a，b，c可以是单个，也可以是多个。单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括例如“一个或多个”这种表达形式，除非其上下文中明确地有相反指示。以及，除非有相反的说明，本技术实施例提及“第一”、“第二”等序数词是用于对多个对象进行区分，不用于限定多个对象的顺序、时序、优先级或者重要程度。例如，第一任务执行设备和第二任务执行设备，只是为了区分不同的任务执行设备，而并不是表示这两种任务执行设备的优先级或者重要程度等的不同。
62.在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
63.下面，具体介绍本技术提供的方案，参见图1，为本技术实施例提供的一种图像检测模型的确定方法流程图。需要说明的是，本技术对于图1所示的图像检测模型的确定方法流程的执行主体不作限定，比如可以由电脑、手机等终端设备来执行，也可以由服务器、服务器集、处理器或者处理芯片等具有计算功能的电子设备来执行，还可以由云端的计算平台来执行。图1所示的方法流程具体包括：
64.101，获取用于预训练的第一图像集以及用于构建图像检测模型的多个候选子网络。
65.可选地，候选子网络可以采用nas技术中涉及的搜索空间中包括的子网络。可选地，第一图像集中可以包括多张图像，以及每张图像的标签。
66.作为一种示例，任意一张图像的标签可以用于表征该图像中是否包括目标或者该图像中包括的目标的位置、数量等特征，具体的图像和标签的对应关系以及标签的表征意义可以根据需求设定，不同的需求对应所要创建的图像检测模型的作用不相同。
67.102，根据多个候选子网络的训练损失，确定多个候选子网络分别所属的至少一个集合，以及确定每个集合对应的训练方式。
68.其中，多个候选子网络的训练损失是基于第一图像集确定的。可选地，可以采用第一图像集中包括的各个图像及对应标签对获取到的候选子网络进行训练，确定每个候选子网络的训练损失，根据训练损失将候选子网络进行分类，使得分类后得到的每一个集合中的候选子网络的训练损失相同或者相差小于阈值。
69.在一种可能实现的方式中，在确定多个候选子网络所述的至少一个集合之后，可以进一步根据每个集合中包括的候选子网络的训练损失确定每个集合对应的训练方式。可选地，针对训练损失较小的候选子网络组成的集合，可以配置包含更多训练样本以及更多训练迭代次数的训练方式，更进一步地增加训练损失小的候选子网络的准确度。针对训练损失较大的候选子网络组成的集合，可以通过训练损失提升训练样本中难样本所占比例。
70.103，采用每个集合对应的训练方式对每个集合包括的候选子网络进行训练，得到
训练后的多个候选子网络。
71.104，根据训练后的多个候选子网络的准确率，确定图像检测模型包括的子网络。
72.可选地，可以根据用于预训练的第一图像集确定多个候选子网络的准确率，也可以采用不同于第一图像集的其他图像和对应标签验证多个候选子网络的准确率。进一步地，可以将准确率高于预设值的候选子网络组成图像检测模型。
73.基于上述方案，本技术提出的图像检测模型的确定方法中，不再采用均匀采样策略从搜索空间中获取候选子网络以及训练候选子网络，而是根据候选子网络的训练损失将候选子网络分为多个集合，为每个集合配置不同的训练方式，最后再根据训练后的多个候选子网络的准确率确定所要创建的图像检测模型包括的子网络。本技术提出的方案优化了创建图像检测模型的过程，从根本上提升了图像检测模型的准确率。
74.可选地，在确定所要生成的图像检测模型之后，可以获取该图像检测模型的第一图像集，第一图像集包括多张图像以及每张图像对应的标签。
75.在一些实施例中，可以采用第一图像集对多个候选子网络进行训练，确定每个候选子网络的训练损失，将训练损失相同或者相差较小的候选子网络组成一个集合，得到多个候选子网络组成的至少一个集合。进一步地，可以基于每个集合中包括的候选子网络的训练损失，根据第一图像集生成任一集合对应的训练方式。已知目前的nas技术目标是在不同的计算约束下到具有更加准确性的网络体系结构，作为一种示例，参见图2，展示了帕累托最佳和帕累托最差约束条件下的样本分布情况。基于此，本技术提出可以设置不同的集合有不用的训练方式。
76.作为一种可选的方式，可以为包含训练损失小的候选子网络的集合配置更多的训练样本以及训练迭代次数。比如，可以将训练损失小的集合看作最佳帕累托集合，针对这类集合的训练方式可以投入更多的训练预算以改进当前的帕累托最佳前沿。作为另一种可选的方式，可以为包含训练损失大的候选子网络的集合配置包含难样本更多的训练方式，改变原有的训练样本中正负样本的比例，通过集合中候选子网络的训练损失提升难样本所占的比例。比如，类似难例挖掘技术，通过改变最差帕累托模型带来更多的信息梯度，从而提升训练损失大的候选子网络的精度。
77.在一个或多个实施例中，在确定最佳帕累托集合和最差帕累托集合时，还可以采用性能评估器计算每个候选子网络的训练损失。作为一种示例，可以采用mini-batch损失的性能评估器，可以将第一图像集分为90％的训练样本和10％的验证样本，可以采用训练样本对多个候选子网络进行无约束预训练，然后采用验证样本评估这些候选子网络的性能。
78.可选地，在对多个候选子网络进行无约束预训练时，可以确定多个候选子网络的共享权重，并基于确定的共享权重确定构建图像检测模型的子网络。具体地，可以采用如下公式(1)-公式(2)确定共享权重：
[0079][0080][0081]
其中，w为共享权重，a为任意一个候选子网络，a为候选子网络集合，wa为候选子网络a的权重，为正则项，为as训练损失最小的候选子网络，a
l
为训练损失最小的候选
子网络，为候选子网络as的权重，为候选子网络a
l
的权重，η为重量衰减系数。
[0082]
在一个或多个实施例中，在根据每个集合对应的训练方式对每个集合训练之后，可以根据训练后的多个候选子网络的准确率确定创建的图像检测模型包括的子网络。比如，可以采用如下公式(3)确定图像检测模型包括的子网络：
[0083][0084]
其中，为图像检测模型包括的第i个子网络，a为候选子网络集合，是通过公式(1)和公式(2)学习得到第i个子网络的权重共享参数。
[0085]
作为一种可能实现的方式，可以获取用于预训练的第二图像集。其中第一图像集和第二图像集包括的训练样本不相同。在创建图像检测模型时，可以从上述采用第一图像集训练后的多个候选子网络中确定目标子网络。其中目标子网络可以看作是过度参数化的子网络，即包含最优解数量大于设定阈值的子网络。进一步地，可以采用第二图像集对目标子网络进行训练，确定目标子网络包括的各个参数，将多个候选子网络中除目标子网络之外的其他候选子网络的参数替换为目标子网络的参数。再进一步地，可以通过第一图像集和第二图像集确定替换参数后的各个候选子网络的准确率，并将准确率高于预设值的候选子网络组成图像检测模型。
[0086]
可选地，还可以在确定准确率高于预设值的候选子网络之后，根据这些子网络的多种组合方式确定多个候选检测模型，采用第一图像集和第二图像集确定多个候选检测模型的准确率，将准确率最高的候选检测模型作为图像检测模型。
[0087]
下面，为了更进一步的理解本技术的方案，结合具体的实施例进行介绍。参见图3，为本技术实施例提供的一种图像检测模型的确定方法流程图，具体包括：
[0088]
301，确定所要创建的图像检测模型对应的第一图像集和第二图像集。
[0089]
302，采用第一图像集确定搜索空间中包括的候选子网络的训练损失。
[0090]
303，根据每个候选子网络的训练损失，确定每个候选子网络所属的集合以及确定每个集合对应的训练方式。
[0091]
具体的分集合以及确定集合对应的训练方式的过程可以参见上述实施例中的介绍，在此不再进行赘述。
[0092]
304，采用每个集合对应的训练方式对每个集合中包括的候选子网络进行训练，确定训练后的多个候选子网络中的目标子网络。
[0093]
305，采用第二图像集对目标子网络进行训练，确定目标子网络包括的各参数。
[0094]
306，将多个候选子网络中除目标子网络外的其他候选子网络的参数替换为目标子网络的参数。
[0095]
307，采用第一图像集和第二图像集确定替换参数后的候选子网络的准确率，根据准确率高于预设值的候选子网络的不同组合方式确定多个候选检测模型。
[0096]
308，将多个候选检测模型中准确率最高的检测模型作为所要创建的图像检测模型。
[0097]
基于与上述方法的同一构思，参见图4，为本技术实施例提供的一种图像检测模型的确定装置400。装置400用于执行上述方法中的各个步骤，为了避免重复，此处不再进行赘述。装置400包括：获取单元401和处理单元402。
[0098]
获取单元401，用于获取用于预训练的第一图像集以及用于构建图像检测模型的多个候选子网络；
[0099]
处理单元402，被配置为执行：
[0100]
根据所述多个候选子网络的训练损失，确定所述多个候选子网络分别所属的至少一个集合，以及确定每个集合对应的训练方式；所述多个候选子网络的训练损失是基于所述第一图像集确定的；
[0101]
采用所述每个集合对应的训练方式对所述每个集合包括的候选子网络进行训练，得到训练后的多个候选子网络；
[0102]
根据所述训练后的多个候选子网络的准确率，确定所述图像检测模型包括的子网络。
[0103]
在一些实施例中，所述获取单元401，还用于获取用于预训练的第二图像集；所述第一图像集和所述第二图像集包括的训练样本不同；
[0104]
所述处理单元402，具体执行：
[0105]
通过所述第二图像集对所述训练后的多个候选子网络中的目标子网络进行训练，确定所述目标子网络的各参数；所述目标子网络为所述训练后的多个子候选网络中包含最优解数量大于设定阈值的任意一个子网络；
[0106]
将所述训练后的多个候选子网络中除所述目标子网络外的任一候选子网络的参数替换为所述各参数；
[0107]
通过所述第一图像集和所述第二图像集确定替换参数后的所述任一候选子网络的准确率；
[0108]
将准确率高于预设值的候选子网络组成所述图像检测模型。
[0109]
在一些实施例中，所述处理单元402，在将准确率高于预设值的候选子网络组成所述神经网络模型时，具体用于：
[0110]
根据所述准确率高于预设值的候选子网络的多种组合方式，确定多个候选检测模型；
[0111]
采用所述第一图像集和所述第二图像集确定所述多个候选检测模型的准确率；
[0112]
将准确率最高的候选检测模型作为所述图像检测模型。
[0113]
在一些实施例中，所述处理单元402，在根据所述多个候选子网络的训练损失，确定所述多个候选子网络分别所属的至少一个集合，以及确定每个集合对应的训练方式时，具体用于：
[0114]
采用所述第一图像集对所述多个候选子网络进行训练，确定每个子网络的训练损失；
[0115]
根据所述每个候选子网络的训练损失，确定所述每个候选子网络所属的集合；
[0116]
基于任一集合包括的候选子网络的训练损失，根据所述第一图像集生成所述任一集合对应的训练方式。
[0117]
图5示出了本技术实施例提供的电子设备500结构示意图。本技术实施例中的电子设备500还可以包括通信接口503，该通信接口503例如是网口，电子设备可以通过该通信接口503传输数据。
[0118]
在本技术实施例中，存储器502存储有可被至少一个控制器501执行的指令，至少
一个控制器501通过执行存储器502存储的指令，可以用于执行上述方法中的各个步骤，例如，控制器501可以实现上述图4中的获取单元401和处理单元402的功能。
[0119]
其中，控制器501是电子设备的控制中心，可以利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器502内的指令以及调用存储在存储器502内的数据。可选的，控制器501可包括一个或多个处理单元，控制器501可集成应用控制器和调制解调控制器，其中，应用控制器主要处理操作系统和应用程序等，调制解调控制器主要处理无线通信。可以理解的是，上述调制解调控制器也可以不集成到控制器501中。在一些实施例中，控制器501和存储器502可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
[0120]
控制器501可以是通用控制器，例如中央控制器(英文：central processing unit，简称：cpu)、数字信号控制器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本技术实施例中公开的各方法、步骤及逻辑框图。通用控制器可以是微控制器或者任何常规的控制器等。结合本技术实施例所公开的数据统计平台所执行的步骤可以直接由硬件控制器执行完成，或者用控制器中的硬件及软件模块组合执行完成。
[0121]
存储器502作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器502可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(英文：random access memory，简称：ram)、静态随机访问存储器(英文：static random access memory，简称：sram)、可编程只读存储器(英文：programmable read only memory，简称：prom)、只读存储器(英文：read only memory，简称：rom)、带电可擦除可编程只读存储器(英文：electrically erasable programmable read-only memory，简称：eeprom)、磁性存储器、磁盘、光盘等等。存储器502是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本技术实施例中的存储器502还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
[0122]
通过对控制器501进行设计编程，例如，可以将前述实施例中介绍的神经网络模型的训练方法所对应的代码固化到芯片内，从而使芯片在运行时能够执行前述的神经网络模型训练方法的步骤，如何对控制器501进行设计编程为本领域技术人员所公知的技术，这里不再赘述。
[0123]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0124]
本技术是参照根据本技术的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的控制器以产生一个机器，使得通过计算机或其它可编程数据处理设备的控制器执行的指令产生用于实现在流
程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0125]
这些计算机程序指令也可存储在能引导计算机或其它可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0126]
这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上，使得在计算机或其它可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0127]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0128]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。
技术特征：
1.一种图像检测模型的确定方法，其特征在于，所述方法包括：获取用于预训练的第一图像集以及用于构建图像检测模型的多个候选子网络；根据所述多个候选子网络的训练损失，确定所述多个候选子网络分别所属的至少一个集合，以及确定每个集合对应的训练方式；所述多个候选子网络的训练损失是基于所述第一图像集确定的；采用所述每个集合对应的训练方式对所述每个集合包括的候选子网络进行训练，得到训练后的多个候选子网络；根据所述训练后的多个候选子网络的准确率，确定所述图像检测模型包括的子网络。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取用于预训练的第二图像集；所述第一图像集和所述第二图像集包括的训练样本不同；所述根据所述训练后的多个候选子网络的准确率，确定所述图像检测模型中包括的子网络，具体包括：通过所述第二图像集对所述训练后的多个候选子网络中的目标子网络进行训练，确定所述目标子网络的各参数；所述目标子网络为所述训练后的多个子候选网络中包含最优解数量大于设定阈值的任意一个子网络；将所述训练后的多个候选子网络中除所述目标子网络外的任一候选子网络的参数替换为所述各参数；通过所述第一图像集和所述第二图像集确定替换参数后的所述任一候选子网络的准确率；将准确率高于预设值的候选子网络组成所述图像检测模型。3.根据权利要求2所述的方法，其特征在于，所述将准确率高于预设值的候选子网络组成所述神经网络模型，包括：根据所述准确率高于预设值的候选子网络的多种组合方式，确定多个候选检测模型；采用所述第一图像集和所述第二图像集确定所述多个候选检测模型的准确率；将准确率最高的候选检测模型作为所述图像检测模型。4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述多个候选子网络的训练损失，确定所述多个候选子网络分别所属的至少一个集合，以及确定每个集合对应的训练方式，包括：采用所述第一图像集对所述多个候选子网络进行训练，确定每个子网络的训练损失；根据所述每个候选子网络的训练损失，确定所述每个候选子网络所属的集合；基于任一集合包括的候选子网络的训练损失，根据所述第一图像集生成所述任一集合对应的训练方式。5.一种图像检测模型的确定装置，其特征在于，所述装置包括：获取单元，用于获取用于预训练的第一图像集以及用于构建图像检测模型的多个候选子网络；处理单元，被配置为执行：根据所述多个候选子网络的训练损失，确定所述多个候选子网络分别所属的至少一个集合，以及确定每个集合对应的训练方式；所述多个候选子网络的训练损失是基于所述第
一图像集确定的；采用所述每个集合对应的训练方式对所述每个集合包括的候选子网络进行训练，得到训练后的多个候选子网络；根据所述训练后的多个候选子网络的准确率，确定所述图像检测模型包括的子网络。6.根据权利要求5所述的装置，其特征在于，所述获取单元，还用于获取用于预训练的第二图像集；所述第一图像集和所述第二图像集包括的训练样本不同；所述处理单元，具体执行：通过所述第二图像集对所述训练后的多个候选子网络中的目标子网络进行训练，确定所述目标子网络的各参数；所述目标子网络为所述训练后的多个子候选网络中包含最优解数量大于设定阈值的任意一个子网络；将所述训练后的多个候选子网络中除所述目标子网络外的任一候选子网络的参数替换为所述各参数；通过所述第一图像集和所述第二图像集确定替换参数后的所述任一候选子网络的准确率；将准确率高于预设值的候选子网络组成所述图像检测模型。7.根据权利要求6所述的装置，其特征在于，所述处理单元，在将准确率高于预设值的候选子网络组成所述神经网络模型时，具体用于：根据所述准确率高于预设值的候选子网络的多种组合方式，确定多个候选检测模型；采用所述第一图像集和所述第二图像集确定所述多个候选检测模型的准确率；将准确率最高的候选检测模型作为所述图像检测模型。8.根据权利要求5-7任一项所述的装置，其特征在于，所述处理单元，在根据所述多个候选子网络的训练损失，确定所述多个候选子网络分别所属的至少一个集合，以及确定每个集合对应的训练方式时，具体用于：采用所述第一图像集对所述多个候选子网络进行训练，确定每个子网络的训练损失；根据所述每个候选子网络的训练损失，确定所述每个候选子网络所属的集合；基于任一集合包括的候选子网络的训练损失，根据所述第一图像集生成所述任一集合对应的训练方式。9.一种电子设备，其特征在于，包括：存储器，用于存储计算机指令；控制器，与所述存储器连接，用于执行所述存储器中的计算机指令，且在执行所述计算机指令时实现如权利要求1～4中任一项所述的方法。10.一种计算机可读存储介质，其特征在于，包括：所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得所述计算机执行如权利要求1～4中任一项所述的方法。
技术总结
本申请公开了一种图像检测模型的确定方法及装置，用以从根本上提升图像检测模型的准确率。该方法包括：获取用于预训练的第一图像集以及用于构建图像检测模型的多个候选子网络；根据多个候选子网络的训练损失，确定多个候选子网络分别所属的至少一个集合，以及确定每个集合对应的训练方式；多个候选子网络的训练损失是基于第一图像集确定的；采用每个集合对应的训练方式对每个集合包括的候选子网络进行训练，得到训练后的多个候选子网络；根据训练后的多个候选子网络的准确率，确定图像检测模型包括的子网络。测模型包括的子网络。测模型包括的子网络。
