[发明专利]用于图像识别的深度学习方法及装置、客户端、服务器

权利要求书

1.一种用于图像识别的深度学习方法，其特征在于，包括：

在输入层输入待识别图片；

建立多个分组卷积模块；

通过多个所述分组卷积模块输出所述待识别图片的特征图；以及

根据所述特征图在输出层输出图像识别结果；

其中，所述分组卷积模块中至少包括：一深度可分离卷积单元和一预设卷积核大小的卷积单元。

2.根据权利要求1所述的深度学习方法，其特征在于，通过多个所述分组卷积模块输出所述待识别图片的特征图之后还依次通过：批归一化层和激活函数层。

3.根据权利要求1所述的深度学习方法，其特征在于，根据所述特征图在输出层输出图像识别结果包括：

在激活函数层如果判断属于回归问题，则使用smooth_L1_Loss函数；

在激活函数层如果判断属于分类问题，则使用A-Softmax函数。

4.根据权利要求1所述的深度学习方法，其特征在于，根据所述特征图在输出层输出图像识别结果包括：

在批归一化层按照图片批数量执行组归一化处理操作和批量归一化处理操作；

通过通道个数建立分组；

在每个分组中计算平局值和方差。

5.根据权利要求1所述的深度学习方法，其特征在于，每个所述分组卷积模块中至少包括：一深度可分离卷积单元和一卷积核大小为1*1的卷积单元。

6.一种用于图像识别的深度学习装置，其特征在于，

输入模块，用于在输入层输入待识别图像；

建立模块，用于建立多个分组卷积模块；

卷积模块，用于通过多个所述分组卷积模块输出所述待识别图片的特征图，其中，所述分组卷积模块中至少包括：一深度可分离卷积单元和一预设卷积核大小的卷积单元；

输出模块，用于根据所述特征图在输出层输出图像识别结果。

7.根据权利要求6所述的深度学习装置，其特征在于，所述输出模块包括：

第一激活层模块，用于在激活函数层如果判断属于回归问题，则使用smooth_L1_Loss函数；

第二激活层模块，用于在激活函数层如果判断属于分类问题，则使用A-Softmax函数。

8.根据权利要求6所述的深度学习装置，其特征在于，所述输出模块包括：归一化模块，

所述归一化模块，用于在批归一化层按照图片批数量执行组归一化处理操作和批量归一化处理操作；

通过通道个数建立分组；

在每个分组中计算平局值和方差。

9.一种客户端，用于识别人脸、检测物体，其特征在于，包括：如权利要求6至8任一项所述的深度学习装置。

10.一种服务器，其特征在于，包括：

接收子服务器，用于接收在输入层输入待识别图像；

建立子服务器，用于建立多个分组卷积模块；

卷积子服务器，用于通过多个所述分组卷积模块输出特征图，其中，所述分组卷积模块中至少包括：一深度可分离卷积单元和一预设卷积核大小的卷积单元；

输出子服务器，用于根据所述特征图在输出层输出图像识别结果。