[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

说明书

本发明公开的基于强化学习的鱼类分类方法、系统、设备及介质，涉及鱼类分类领域。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鱼类分类模型，利用该鱼类分类模型对所述待分类鱼类图像进行分类，得到鱼的种类，提高了分类的准确性以及效率。

技术领域

本发明涉及鱼类分类领域，特别是涉及一种基于强化学习的鱼类分类方法、系统、设备及介质。

背景技术

对鱼类数据进行有效分类是研究水生态系统的有效手段。近年来，深度神经网络(Deep neural network，DNN)在鱼类数据分类任务上进行了广泛应用并取得了显著成就。然而，由于鱼类数据的获取困难以及样本分类不均衡和DNN具有较高的参数和复杂的计算量，导致传统的深度网络模型对鱼类数据进行准确分类具有较大的挑战。目前，解决这一问题的可行方法是在不影响精度的情况下对网络模型进行压缩。而网络剪枝技术是模型压缩中常用的方法，并在处理复杂网络模型效率上展现了显著的优势。

网络剪枝技术是去除网络中冗余的参数和结构来得到更加稀疏的网络结构，可分为非结构化剪枝和结构化剪枝。非结构剪枝通过去除每层不重要的权值来实现权重矩阵更高的稀疏度，例如，Song Han等人提出基于阈值的剪枝方法来去除冗余的权值，将权值绝对值低于阈值的认为是不重要并删除。但非结构化剪枝的实现需要借助特定的软件和硬件，并带来额外的计算成本。相比非结构化剪枝，结构化剪枝通过去除冗余的层、卷积核和通道来减少网络参数和计算成本，具有更广泛的应用场景。

相比继承基线网络重要的权重参数，剪枝网络的结构是决定剪枝网络模型性能的关键。网络剪枝技术可以看作网络架构搜索问题，所有符合搜索条件的网络称为子网络或候选网络，而由所有子网络组成网络搜索空间，网络搜索的目标即是在这样的搜索空间中搜索最优的子网络。

目前一些网络剪枝方法是基于人为制定的剪枝率，以对网络模型进行剪枝，但这种基于人为制定的剪枝率，在实际中剪枝过程中会导致网络剪枝效率低下和易收敛于局部最优。另外，大多数网络剪枝方法以分层方式修剪网络，无法全面考虑层与层之间的依赖关系。该网络剪枝方法是以逐层方式寻找网络的稀疏结构，缺乏对网络结构全局信息的有效利用，这种分层策略往往会产生次优地压缩结果。此外，该网络剪枝方法存在严重的标签依赖性，大多数剪枝方法在剪枝过程中需要依赖标签数据，导致在剪枝过程中无法使用数据标签时，网络剪枝方法的应用受到限制。网络剪枝技术可以看作神经网络架构搜索，所有符合搜索条件的网络称为子网络或候选网络，而由所有子网络组成网络搜索空间，网络搜索的目标即是在搜索空间中搜索最优的子网络。但传统的网络架构搜索方法存在较大的搜索空间，使得搜索最佳的子网络结构是困难的。

综上所述，采用目前的网络剪枝方法对深度网络模型进行剪枝，从而对鱼类数据进行分类的防范，存在分类准确性低、效率低的问题。

发明内容

本发明的目的是提供一种基于强化学习的鱼类分类方法、系统、设备及介质，以提高对鱼类进行分类的准确性。

为实现上述目的，本发明提供了如下方案：

一种基于强化学习的鱼类分类方法，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。

可选地，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；