[发明专利]一种基于NAS技术的坐标识别模型的搜索方法及装置

说明书

本申请涉及计算机视觉技术领域，本申请涉及一种基于NAS技术的坐标识别模型的搜索方法及装置，尤其涉及一种坐标识别模型的训练方法及装置，获取基线模型的各超参数的取值范围，并根据所述各超参数的取值范围，将不同取值下的超参数进行组合，生成多个数值组合；分别针对各数值组合，将基线模型的各超参数设置为任意一个数值组合中的各取值，获得该数值组合下的候选的坐标识别模型；分别针对各候选的坐标识别模型，将图像样本集输入至任意一个候选的坐标识别模型中进行训练，并计算该候选的坐标识别模型的误差值；将满足预设的误差值条件的候选的坐标识别模型作为最终优化后的坐标识别模型，这样，能够结合NAS实现对坐标识别模型的自动设计。

技术领域

本申请涉及计算机视觉技术领域，尤其涉及一种基于NAS技术的坐标识别模型的搜索方法及装置。本申请具体提供一种坐标识别模型的训练方法及装置。

背景技术

目前，在对待识别图像中包含的人体的动作类别进行识别时，一般是通过预先手工设计并训练的神经网络模型从而实现的。但是，由于通过手工设计模型的方式缺乏对人体动作类别的针对性优化，因此，会降低神经网络模型在识别人体动作时的精度和速度。

为了解决上述问题，相关技术中，可以通过神经网络搜索(Neural ArchitectureSearch，NAS)来自动设计神经网络模型中包含的网络结构。NAS通常包括搜索空间、搜索策略和性能评估策略三个主要模块。在不同的场景下，模型对于搜索空间、搜索策略和性能评估策略通常有不同的要求，因此，如果要将NAS应用到坐标识别中，需要结合坐标识别场景的实际需求，对NAS的三个主要模块进行针对化的设计。那么，如何能够结合NAS实现对坐标识别模型的自动设计，成为了一个亟待解决的问题。

发明内容

本申请实施例提供一种坐标识别模型的训练方法及装置，以结合NAS实现对坐标识别模型的自动设计。

本申请实施例提供的具体技术方案如下：

一种坐标识别模型的训练方法，包括：

获取基线模型的各超参数的取值范围，并根据所述各超参数的取值范围，将不同取值下的超参数进行组合，生成多个数值组合，其中，所述数值组合中包含有各超参数，以及各超参数的取值；

分别针对各数值组合，将所述基线模型的各超参数设置为任意一个数值组合中的各取值，获得该数值组合下的候选的坐标识别模型；

分别针对各候选的坐标识别模型，将图像样本集输入至任意一个候选的坐标识别模型中进行训练，并计算该候选的坐标识别模型的误差值，其中，所述图像样本集中包含有各图像样本和对应的样本标签，所述样本标签表征图像样本中包含的各人体关键点的真实二维坐标；

将满足预设的误差值条件的候选的坐标识别模型作为最终优化后的坐标识别模型。

可选的，分别针对各数值组合，将所述基线模型的各超参数设置为任意一个数值组合中的各取值，获得该数值组合下的候选的坐标识别模型之后，进一步包括：

获取决策信息，其中，所述决策信息为随机采样的搜索策略、基于强化学习的搜索策略或基于进化算法的搜索策略，所述搜索策略信息；

采用所述决策信息，从各候选的坐标识别模型中，确定出最终进行训练的各候选的坐标识别模型。

可选的，获取基线模型的各超参数的取值范围之前，进一步包括：

获取用户输入的目标运行条件，其中，所述目标运行条件至少包括目标速度条件和/或目标精度条件；

从预设的模型数据库中包含的各候选的基线模型中，查找到满足所述目标运行条件的基线模型。

可选的，将图像样本集输入至任意一个候选的坐标识别模型中进行训练，并计算该候选的坐标识别模型的误差值，具体包括：