[发明专利]一种基于深度神经网络模型的图像识别方法、装置及设备

权利要求书

1.一种基于深度神经网络模型的图像识别方法，其特征在于，包括：

获取待识别的目标图像；

将所述目标图像输入至利用通道的表征能力对深度神经网络模型进行通道剪枝后获得的目标模型中；

利用所述目标模型中的辅助分类器对所述目标图像进行分类处理，获得识别结果；

其中，获得所述目标模型的过程，包括：

在所述深度神经网络模型中插入批量归一化层、线性整流层、平均池化层构建辅助分类器；

在所述深度神经网络模型中插入辅助损失函数，并与所述深度神经网络模型的重构损失函数构成目标损失函数；

利用所述目标损失函数结合通道的表征能力，对所述辅助分类器进行训练，获得目标模型。

2.根据权利要求1所述的基于深度神经网络模型的图像识别方法，其特征在于，在所述深度神经网络模型中插入辅助损失函数，包括：

在所述深度神经网络模型中插入交叉熵损失函数。

3.根据权利要求2所述的基于深度神经网络模型的图像识别方法，其特征在于，所述利用所述目标损失函数结合通道的表征能力，对所述辅助分类器进行训练，获得目标模型，包括：

利用所述目标损失函数并结合通道的表征能力，在所述深度神经网络模型中选择待剪枝的冗余通道；

在所述深度神经网络模型中，剪去所述冗余通道，获得目标模型。

4.根据权利要求3所述的基于深度神经网络模型的图像识别方法，其特征在于，所述利用所述目标损失函数并结合通道的表征能力，在所述深度神经网络模型中选择待剪枝的冗余通道，包括：

获取表征所述深度神经网络模型中各个通道的重要性的通道选择向量；

利用所述目标损失函数对所述通道选择向量和模型参数进行优化；

将优化后通道选择向量的向量元素为0的通道确定为冗余通道。

5.根据权利要求4所述的基于深度神经网络模型的图像识别方法，其特征在于，所述利用所述目标损失函数对所述通道选择向量和模型参数进行优化，包括：

随机选择训练样本，并利用随机梯度下降算法和贪婪算法，令目标损失函数收敛；其中，为重构损失函数，为指定辅助损失函数，W为模型参数，β为通道选择向量；λ为所述指定辅助损失函数的权重。

6.一种基于深度神经网络模型的图像识别装置，其特征在于，包括：目标图像获取模块、目标图像输入模块、分类识别模块和目标模型获取模块；

其中，所述目标图像获取模块，用于获取待识别的目标图像；

所述目标图像输入模块，用于将所述目标图像输入至利用通道的表征能力对深度神经网络模型进行通道剪枝后获得的目标模型中；

所述分类识别模块，用于利用所述目标模型中的辅助分类器对所述目标图像进行分类处理，获得识别结果；

所述目标模型获取模块，包括：

辅助分类器构建单元，用于在所述深度神经网络模型中插入批量归一化层、线性整流层、平均池化层构建辅助分类器；

辅助损失函数插入单元，用于在所述深度神经网络模型中插入辅助损失函数，并与所述深度神经网络模型的重构损失函数构成目标损失函数；

训练单元，用于利用所述目标损失函数结合通道的表征能力，对所述辅助分类器进行训练，获得目标模型。

7.一种基于深度神经网络模型的图像识别设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述基于深度神经网络模型的图像识别方法的步骤。

8.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述基于深度神经网络模型的图像识别方法的步骤。