[發(fā)明專利]基于邊緣計算的對象識別方法、裝置、設備及介質(zhì)在審
| 申請?zhí)枺?/td> | 202111137863.X | 申請日： | 2021-09-27 |
| 公開（公告）號： | CN113688796A | 公開（公告）日： | 2021-11-23 |
| 發(fā)明（設計）人： | 鐘宇翔 | 申請（專利權(quán)）人： | 中國平安財產(chǎn)保險股份有限公司 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06N3/04;G06N3/08 |
| 代理公司： | 深圳市沃德知識產(chǎn)權(quán)代理事務所(普通合伙) 44347 | 代理人： | 高杰;于志光 |
| 地址： | 518000 廣東省深圳市福田區(qū)益田路*** | 國省代碼： | 廣東;44 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 基于 邊緣 計算 對象 識別 方法 裝置 設備 介質(zhì) | ||
1.一種基于邊緣計算的對象識別方法，其特征在于，所述方法包括：
獲取待處理的原始模型，基于所述原始模型中每個層所有卷積核的權(quán)重對所述原始模型執(zhí)行剪枝操作，得到剪枝后的模型；
基于第一訓練樣本集對所述剪枝后的模型進行訓練，得到剪枝結(jié)束的模型；
基于第二訓練樣本集對所述剪枝結(jié)束的模型執(zhí)行混合精度訓練，將執(zhí)行混合精度訓練后的模型轉(zhuǎn)換成半精度浮點數(shù)的二進制模型文件，得到目標壓縮模型，以供客戶端加載所述目標壓縮模型對待識別對象進行識別。
2.如權(quán)利要求1所述的基于邊緣計算的對象識別方法，其特征在于，所述基于所述原始模型中每個層所有卷積核的權(quán)重對所述原始模型執(zhí)行剪枝操作，包括：
計算所述原始模型的每個層中所有卷積核的權(quán)重的絕對值之和，保留絕對值之和大于預設閾值的卷積核，丟棄絕對值小于或等于所述預設閾值的卷積核。
3.如權(quán)利要求1所述的基于邊緣計算的對象識別方法，其特征在于，所述基于所述原始模型中每個層所有卷積核的權(quán)重對所述原始模型執(zhí)行剪枝操作，包括：
計算所述原始模型的每個層中所有卷積核的權(quán)重的絕對值之和，并對各層中各卷積核的絕對值之和由大到小進行排序，保留排序結(jié)果中靠前的預設數(shù)量的卷積核。
4.如權(quán)利要求1所述的基于邊緣計算的對象識別方法，其特征在于，所述原始模型包括兩個層，所述基于第一訓練樣本集對所述剪枝后的模型進行訓練，得到剪枝結(jié)束的模型，包括：
當完成所述原始模型的第一層剪枝操作時，將完成第一層剪枝操作后的模型的學習率調(diào)整至預設區(qū)間，利用所述第一訓練樣本集中第一預設數(shù)量的訓練樣本對調(diào)整學習率后的模型進行訓練，得到訓練后的第一剪枝模型；
對所述第一剪枝模型執(zhí)行第二層剪枝操作，利用所述第一預設數(shù)量的訓練樣本對執(zhí)行第二層剪枝操作后的模型進行訓練，得到訓練后的第二剪枝模型；
利用所述第一訓練樣本集中第二預設數(shù)量的訓練樣本對所述第二剪枝模型進行訓練，得到所述剪枝結(jié)束的模型。
5.如權(quán)利要求1所述的基于邊緣計算的對象識別方法，其特征在于，所述調(diào)整學習率后的模型的訓練過程，包括：
將所述第一訓練樣本集中每個樣本輸入調(diào)整學習率后的模型，得到所述樣本集中每個樣本對應的預測結(jié)果；
基于所述樣本集中每個樣本的標注信息讀取所述第一訓練樣本集中每個樣本預先標注的真實結(jié)果。
通過最小化預測結(jié)果與真實結(jié)果之間的損失值確定調(diào)整學習率后的模型的結(jié)構(gòu)參數(shù)，得到訓練后的模型。
6.如權(quán)利要求1所述的基于邊緣計算的對象識別方法，其特征在于，所述基于第二訓練樣本集對所述剪枝結(jié)束的模型執(zhí)行混合精度訓練，包括：
將所述第二訓練樣本集劃分為多個批次，將前一批次樣本訓練得到的模型中單精度權(quán)重轉(zhuǎn)換為半精度權(quán)重；
基于所述半精度權(quán)重和所述模型的網(wǎng)絡結(jié)構(gòu)參數(shù)，對當前批次的訓練樣本進行預測得到輸出數(shù)據(jù)，并根據(jù)輸出數(shù)據(jù)和訓練樣本中的標注信息確定單精度損失值；
將所述單精度損失乘以當前批次樣本在所述第二訓練樣本集中的比例，得到半精度損失值，基于反向傳播算法及所述半精度損失值確定半精度梯度值；
將所述半精度梯度值除以所述比例，得到單精度梯度值，根據(jù)所述單精度梯度值更新所述單精度權(quán)重。
7.如權(quán)利要求1至6中任意一項所述的基于邊緣計算的對象識別方法，其特征在于，所述對待識別對象進行識別，包括：
接收用戶發(fā)出的對象識別請求，將所述請求中攜帶的待識別對象輸入所述目標壓縮模型，得到識別結(jié)果并將所述識別結(jié)果存儲至預設數(shù)據(jù)庫。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于中國平安財產(chǎn)保險股份有限公司，未經(jīng)中國平安財產(chǎn)保險股份有限公司許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202111137863.X/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 同類專利
- 專利分類
