申请/专利权人：芯算一体(深圳)科技有限公司

申请日：2022-01-29

公开（公告）日：2024-05-10

公开（公告）号：CN114463559B

主分类号：G06V10/44

分类号：G06V10/44;G06V10/774;G06V10/82;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.05.10#授权;2024.04.26#专利申请权的转移;2022.05.27#实质审查的生效;2022.05.10#公开

摘要：本申请涉及图像识别模型的训练方法、装置、网络和图像识别方法，该训练方法包括通过得到卷积神经网络对应的预测标签值，将卷积神经网络中多个中间层输出的特征图分别输入到各自对应的预设ViT网络进行特征提取，以得到各个预设ViT网络对应的预测标签值和第一预设损失函数值，然后分别对各个预设ViT网络进行权重和偏置更新，根据卷积神经网络对应的预测标签值和各个预设ViT网络对应的预测标签值计算得到整合后的预测标签值，根据整合后的预测标签值、卷积神经网络对应的第二预设损失函数和真实标签值计算得到卷积神经网络对应的第二预设损失函数值生成图像识别模型，能够将传统的卷积神经网络结构和ViT网络进行融合。

主权项：1.一种图像识别模型的训练方法，其特征在于，包括：通过卷积神经网络对输入的训练图像数据集进行特征提取，以得到所述卷积神经网络对应的预测标签值；获取所述卷积神经网络中多个中间层输出的特征图；将各个中间层输出的特征图分别输入到各自对应的预设ViT网络进行特征提取，以得到各个预设ViT网络对应的预测标签值和第一预设损失函数值；根据各自对应的第一预设损失函数值，分别对各个预设ViT网络进行权重和偏置更新；根据所述卷积神经网络对应的预测标签值和各个预设ViT网络对应的预测标签值计算得到整合后的预测标签值；根据所述整合后的预测标签值、所述卷积神经网络对应的第二预设损失函数和真实标签值计算得到所述卷积神经网络对应的第二预设损失函数值；根据所述第二预设损失函数值对所述卷积神经网络进行权重和偏置更新；循环执行上述步骤，直至所述第二预设损失函数收敛以生成对应的图像识别模型。

全文数据：

权利要求：

百度查询： 芯算一体(深圳)科技有限公司 图像识别模型的训练方法、装置、网络和图像识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD