[发明专利]一种基于强化学习的鱼类分类方法、系统、设备及介质

权利要求书

1.一种基于强化学习的鱼类分类方法，其特征在于，包括：

获取待分类鱼类图像；

将所述待分类鱼类图像输入至鱼类分类模型，得到分类结果；所述分类结果为鱼的种类；

其中，所述鱼类分类模型是利用样本数据集对基线网络模型进行训练，对训练后的基线网络模型进行剪枝得到的；所述样本数据集包括训练集、验证集和测试集；所述训练集、所述验证集和所述测试集均包括多张鱼类图像以及与所述鱼类图像对应的鱼种类标签。

2.根据权利要求1所述的基于强化学习的鱼类分类方法，其特征在于，所述鱼类分类模型的构建过程，具体包括：

利用所述训练集对基线网络模型进行训练，得到训练后的基线网络模型；

将所述训练后的基线网络模型作为剪枝网络模型，对所述剪枝网络模型进行初始化，得到初始剪枝网络模型；

将所述训练后的基线网络模型和所述初始剪枝网络模型按层划分为多个基线块网络和多个剪枝块网络；

将所述训练集输入至所述剪枝块网络和所述基线块网络，确定每个所述剪枝块网络的度量分数；

根据所述度量分数，利用强化学习算法，确定每个所述剪枝块网络的剪枝率；

根据所述剪枝率对每个所述剪枝块网络进行剪枝，得到多个剪枝后的剪枝网络；

基于所述验证集和所述测试集，根据所述剪枝后的剪枝网络构建鱼类分类模型。

3.根据权利要求2所述的基于强化学习的鱼类分类方法，其特征在于，所述基于所述验证集和所述测试集，根据所述剪枝后的剪枝网络构建鱼类分类模型，具体包括：

将所述验证集分别输入至所述剪枝后的剪枝块网络和所述基线块网络中，得到第一输出结果和第二输出结果；

计算所述第一输出结果和所述第二输出结果的第一均方误差，并计算所述剪枝后的剪枝块网络的第一剪枝效率度量值；

对所述第一均方误差和所述第一剪枝效率度量值进行权衡计算，得到权衡计算值；

根据所述权衡计算值，从大到小选取预设个数的所述剪枝后的剪枝块网络，构建初始鱼类分类模型；

利用所述测试集对所述初始鱼类分类模型的参数进行调整，得到鱼类分类模型。

4.根据权利要求2所述的基于强化学习的鱼类分类方法，其特征在于，所述，利用所述训练集对基线网络模型进行训练，得到训练后的基线网络模型，具体包括：

采用随机打乱、零填充和随机取样技术对所述鱼类图像进行数据增强得到处理后的训练集；

利用所述处理后的训练集对所述基线网络模型进行训练，得到训练后的基线网络模型。

5.根据权利要求2所述的基于强化学习的鱼类分类方法，其特征在于，所述将所述训练集输入至所述剪枝块网络和所述基线块网络，确定每个所述剪枝块网络的度量分数，具体包括：

将所述训练集分别输入至第一级所述剪枝块网络和第一级所述基线块网络，得到剪枝块网络输出结果和基线块网络输出结果；

计算所述剪枝块网络输出结果和所述基线块网络输出结果的均方误差；

根据所述均方误差，计算当前所述基线块网络的准确率度量值；

利用公式计算当前所述剪枝块网络的剪枝效率度量值；其中，FLOPs（S_i）表示第i个剪枝块网络的FLOPs，FLOPs（B_i）表示第i个基线块网络的FLOPs；

根据所述准确率度量值以及所述剪枝效率度量值，确定当前所述剪枝块网络的度量分数；

将所述基线块网络输出结果输入至下一级剪枝块网络和下一级基线块网络，得到剪枝块网络输出结果和基线块网络输出结果，并返回“计算所述剪枝块网络输出结果和所述基线块网络输出结果的均方误差”的步骤，得到每个所述剪枝块网络的度量分数。

6.根据权利要求2所述的基于强化学习的鱼类分类方法，其特征在于，所述根据所述剪枝率对每个所述基线块网络进行剪枝，得到多个剪枝后的基线块网络，具体包括：

根据所述剪枝率和所述基线块网络每层的卷积核个数，计算当前层要剪枝的卷积核个数；

计算所述基线块网络每层的卷积核的重要性分数；

根据所述重要性分数和所述当前层要删除的卷积核个数，将所述基线块网络中每层的卷积核从小到大进行剪枝，得到剪枝后的基线块网络。