[發明專利]低比特網絡的圖像識別方法、系統及電子設備

在審

• 申請號: 202210665482.7
• 申請日: 2022-06-13
• 公開（公告）號: CN114972957A
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 劉帥;王賢良;孟凡軍
• 申請（專利權）人: 北京海鑫智圣技術有限公司
• 主分類號: G06V10/82
• 分類號: G06V10/82;G06F7/483;G06V10/74;G06V10/764;G06V40/12;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: 劉艷

本發明涉及圖像識別技術領域，提供一種低比特網絡的圖像識別方法、系統及電子設備，其中方法包括：將獲取的待識別圖像輸入圖像識別模型識別出圖像特征；基于圖像特征與預存的特征樣本，得到識別結果；其中，將輸入圖像識別模型的網絡層的特征值以及網絡層的浮點權重分別量化為預設第一位寬的特征值數據和預設第二位寬的權重數據，預設第一位寬和預設第二位寬分別小于量化前的特征值和浮點權重的位寬。該方法用以解決現有技術中在基于深度學習的圖像識別中，應用浮點數據進行運算，所造成的需要較高存儲資源和計算資源支持的缺陷，實現浮點數據的低比特量化，進而降低基于深度學習的圖像識別，對存儲資源和計算資源的要求，提高識別效率。

技術領域

本發明涉及圖像識別技術領域，尤其涉及一種低比特網絡的圖像識別方法、系統及電子設備。

背景技術

目前基于深度學習的方法可以很好地對圖像特征進行描述，但是深度學習的方法，在模型的網絡層中參與運算的是單精度的浮點數據，而浮點數據一般為位寬32比特的數據，運算數據量大，因而使得基于深度學習的圖像識別計算復雜度高，需要較高的存儲資源和計算資源。

發明內容

本發明提供一種低比特網絡的圖像識別方法、系統及電子設備，用以解決現有技術中在基于深度學習的圖像識別中，應用浮點數據進行運算，所造成的需要較高存儲資源和計算資源支持的缺陷，實現浮點數據的低比特量化，進而降低基于深度學習的圖像識別，對存儲資源和計算資源的要求，提高識別效率。

本發明提供一種低比特網絡的圖像識別方法，包括：

獲取待識別圖像；

將所述待識別圖像輸入圖像識別模型中，識別所述待識別圖像的圖像特征；

基于所述待識別圖像的圖像特征與預存的特征樣本，得到所述待識別圖像的識別結果；

其中，針對所述圖像識別模型的每個網絡層，將輸入所述網絡層的特征值以及所述網絡層的浮點權重分別量化為預設第一位寬的特征值數據和預設第二位寬的權重數據，所述預設第一位寬和所述預設第二位寬分別小于量化前的所述特征值的位寬和所述浮點權重的位寬。

根據本發明所述的低比特網絡的圖像識別方法，所述將輸入所述網絡層的特征值以及所述網絡層的浮點權重分別量化為預設第一位寬的特征值數據和預設第二位寬的權重數據，包括：

按照第一預設規則，將所述特征值限制在第一預設數值范圍內；

基于限制在所述第一預設數值范圍內的所述特征值和所述預設位寬，得到所述特征值數據。

根據本發明所述的低比特網絡的圖像識別方法，所述第一預設規則為：

當所述特征值小于所述第一預設數值范圍的下限值時，將所述特征值設定為等于所述下限值；

當所述特征值處于所述第一預設數值范圍內時，保持所述特征值不變；

當所述特征值大于所述第一預設數值范圍的上限值時，將所述特征值設定為等于所述上限值。

根據本發明所述的低比特網絡的圖像識別方法，所述基于限制在所述第一預設數值范圍內的所述特征值和所述預設位寬，得到所述特征值數據，包括：

基于所述預設第一位寬，得到在所述預設第一位寬下的最大值；

將限制在所述第一預設數值范圍內的所述特征值和在所述預設第一位寬下的最大值相乘，得到第一乘積；

對所述第一乘積進行取整，得到所述特征值數據。

根據本發明所述的低比特網絡的圖像識別方法，所述將輸入所述網絡層的特征值以及所述網絡層的浮點權重分別量化為預設第一位寬的特征值數據和預設第二位寬的權重數據，包括：

按照第二預設規則，將所述浮點權重變換到第二預設數值范圍內；