[發明專利]一種目標識別方法及設備

有效

• 申請號: 201910231327.2
• 申請日: 2019-03-26
• 公開（公告）號: CN110009021B
• 公開（公告）日: 2021-06-15
• 發明（設計）人: 陳海波
• 申請（專利權）人: 深蘭科技（上海）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/02
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 黃志華

本發明公開了一種目標識別方法及設備，涉及目標識別技術領域，用以解決在利用神經網絡模型進行目標識別時，存在著大量數據的乘除運算而導致處理任務的效率過低的問題，該方法包括：將用于目標識別的圖像數據輸入神經網絡模型，利用所述神經網絡模型對所述圖像數據進行目標識別過程中，確定N個相乘或相除的處理數據；從所述N個相乘或相除的處理數據中確定M個移位數據；根據各移位數據的真實值和絕對值確實各移位數據對應的移位方向和移位位數；根據所述各移位數據對應的移位方向和移位位數，確定所述N個處理數據相乘或相除的結果；根據所述N個處理數據相乘或相除的結果，通過所述神經網絡模型輸出所述目標識別的識別結果。

技術領域

本發明涉及目標識別技術領域，特別涉及一種目標識別方法及設備。

背景技術

隨著計算機技術、神經網絡技術的發展，越來越多的人用神經網絡模型進行目標識別，但在用神經網絡模型進行目標識別的過程中，存在著大量復雜數據的運算，如各個網絡層的浮點型模型參數，以及可能為小數形式的圖像數據，上述各個網絡層的模型參數以及上述圖像數據間的運算直接影響著神經網絡模型進行目標識別的效率，但在使用神經網絡模型進行目標識別時，由于上述模型參數以及圖像數據間存在大量復雜的乘除運算，且上述模型參數和圖像數據常常以小數或者浮點型數據的形式表示，進而導致神經網絡模型處理數據占用計算資源多，十分消耗時間，加長運算周期，進而極大地降低了神經網絡模型進行目標識別的效率。

綜上所述，在利用神經網絡模型進行目標識別時，存在著大量數據的乘除運算，進而導致利用神經網絡模型處理任務的效率過低。

發明內容

本發明提供一種目標識別方法及設備，用以解決現有技術中，存在利用神經網絡模型進行目標識別時，存在著大量數據的乘除運算，進而導致利用神經網絡模型處理任務的效率過低的問題。

第一方面，本申請實施例提供一種目標識別方法，該方法包括：

將用于目標識別的圖像數據輸入神經網絡模型；

利用所述神經網絡模型對所述圖像數據進行目標識別過程中，確定N個相乘或相除的處理數據；

從所述N個相乘或相除的處理數據中確定M個移位數據，其中，所述N為大于1的整數，所述M為大于0小于N的整數；

根據各移位數據的真實值確實所述各移位數據對應的移位方向，根據各移位數據的絕對值確定所述各移位數據對應的移位位數；

根據所述各移位數據對應的移位方向和移位位數，確定所述N個處理數據相乘或相除的結果；

根據所述N個處理數據相乘或相除的結果，通過所述神經網絡模型輸出所述目標識別的識別結果。

上述方法中，在利用神經網絡模型進行目標識別時，在出現的多個處理數據的乘除運算中，用數據的移位替代一部分乘除運算，占用的計算資源較少，進而加快數據處理的速度，節省時間提高效率，另一方面，上述方法中，根據移位數據的絕對值確定對應的移位位數，保證移位后的結果與實際運算的結果偏離程度在一定范圍之內。

在一種可能的實現方式中，所述處理數據包括如下任一或任多：

所述神經網絡模型的模型參數；

量化所述神經網絡模型時的模型參數的量化系數；

量化后的所述神經網絡模型的模型參數；

所述用于目標識別的圖像數據。

在一種可能的實現方式中，該方法用于多個處理數據相乘時，根據各移位數據的真實值確實所述各移位數據對應的移位方向，包括：

任一移位數據的真實值大小大于第一預設數據時，確定該移位數據的移位方向為左移；

任一移位數據的真實值大小不大于第一預設數據時，確定該移位數據的移位方向為右移。