[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

说明书

本申请公开了一种用于图像识别的深度学习方法及装置、客户端、服务器。该方法包括：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。本申请解决了大网络存在着训练速度较慢的技术问题。此外，本申请提出了全新的网络结构，可以直接替换现有深度学习方法，做到端到端的训练，减少了训练时间，同时也节省了人力成本。

技术领域

本申请涉及图像识别领域，具体而言，涉及一种用于图像识别的深度学习方法及装置、客户端、服务器，本申请提出的全新的网络结构，可以直接替换现有深度学习方法。

背景技术

随着计算机视觉的快速发展，人脸识别，物体检测等领域已经有了很大的进展，尤其在准确率上有了很大的提升，很多深层次网络的出现更是加快了人脸识别，物体检测等领域的进展，在很多计算机视觉的公开数据集上，都有了很大的飞跃。

比如，人脸识别LFW数据集，准确率已经达到99.83％，远超人眼准确度，如PascalVOC数据集，物体检测也将近90％的准确率，再如COCO数据集，物体检测达到50％以上的准确率，由此可见很多准确率高的方法都是基于很大的网络。然而上述方法中也有着运行速度慢的弊端，同时训练时间长。

发明人发现，基于上述大网络存在着训练速度较慢的问题。进一步实时性较差，无法支持大批量深度学习任务。

针对相关技术中大网络存在着训练速度较慢的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种用于图像识别的深度学习方法，以解决存在大网络中训练速度较慢的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种用于图像识别的深度学习方法。

根据本申请的用于图像识别的深度学习包括：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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

为了实现上述目的，根据本申请的另一方面，提供了一种用于图像识别的深度学习装置。

根据本申请的用于图像识别的深度学习装置包括：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。

进一步地，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。