[發(fā)明專利]目標(biāo)識別方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011335234.3
• 申請日: 2020-11-24
• 公開（公告）號: CN112598020A
• 公開（公告）日: 2021-04-02
• 發(fā)明（設(shè)計）人: 陳海波;關(guān)翔
• 申請（專利權(quán)）人: 深蘭人工智能（深圳）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京路浩知識產(chǎn)權(quán)代理有限公司 11002
• 代理人: 李文清

1.一種目標(biāo)識別方法，其特征在于，包括：

獲取待識別圖像；

將所述待識別圖像輸入至卷積神經(jīng)網(wǎng)絡(luò)模型，得到由所述神經(jīng)網(wǎng)絡(luò)模型輸出的識別結(jié)果；

其中，所述卷積神經(jīng)網(wǎng)絡(luò)模型基于攜帶有對象標(biāo)簽的圖像訓(xùn)練樣本進(jìn)行訓(xùn)練，并基于訓(xùn)練結(jié)束后的卷積神經(jīng)網(wǎng)絡(luò)模型中任一卷積層下不同通道的浮點型參數(shù)的L1范數(shù)，對所述任一卷積層下不同通道進(jìn)行篩選，對篩選后的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行量化處理得到。

2.根據(jù)權(quán)利要求1所述的目標(biāo)識別方法，其特征在于，所述基于訓(xùn)練結(jié)束后的卷積神經(jīng)網(wǎng)絡(luò)模型中任一卷積層下不同通道的浮點型參數(shù)的L1范數(shù)，對所述任一卷積層下不同通道進(jìn)行篩選，之前還包括：

獲取訓(xùn)練結(jié)束后的卷積神經(jīng)網(wǎng)絡(luò)模型中任一卷積層下不同通道的浮點型參數(shù)；

計算所述任一卷積層下不同通道的浮點型參數(shù)的L1范數(shù)。

3.根據(jù)權(quán)利要求1所述的目標(biāo)識別方法，其特征在于，所述基于訓(xùn)練結(jié)束后的卷積神經(jīng)網(wǎng)絡(luò)模型中任一卷積層下不同通道的浮點型參數(shù)的L1范數(shù)，對所述任一卷積層下不同通道進(jìn)行篩選，具體包括：

對所述任一卷積層下的不同通道，按L1范數(shù)由小到大的順序逐個刪除對應(yīng)的通道；

若判斷獲知刪除對應(yīng)的通道前后，訓(xùn)練結(jié)束后的卷積神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)精度損失大于等于預(yù)設(shè)閾值，則停止刪除。

4.根據(jù)權(quán)利要求1-3中任一項所述的目標(biāo)識別方法，其特征在于，所述對篩選后的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行量化處理，之前還包括：

基于攜帶有對象標(biāo)簽的圖像測試樣本，對篩選后的卷積神經(jīng)網(wǎng)絡(luò)模型重新進(jìn)行訓(xùn)練。

5.一種目標(biāo)識別系統(tǒng)，其特征在于，包括：

圖像獲取模塊，用于獲取待識別圖像；

識別模塊，用于將所述待識別圖像輸入至卷積神經(jīng)網(wǎng)絡(luò)模型，得到由所述神經(jīng)網(wǎng)絡(luò)模型輸出的識別結(jié)果；

其中，所述卷積神經(jīng)網(wǎng)絡(luò)模型基于攜帶有對象標(biāo)簽的圖像訓(xùn)練樣本進(jìn)行訓(xùn)練，并基于訓(xùn)練結(jié)束后的卷積神經(jīng)網(wǎng)絡(luò)模型中任一卷積層下不同通道的浮點型參數(shù)的L1范數(shù)，對所述任一卷積層下不同通道進(jìn)行篩選，對篩選后的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行量化處理得到。

6.根據(jù)權(quán)利要求5所述的目標(biāo)識別系統(tǒng)，其特征在于，還包括計算模塊，用于：

獲取訓(xùn)練結(jié)束后的卷積神經(jīng)網(wǎng)絡(luò)模型中任一卷積層下不同通道的浮點型參數(shù)；

計算所述任一卷積層下不同通道的浮點型參數(shù)的L1范數(shù)。

7.根據(jù)權(quán)利要求5所述的目標(biāo)識別系統(tǒng)，其特征在于，還包括篩選模塊，用于：

對所述任一卷積層下的不同通道，按L1范數(shù)由小到大的順序逐個刪除對應(yīng)的通道；

若判斷獲知刪除對應(yīng)的通道前后，訓(xùn)練結(jié)束后的卷積神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)精度損失大于等于預(yù)設(shè)閾值，則停止刪除。

8.根據(jù)權(quán)利要求5-7中任一項所述的目標(biāo)識別系統(tǒng)，其特征在于，還包括訓(xùn)練模塊，用于：

基于攜帶有對象標(biāo)簽的圖像測試樣本，對篩選后的卷積神經(jīng)網(wǎng)絡(luò)模型重新進(jìn)行訓(xùn)練。

9.一種電子設(shè)備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述程序時實現(xiàn)如權(quán)利要求1至4任一項所述目標(biāo)識別方法的步驟。

10.一種非暫態(tài)計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1至4任一項所述目標(biāo)識別方法的步驟。