[发明专利]基于端、边及云协同的机器学习方法、系统及介质

说明书

本申请提供了一种基于端、边及云协同架构的机器学习方法及系统，提取输入图像的多个通用特征；传输多个通用特征；接收多个通用特征，并自适应选择机器学习任务对应的至少一个通用特征；根据至少一个通用特征训练对应的机器学习任务，得到训练后的机器学习模型；训练后的机器学习模型根据输入图像得到机器学习任务的预测结果。本申请通过在端架构处提取可用于各种视觉任务的通用特征，只在边架构上传输通用特征而不需要传输端处采集的原图，最后在云架构处利用通用特征进行机器学习任务的训练。

技术领域

本申请属于人工智能技术领域，具体地，涉及一种基于端、边及云协同架构的机器学习方法、系统及介质。

背景技术

人工智能对技术的推动提升了社会生产力，推动了生产关系的变革。随着机器学习技术、视频分析技术和图像采集技术的蓬勃发展，

在机器学习时，基于端架构处采集图像后，由于用于传输的边架构的传输速度具有限制，或者云服务器的存储空间具有限制等因素，边架构采用直接传输端架构处采集到的图像时成本高，导致后期例如云架构的机器学习性能差或者不能实现预定效果等问题。基于此，需要一种新型的基于端架构、边架构及云架构进行图像采集传输的机器学习方法。

发明内容

本发明提出了一种基于端、边及云协同架构的机器学习方法、系统及介质，旨在解决现有机器学习时，直接将端架构处采集到的图像传输至边架构时成本高、学习性能差的问题。

根据本申请实施例的第一个方面，提供了一种基于端、边及云协同架构的机器学习方法，具体包括以下步骤：

提取输入图像的多个通用特征；通用特征包括输入图像的通用特征图和/或通用特征向量；

传输多个通用特征；

接收多个通用特征，并自适应选择机器学习任务对应的至少一个通用特征；

根据至少一个通用特征训练对应的机器学习任务，得到训练后的机器学习模型；训练后的机器学习模型根据输入图像得到机器学习任务的预测结果。

在本申请一些实施方式中，在端架构处完成提取输入图像的多个通用特征的步骤；在边架构处完成传输多个通用特征的步骤；在云架构处完成接收多个通用特征，自适应选择机器学习任务对应的至少一个通用特征的步骤，以及至少一个通用特征训练对应的机器学习任务，得到训练后的机器学习模型的步骤。

在本申请一些实施方式中，提取输入图像的通用特征，具体包括：

通过多层级的多个特征提取网络提取输入图像的图像特征，分别提取出多张通用特征图或通用特征向量。

在本申请一些实施方式中，提取输入图像的多个通用特征之前，还包括对输入图像进行图像预处理；图像预处理包括图像平移、图像切割、图像大小放缩和/或图像色彩空间转换。

在本申请一些实施方式中，自适应选择机器学习任务对应的至少一个通用特征，具体包括：

通过自适应算法自适应地从传入的多个通用特征中选择至少一个通用特征，至少一个通用特征用于训练对应的机器学习任务。

在本申请一些实施方式中，机器学习任务包括行人属性识别任务、交通工具属性识别任务、行人识别任务和/或交通工具识别任务。

根据本申请实施例的第二个方面，提供了一种基于端、边及云协同架构的机器学习系统，具体包括：

通用特征生成模块，用于提取输入图像的多个通用特征；通用特征包括输入图像的通用特征图和/或通用特征向量；

通用特征传输模块，用于传输多个通用特征；

自适应通用特征选择模块，用于接收多个通用特征，自适应选择机器学习任务对应的至少一个通用特征；