基于在线深度学习的数据集自适应裁减方法

    公开(公告)号:CN113610226A

    公开(公告)日:2021-11-05

    申请号:CN202110810438.6

    申请日:2021-07-19

    摘要: 本发明公开了一种基于在线深度学习的数据集自适应裁减方法,针对图像数据集选择一种在线深度学习神经网络架构;使用道路图像数据集对所选择的架构进行训练,得到收敛的网络模型;利用机器学习归类算法学习对输入数据集的特征进行在线学习,根据学习结果对图像数据集类别打标签;强化模型依据数据集类别标签识别当前状态,依据强化学习策略选择一种动作,即对逐个通道分别选择一种结构性裁减策略进行裁减,执行该动作并得到该动作的反馈。通过在线实时训练,强化模型最终可以依据数据集类型选择最优的裁减策略以实现精度和开销的均衡。

    基于在线深度学习的数据集自适应裁减方法

    公开(公告)号:CN113610226B

    公开(公告)日:2022-08-09

    申请号:CN202110810438.6

    申请日:2021-07-19

    摘要: 本发明公开了一种基于在线深度学习的数据集自适应裁减方法,针对图像数据集选择一种在线深度学习神经网络架构;使用道路图像数据集对所选择的架构进行训练,得到收敛的网络模型;利用机器学习归类算法学习对输入数据集的特征进行在线学习,根据学习结果对图像数据集类别打标签;强化模型依据数据集类别标签识别当前状态,依据强化学习策略选择一种动作,即对逐个通道分别选择一种结构性裁减策略进行裁减,执行该动作并得到该动作的反馈。通过在线实时训练,强化模型最终可以依据数据集类型选择最优的裁减策略以实现精度和开销的均衡。