目标识别方法、装置、电子设备和计算机可读存储介质与流程

本发明涉及人工智能，具体而言，涉及一种目标识别方法、装置、电子设备和计算机可读存储介质。

背景技术：

1、随着卷积神经网络应用的普及，越来越多的设备都需要部署卷积神经网络，但是卷积神经网络由于参数量和计算量太大，会受到设备诸如计算力、内存、电量消耗等硬件条件的限制，导致模型推断速度慢。

2、例如，在目标识别的应用场景中，基于卷积神经网络建构的识别模型，如果识别模型的参数量过大，会导致识别过程的计算量过大，极大地影响了目标识别的效率，对识别模型进行参数量化虽然能够减少识别模型在识别时的计算量，但是参数量化会导致量化损失，量化损失过大会影响识别模型的识别准确率，如何既能提高识别模型的识别效率又保证识别准确率是本领域技术人员亟待解决的技术问题。

技术实现思路

1、本发明的目的在于提供了一种目标识别方法、装置、电子设备和计算机可读存储介质，其能够在目标识别时既能提高识别效率又能保证识别准确率。

2、本发明的实施例可以这样实现：

3、第一方面，本发明提供一种目标识别方法，所述方法包括：

4、获取待识别图像；

5、利用预设识别模型对所述待识别图像中的待识别目标进行识别，得到识别结果，其中，所述预设识别模型是对预先构建的原始模型进行训练并对训练后的原始模型进行参数量化后得到的，在对所述原始模型进行训练的过程中利用预设更新函数对所述原始模型的目标参数的分布进行更新，以在对训练后的原始模型进行参数量化时控制量化损失；

6、所述预设更新函数为：

7、，其中，为更新后的目标参数对应的参数阵列，为更新前的目标参数对应的参数阵列，为预设学习率，为用于对进行反向传播损失更新的损失项，为反向传播损失，为用于对进行分布更新的正则项，为预设正则化权重，为更新前的目标参数对应的参数阵列的行数和列数中的较小值，为矩阵各向同性度量函数，，为矩阵第大的奇异值，为取矩阵对角线上的元素求和，为求积运算，为的转置矩阵。

8、在可选的实施方式中，所述预设识别模型是通过以下方式得到的：

9、获取预先构建的原始模型，所述原始模型包括初始参数；

10、在每次训练所述原始模型时，利用所述预设更新函数对当前参数中的目标参数进行反向传播损失更新和分布更新，直至满足预设训练终止条件，得到训练后的原始模型，所述当前参数在第一次训练时为所述初始参数，在非第一次训练时为上一次训练时更新后的当前参数；

11、对所述训练后的原始模型进行参数量化，得到所述预设识别模型。

12、在可选的实施方式中，所述原始模型包括卷积层和全连接层，所述目标参数包括所述卷积层的参数，或者，所述目标参数包括所述卷积层的参数和所述全连接层的参数。

13、第二方面，本发明提供一种目标识别装置，所述装置包括：

14、获取模块，用于获取待识别图像；

15、识别模块，用于利用预设识别模型对所述待识别图像中的待识别目标进行识别，得到识别结果，其中，所述预设识别模型是对预先构建的原始模型进行训练并对训练后的原始模型进行参数量化后得到的，在对所述原始模型进行训练的过程中利用预设更新函数对所述原始模型的目标参数的分布进行更新，以在对训练后的原始模型进行参数量化时控制量化损失；

16、所述预设更新函数为：

17、，其中，为更新后的目标参数对应的参数阵列，为更新前的目标参数对应的参数阵列，为预设学习率，为用于对进行反向传播损失更新的损失项，为反向传播损失，为用于对进行分布更新的正则项，为预设正则化权重，为更新前的目标参数对应的参数阵列的行数和列数中的较小值，为矩阵各向同性度量函数，，为矩阵第大的奇异值，为取矩阵对角线上的元素求和，为求积运算，为的转置矩阵。

18、在可选的实施方式中，所述预设识别模型是通过以下方式得到的：

19、获取预先构建的原始模型，所述原始模型包括初始参数；

20、在每次训练所述原始模型时，利用所述预设更新函数对当前参数中的目标参数进行反向传播损失更新和分布更新，直至满足预设训练终止条件，得到训练后的原始模型，所述当前参数在第一次训练时为所述初始参数，在非第一次训练时为上一次训练时更新后的当前参数；

21、对所述训练后的原始模型进行参数量化，得到所述预设识别模型。

22、在可选的实施方式中，所述原始模型包括卷积层和全连接层，所述目标参数包括所述卷积层的参数，或者，所述目标参数包括所述卷积层的参数和所述全连接层的参数。

23、第三方面，本发明提供一种电子设备，包括处理器和存储器，所述存储器用于存储程序，所述处理器用于在执行所述程序时，实现前述实施方式中第一方面所述的目标识别方法。

24、第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前述实施方式中第一方面所述的目标识别方法。

25、与现有技术相比，本发明利用预设识别模型对待识别图像中的待识别目标进行识别，得到识别结果，所述预设识别模型是对预先构建的原始模型进行训练并对训练后的原始模型进行参数量化后得到的，由于原始模型在训练过程中，对原始模型的目标参数的分布进行了更新，因此，在对训练后的原始模型进行参数量化时能够基于分布更新后的目标参数将量化损失控制在预期范围内，避免了量化损失过大而影响量化得到的预设识别模型的识别准确率，实现了在目标识别时既能提高识别效率又能保证识别准确率。

技术特征：

1.一种目标识别方法，其特征在于，所述方法包括：

2.如权利要求1所述的目标识别方法，其特征在于，所述预设识别模型是通过以下方式得到的：

3.如权利要求1所述的目标识别方法，其特征在于，所述原始模型包括卷积层和全连接层，所述目标参数包括所述卷积层的参数，或者，所述目标参数包括所述卷积层的参数和所述全连接层的参数。

4.一种目标识别装置，其特征在于，所述装置包括：

5.如权利要求4所述的目标识别装置，其特征在于，所述预设识别模型是通过以下方式得到的：

6.如权利要求4所述的目标识别装置，其特征在于，所述原始模型包括卷积层和全连接层，所述目标参数包括所述卷积层的参数，或者，所述目标参数包括所述卷积层的参数和所述全连接层的参数。

7.一种电子设备，其特征在于，包括处理器和存储器，所述存储器用于存储程序，所述处理器用于在执行所述程序时，实现权利要求1-3中任一项所述的目标识别方法。

8.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该计算机程序被处理器执行时实现如权利要求1-3中任一项所述的目标识别方法。

技术总结本发明涉及人工智能技术领域，提供了一种目标识别方法、装置、电子设备和计算机可读存储介质，所述方法包括：获取待识别图像；利用预设识别模型对待识别图像中的待识别目标进行识别，得到识别结果，其中，预设识别模型是对预先构建的原始模型进行训练并对训练后的原始模型进行参数量化后得到的，在对原始模型进行训练的过程中利用预设更新函数对原始模型的目标参数的分布进行更新，以在对训练后的原始模型进行参数量化时控制量化损失。本发明能够在目标识别时既能提高识别效率又能保证识别准确率。技术研发人员：胡峻毅,周杨瑞,白天,张义夫,庞天吉,何贤昆受保护的技术使用者：西安第六镜网络科技有限公司技术研发日：技术公布日：2024/8/5