[發明專利]目標識別方法及系統

在審

• 申請號: 202011335234.3
• 申請日: 2020-11-24
• 公開（公告）號: CN112598020A
• 公開（公告）日: 2021-04-02
• 發明（設計）人: 陳海波;關翔
• 申請（專利權）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: 北京路浩知識產權代理有限公司 11002
• 代理人: 李文清

本申請提供一種目標識別方法及系統，首先獲取待識別圖像；將所述待識別圖像輸入至卷積神經網絡模型，得到由所述神經網絡模型輸出的識別結果；其中，所述卷積神經網絡模型基于攜帶有對象標簽的圖像訓練樣本進行訓練，并基于訓練結束后的卷積神經網絡模型中任一卷積層下不同通道的浮點型參數的L1范數，對所述任一卷積層下不同通道進行篩選，對篩選后的卷積神經網絡模型進行量化處理得到。由于應用的卷積神經網絡模型中任一卷積層下不同通道進行了篩選，使得篩選后得到的卷積層中不同通道的浮點數取值范圍接近，可以提高量化后的卷積神經網絡模型的網絡精度，進而提高卷積神經網絡模型輸出的識別結果的準確性，提高卷積神經網絡模型的可用性。

技術領域

本申請涉及機器學習技術領域，尤其涉及一種目標識別方法及系統。

背景技術

目前，卷積神經網絡(Convolutional Neural Networks，CNN)模型被廣泛應用于圖像檢測、目標識別等領域。在目標識別領域，為提高卷積神經網絡模型對待識別圖像的處理速度，通常需要將浮點型卷積神經網絡模型轉換為定點型卷積神經網絡模型，這一轉換過程為卷積神經網絡模型的量化過程。

在現有技術中，對卷積神經網絡模型進行量化時，通常有如下兩種實現方式：一種是對于每個卷積層進行逐通道量化，這種量化方式使量化處理后的卷積神經網絡模型的網絡精度較高，但是過程復雜，且對處理器并不友好；另一種是對于每個卷積層進行整體量化，即進行逐張量量化，這種量化方式過程簡單，對處理器較友好，但是由于不同通道的浮點數取值范圍并不相同，導致量化處理后的卷積神經網絡模型的網絡精度較低。

發明內容

本申請提供一種目標識別方法及系統，用以提高目標的識別速度、識別精度以及識別準確度。

本申請提供一種目標識別方法，包括：

獲取待識別圖像；

將所述待識別圖像輸入至卷積神經網絡模型，得到由所述神經網絡模型輸出的識別結果；

其中，所述卷積神經網絡模型基于攜帶有對象標簽的圖像訓練樣本進行訓練，并基于訓練結束后的卷積神經網絡模型中任一卷積層下不同通道的浮點型參數的L1范數，對所述任一卷積層下不同通道進行篩選，對篩選后的卷積神經網絡模型進行量化處理得到。

根據本申請提供一種目標識別方法，所述基于訓練結束后的卷積神經網絡模型中任一卷積層下不同通道的浮點型參數的L1范數，對所述任一卷積層下不同通道進行篩選，之前還包括：

獲取訓練結束后的卷積神經網絡模型中任一卷積層下不同通道的浮點型參數；

計算所述任一卷積層下不同通道的浮點型參數的L1范數。

根據本申請提供一種目標識別方法，所述基于訓練結束后的卷積神經網絡模型中任一卷積層下不同通道的浮點型參數的L1范數，對所述任一卷積層下不同通道進行篩選，具體包括：

對所述任一卷積層下的不同通道，按L1范數由小到大的順序逐個刪除對應的通道；

若判斷獲知刪除對應的通道前后，訓練結束后的卷積神經網絡模型的網絡精度損失大于等于預設閾值，則停止刪除。

根據本申請提供一種目標識別方法，所述對篩選后的卷積神經網絡模型進行量化處理，之前還包括：

基于攜帶有對象標簽的圖像測試樣本，對篩選后的卷積神經網絡模型重新進行訓練。

本申請還提供一種目標識別系統，包括：圖像獲取模塊和識別模塊。其中，

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網絡模型，得到由所述神經網絡模型輸出的識別結果；