[发明专利]一种应用于手机端的深度学习图像识别系统及实现方法

说明书

本发明公开了一种应用于手机端的深度学习图像识别系统及实现方法，方法包括：根据概念划分映射得到一树状类别映射关系；基于原始的Inception‑v3网络结构，在网络中的降维处各增加一并联分支作为网络下一层的输入得到改进的Inception‑v3网络结构；按照所述改进的Inception‑v3网络结构并在设定类上根据所述树状类别映射关系训练得到基模型；对所述基模型进行压缩后在手机端运行识别出图像；所述压缩至少包括：参数稀疏化、参数量化或者参数稀疏存储中的一种。本发明中提供基于概念类别映射的树状图像识别、并在算法上对原始Inception‑v3模型结构做改进，同时提供了一种在不影响改进模型准确率情况下有效压缩模型的方法，保证模型在手机端有效稳定运行。

技术领域

本发明涉及手机端图像识别技术，特别涉及一种应用于手机端的深度学习图像识别系统及实现方法。

背景技术

图像识别综合了很多学科内容，其中包括计算机科学与技术、物理学、统计学以及神经生物学等，广泛应用于地质勘探、图像遥感、机器人视觉、生物医学等多个领域。图像识别技术在个人计算机以及嵌入式终端设备上也已有很多成熟的应用案例，而随着手机功能的不断增强，该技术也逐渐被应用到智能手机但智能手机本身的弱处理能力和低内存的局限性对计算复杂的识别算法提出了考验。

目前智能手机发展非常迅速，基本上都集成高速处理芯片、大容量存储器、内置了百万像素的摄像头和WI-FI无线局域网接口卡，甚至一些高端的设备中还集成了大量传感器如GPS定位传感器和加速度传感器等这些性能不断提高的硬件设备，给计算机视觉和图像处理领域带来了新的发展空间，许多原来运行在PC上的计算机视觉算法，通过改进和优化，能有效的运行的智能终端的平台上。但是，相对于现在配备高速处理芯片和大容量存储芯片的服务器，智能手机还存在以下不足：较低的图像分辨率、缺少专门的图形加速器、没有浮点运算单元、尤其是低端处理器和低容量存储器等，限制了在智能手机上进行复杂运算和大规模计算

具体而言，现有的手机端图像识别技术中具有较多实现方式，比如，手机端单层次的类别图像识别，但缺点在于：类别数不够丰富，也没有表现类别之间的联系。比如，用于分类的卷积神经网络算法模型Inception-v3结构(相较于前一版本v3一个最重要的改进是分解(Factorization)，将7x7分解成两个一维的卷积(1x7,7x1)，3x3也是一样(1x3,3x1)，这样的好处，既可以加速计算(多余的计算能力可以用来加深网络)，又可以将1个conv拆成2个conv，使得网络深度进一步增加，增加了网络的非线性，还有值得注意的地方是网络输入从224x224变为了299x299，更加精细设计了35x35/17x17/8x8的模块。)，但缺点在于：在原始结构内有两处直接一个Pooling层降维，容易造成一定的信息损失。比如，模型参数稀疏化，但缺点在于：直接用一个简单的阈值去减参数，导致模型准确率有一定的损失。又比如，模型参数量化，但缺点在于：K-means聚类易受参数数量大小而影响效果，鲁棒性不够；改变量化中心的方式计算量大，训练速度慢。再比如，模型参数稀疏存储，但缺点在于：对所有卷积层使用同样的比特位大小，存储效率不高。

综上，现如今的手机端图像识别系统大多采用深度学习训练得到的深度模型进行识别，但是如何有效率的展示图像识别的结果、如何更加准确的识别图像、同时还能在不影响模型识别准确率的情况下压缩模型，减少模型存储和计算量以适用于手机端，是有待解决的问题。

发明内容

本发明要解决的技术问题是，提供基于概念类别映射的树状图像识别、并在算法上对原始Inception-v3模型结构做改进，同时提供了一种在不影响改进模型准确率情况下有效压缩模型的方法，保证模型在手机端有效稳定运行的深度学习图像识别系统。

解决上述技术问题，本发明提供了一种应用于手机端的深度学习图像识别方法，包括如下步骤：

根据概念划分映射得到一树状类别映射关系；