[發明專利]基于計算卸載機制的圖像識別方法

在審

• 申請號: 202010852263.0
• 申請日: 2020-08-21
• 公開（公告）號: CN112070211A
• 公開（公告）日: 2020-12-11
• 發明（設計）人: 石宇光;米振強;郭宇
• 申請（專利權）人: 北京科技大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/62;G06K9/00
• 代理公司: 北京金智普華知識產權代理有限公司 11401
• 代理人: 皋吉甫

本發明涉及機器視覺領域，特別涉及一種處理器計算能力無法直接滿足神經網絡對計算能力需求情況下的低成本圖像識別方案的基于計算卸載機制的圖像識別方法。該方法根據網絡分段后移動設備上計算任務占比、通信數據量和前后段網絡模型任務耦合性等指標，計算分段點，對前段網絡模型產生的特征圖進行頻域壓縮，后端網絡接收數據進行圖像處理得到識別結果；這樣，采用分段部署將系統的前段網絡模型和數據壓縮算法結合，能夠很好的對輸入數據進行壓縮，以平衡移動端、云端和網絡傳輸三者的時間消耗，將系統時延降低，在保證實時性的同時，能夠保障整個網絡模型的性能衰減控制在可以接受的范圍之中，對具體任務的執行精度沒有明顯的影響。

技術領域

本發明涉及機器視覺領域，特別涉及一種處理器計算能力無法直接滿足神經網絡對計算能力需求情況下的低成本圖像識別方案的基于計算卸載機制的圖像識別方法。

背景技術

在當今社會，圖像識別系統在工業測控、安防監測等領域有著廣泛的應用，開發人員和用戶對于移動設備端進行圖像識別的實時響應有著較高需求。與服務器級GPU相比，移動設備的計算能力和成本受到了更嚴格的限制。目前，在圖像分類、圖像目標檢測、圖像分割等任務中，基于卷積神經網絡的圖像分析方法在分析準確率和效率上取得了突破性的成果。但是，基于卷積神經網絡的圖像識別算法需要占用處理器大量計算資源，并且需要一定成本才能在移動端部署具有相應計算能力的處理器以實現理想的探測精度。

目前國內外以研發了多種圖像識別技術，用于在計算能力不足的移動設備中的圖像識別，但由于深度學習的訓練時間過長且需要的訓練數據量大，并不能在識別準確率和時延問題上得到很好的效果。

魯迪針對上述問題，提出一種移動邊緣計算環境下的圖像識別算法(魯迪.移動邊緣計算環境下的圖像識別算法研究與實現[D].北京郵電大學,2019.)，實驗表明，該方法可以占用更小的核心網帶寬、且能獲得實時響應的圖像識別結果。但是該方法中的圖像特征提取算法是一種線性的子空間學習算法并且不能在深度學習的識別準確率和時延問題上得到很好的結果。

發明內容

本發明要解決的技術問題是提供一種圖像自動識別方法，以解決現有技術所存在的目標識別任務中所存在的高成本、算法占用處理器計算力大的問題。

為解決上述技術問題，本發明實施例提供一種低成本圖像識別方法，包括：

獲取具有識別目標的圖像和對應的語義標注的圖像數據，以預訓練輕量級神經網絡模型。

通過對系統中分段運行的神經網絡需求進行分析，通過分析前段網絡模型計算量占比、網絡耦合性和特征圖數據傳輸量這三個方面，對網絡中的每一層給出分段有效性評價，以計算網絡分段點。

其中，所述前段網絡模型計算量占比M_y，具體公式如下所示：

其中，D為神經網絡所包含的卷積層的層數，m_i為第i層的計算任務消耗；

且，

其中，l_n為第n層的網絡輸出特征圖的邊長，k_n為第n層的卷積核邊長，C_n為第n層的輸入圖像的特征圖的通道數，α為變換系數且為固定的常數；

S2.2)計算卷積神經網絡中某一層的感受野大小公式為：

其中，j_n表示為第n層之前對每一層的步長stride的累積，r_n即為第n層的感受野大小，初始值為j_n＝1,r_n＝1，Sn為每一層的步長；

進一步地，定義一個評價指標η，η越小則表明越適合在該層進行分段。

其中，所述η計算公式為：