[發明專利]一種特征比對方法及電子設備

有效

• 申請號: 201910368661.2
• 申請日: 2019-05-05
• 公開（公告）號: CN111898747B
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 徐楠;方家樂;王賢禮;馮仁光;王鵬
• 申請（專利權）人: 杭州海康威視數字技術股份有限公司
• 主分類號: G06N3/063
• 分類號: G06N3/063;G06N3/082
• 代理公司: 北京博思佳知識產權代理有限公司 11415
• 代理人: 林祥

本申請提供一種特征比對方法及電子設備，該方法應用于包括CPU和GPU的電子設備，可以使CPU將待處理數據輸入已訓練的多級網絡模型，計算得到第一特征數據，并述第一特征數據儲存到內存中，再將所述第一特征數據輸入已訓練的網絡裁剪模型，對第一特征數據進行裁剪得到第二特征數據，將第二特征數據發送給所述GPU；GPU從顯存存儲的特征數據中選擇出與第二特征數據相似的N個候選特征數據，將所述N個候選特征數據對應的N個位置標識發送至CPU；CPU從內存存儲的所述N個位置標識所對應的特征數據中選擇出與第一特征數據相似的M個目標特征數據。因此可以在提高任務吞吐量的同時提升計算精度。

技術領域

本申請涉及人工智能技術領域，尤其涉及一種特征比對方法及電子設備。

背景技術

CPU(Central?Processing?Unit，中央處理器)是一塊超大規模的集成電路，是一臺計算機的運算核心和控制核心。它的功能主要是解釋計算機指令以及處理計算機軟件中的數據。GPU(Graphics?Processing?Unit，圖形處理器)，是一種用于執行圖像運算工作的微處理器。

CPU與GPU相比，在內存方面，CPU有大量的內存資源，而GPU的內存資源相對較少，并且內存成本較高；在運算方面，CPU除了負責浮點整形運算外，還有很多其他的指令集的負載，比如像多媒體解碼，硬件解碼等，因此CPU是多才多藝的，因此CPU偏重于單線程的性能；而GPU基本上只做浮點運算的，因此GPU更偏重于吞吐量，以使單指令能驅動更多線程同步計算。

網絡模型特征比較如果僅依賴單一的元件執行，例如只通過GPU或只通過CPU進行特征比較，由于CPU高并發性較差，那么只依賴CPU執行，會導致計算效率較低；而GPU的內存較小，因此只依賴GPU執行，又會導致緩存的模型數量較少，從而導致比較結果的精度較低。

發明內容

有鑒于此，本申請提供一種特征比對方法及電子設備，可以解決通過單一的網絡元件進行特征比較時計算效率低或者精度較差的問題。

具體地，本申請是通過如下技術方案實現的：

根據本申請實施例的第一方面，提供一種特征比對方法，所述方法應用于電子設備，所述電子設備至少包括：CPU和GPU；所述方法包括：

所述CPU將待處理數據輸入已訓練的多級網絡模型，以由所述多級網絡模型對輸入的目標數據進行網絡計算得到第一特征數據，將所述第一特征數據儲存到內存中；

所述CPU將所述第一特征數據輸入已訓練的網絡裁剪模型，以由所述網絡裁剪模型對輸入的所述第一特征數據進行裁剪得到第二特征數據，將所述第二特征數據發送給所述GPU；

所述GPU從顯存存儲的特征數據中選擇出與所述第二特征數據相似的N個候選特征數據，所述顯存存儲的特征數據是將樣本數據輸入至所述多級網絡模型、所述網絡裁剪模型得到的數據，將所述N個候選特征數據對應的N個位置標識發送至所述CPU；

所述CPU從內存存儲的所述N個位置標識所對應的特征數據中選擇出與第一特征數據相似的M個目標特征數據。

作為一個實施例，通過所述GPU從顯存存儲的特征數據中選擇出與所述第二特征數據相似的N個候選特征數據，包括：

通過所述GPU分別計算所述顯存存儲的每一特征數據與第二特征數據的相似度；

按照相似度由高到低排序，從排序中選擇前N個相似度對應的特征數據作為所述N個候選特征數據。

作為一個實施例，所述CPU從內存存儲的所述N個位置標識所對應的特征數據中選擇出與第一特征數據相似的M個目標特征數據，包括：

從內存中獲取所述N個位置標識對應的N個特征數據作為所述N個候選特征數據的N個參考特征數據；