[發明專利]一種目標識別的方法及設備

有效

• 申請號: 201910671904.X
• 申請日: 2019-07-24
• 公開（公告）號: CN110399918B
• 公開（公告）日: 2021-11-19
• 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;G06N3/08
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 郭潤湘

本發明公開了一種目標識別的方法及設備，該方法包括：獲取用于目標識別的圖像數據；將所述圖像數據輸入神經網絡模型進行目標識別，得到所述目標識別的識別結果，其中，利用訓練樣本輸入預設神經網絡模型進行訓練得到所述神經網絡模型，在對所述預設神經網絡模型訓練的過程中，確定所述預設神經網絡模型是否包括批量歸一化BN層；若是，對所述預設神經網絡模型中的BN層的層數進行裁剪，否則，對所述預設神經網絡模型的網絡層的權重進行裁剪。本發明通過對預設神經網絡模型結合直接與間接的結構化稀疏性方法，對結構化的權重本身與BN層進行裁剪，通過上述神經網絡裁剪后的神經網絡模型進行目標識別，使得目標識別的速度更快，效率更高。

技術領域

本發明涉及目標識別技術領域，尤其涉及一種目標識別的方法及設備。

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，神經網絡想要達到良好的模式識別效果，必須具有較深的深度，但對具體問題而言，深度太深也會帶來過擬合風險增高、訓練難度加大等問題，且過深的網絡對提高具體場景下模式識別的性能幫助有限，因此有時會對網絡進行層級的裁剪。網絡裁剪是指通過改變網絡的結構，將網絡中的冗余部分剔除。依據裁剪對象的不同，網絡裁剪可以分為層級裁剪，神經連接級裁剪等多個粒度。

神經連接級的裁剪對象是一條具體的網絡連接，或一個具體的參數，裁剪的結果通常是獲得更為稀疏的網絡。神經連接級的裁剪往往更加精細可控，對網絡性能的影響最小。但神經連接級的裁剪會導致網絡失去正規性，經過裁剪的網絡權值張量變的稀疏，因此在存儲和運算時需要采用稀疏張量的存儲和運算規則，不利于并行。

層級裁剪的裁剪對象是整個網絡層，主要適合于網絡層數較多的模型，裁剪的結果是神經網絡變得更“淺”，去除了深度殘差網絡的若干模塊，實際上就是一種層級裁剪。神經元級裁剪的裁剪對象是單個神經元或濾波器，裁剪的結果是神經網絡變得更“瘦”。神經連接級裁剪的目標是單個神經網絡連接權，裁剪的結果是使得神經網絡更“稀疏”。

綜上所述，在利用神經網絡模型進行目標識別時，單采用一種網絡裁剪方式，如果裁剪過度，都會在取得效果的同時帶來新的問題，目前需要一種能在上述兩種網絡裁剪方式間均衡效果的網絡裁剪方式以輔助目標識別，使得目標識別的效果更好。

發明內容

本發明提供一種目標識別的方法及設備，具體包括：

依照本發明第一方面，提供一種目標識別的方法，該方法包括：

獲取用于目標識別的圖像數據；

將所述圖像數據輸入神經網絡模型進行目標識別，得到所述目標識別的識別結果，其中，利用訓練樣本輸入預設神經網絡模型進行訓練得到所述神經網絡模型，在對所述預設神經網絡模型訓練的過程中，確定所述預設神經網絡模型是否包括批量歸一化BN層；若是，對所述預設神經網絡模型中的BN層的層數進行裁剪，否則，對所述預設神經網絡模型的網絡層的權重進行裁剪。

一種可能的實現方式中，每利用n個訓練樣本對預設神經網絡模型進行訓練結束后，若確定當前預設神經網絡模型包括BN層時，對所述當前預設神經網絡模型的所述BN層的層數進行裁剪，若確定當前預設神經網絡模型不包括BN層時，對所述當前預設神經網絡模型的網絡層的權重進行裁剪，n為小于訓練樣本總數的預設正整數。

在一種可能的實現方式中，通過為所述預設神經網絡模型的損失函數增加第一懲罰項，對所述預設神經網絡模型的網絡層的權重進行裁剪。

在一種可能的實現方式中，所述第一懲罰項中包括用于調整預設神經網絡模型中第i個網絡層的權重值的第一調整系數及裁剪權重值范圍；

對預設神經網絡模型中第i個網絡層，根據第一懲罰項中所述第一調整系數，對預設神經網絡模型中第i個網絡層的權重值進行調整；