[發明專利]圖像識別方法、裝置、設備及可讀存儲介質

有效

• 申請號: 201811019852.X
• 申請日: 2018-09-03
• 公開（公告）號: CN109242091B
• 公開（公告）日: 2022-03-22
• 發明（設計）人: 程云;方興;趙雅倩;張新;董學輝
• 申請（專利權）人: 鄭州云海信息技術有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/063;G06V10/46;G06V10/82
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 羅滿

本發明公開了一種圖像識別方法，該方法通過對圖像進行處理得到待進行卷積乘運算的特征圖數據，根據特征圖數據生成原始乘法指令，對原始乘法指令進行信息包裝后進行乘數信息的提取，根據提取的信息復用一個乘法計算核心進行乘法計算，得到卷積乘結果，根據卷積乘法結果進行特征分類，即可得到圖像識別結果，可以支持多種圖像數據格式的乘法計算，節省了硬件資源，提高了資源利用率，降低了圖像識別過程的成本；本發明還公開了一種圖像識別裝置、設備及可讀存儲介質，具有上述有益效果。

技術領域

本發明涉及圖像處理領域，特別涉及一種圖像識別方法、裝置、設備及一種可讀存儲介質。

背景技術

深度神經網絡作為一種近年來最受關注的機器學習算法，在圖像視頻處理等應用場景中取得了突破性的進展，并在眾多領域獲得了廣泛的應用。而卷積神經網絡作為應用最廣泛的深度神經網絡，其利用多層卷積核獲取輸入的特征。卷積神經網絡是由卷積層、激活層、池化層、全連接層構成的具有局部感知和權值共享能力的深層神經網絡，其中卷積層占據網絡的大部分計算量。

采用卷積神經網絡進行圖像處理(包括圖像分類以及圖像識別)時，深度卷積網絡的可分為兩個階段，訓練階段和推理階段，訓練階段利用標記數據訓練網絡的參數，而推理階段是使用訓練好的模型和參數對數據進行處理。深度學習的模型正在變得越來越復雜，所需要的計算資源也越來越多。越大的模型在訓練和推理時都需要消耗更多的計算資源和內存。目前很多深度網絡在訓練時能夠取得較好的結果，但在推理時由于參數和計算量多，不能做到實時處理，制約了深度模型的應用。

低精度的神經網絡可以顯著加快網絡的處理速度，將高精度的神經網絡轉變為低精度的神經網絡的過程，稱之為量化。量化，即用更少的數據位寬進行神經網絡存儲和計算。為了節省存儲，并進行更快地訪存和計算，需要進行量化處理。出于量化的需要，需要進行多精度乘法的計算。目前常用的數據格式可以分為：浮點(FP)和定點(INT)，其中，常用的浮點包括浮點32位(FP32)，浮點16位(FP16)，浮點11位(FP11)，浮點8位(FP8)等，常用的定點包括定點32位(INT32)，定點16位(INT16)，定點8位(INT8)等。同一個網絡模型，經過量化后，可以減少神經網絡的存儲和計算量。

目前針對各種圖像數據格式會使用專用的計算部件進行計算，即采用每種類型精度的數據計算采用專用的計算部件，例如浮點16位的計算部件只做浮點16位數據的計算，定點8位的計算部件只做定點8位的數據計算。采用專用的計算部件，每種類型的數據都需要獨立的芯片資源來實現其計算部件，在整個卷積處理過程中可能會出現多種精度的卷積計算，比如進行定點16位計算后，進行定點8位的計算，接著進行浮點11位的計算，則系統中需要同時具備計算各種類型的獨立芯片，芯片晶體管資源開支較大。

因此，如何實現計算部件在較少開銷下同時支持多種類型圖像數據的計算，減少芯片晶體管資源開支，控制整體圖像識別成本，是本領域技術人員需要解決的技術問題。

發明內容

本發明的目的是提供一種圖像識別方法，該方法通過對圖像進行處理得到待進行卷積乘運算的特征圖數據，根據特征圖數據生成原始乘法指令，對原始乘法指令進行信息包裝后進行乘數信息的提取，根據提取的信息復用一個乘法計算核心進行乘法計算，可以支持多種圖像數據格式的乘法計算，節省了硬件資源，提高了資源利用率，降低了圖像識別過程的成本；本發明的另一目的是提供一種圖像識別裝置、設備及一種可讀存儲介質。

為解決上述技術問題，本發明提供一種圖像識別方法，包括：

對接收的原始圖像進行預處理，得到特征圖數據；

根據所述特征圖數據以及卷積層計算規則生成原始乘法指令；

對所述原始乘法指令根據預先設定的指令格式進行包裝，得到標準乘法指令；

對所述標準乘法指令進行乘數特征信息提取，得到乘數信息；其中，所述乘數信息包括：原始乘數、乘數個數以及乘數格式；