[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

说明书

本发明公开了一种基于深度神经网络模型的图像识别方法，该方法包括：获取待识别的目标图像；将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；利用目标模型中的辅助分类器对目标图像进行分类处理，获得识别结果。由于识别目标图像的目标模型是基于通道的表征能力进行剪枝后的模型，因而，对目标图像进行识别时的计算量可大幅度降低。本发明还公开了一种基于深度神经网络模型的图像识别装置、设备及可读存储介质，具有相应的技术效果。

技术领域

本发明涉及智能识别技术领域，特别是涉及一种基于深度神经网络模型的图像识别方法、装置、设备及可读存储介质。

背景技术

目前，图像分类、人脸识别等图像分类识别中，深度神经网络模型至关重要。然而，深度神经网络具有参数多、计算量大的特点，造成了大量的内存需求以及计算负担，使得深度神经网络模型难以应用到存储和计算资源有限的如手机等硬件设备中。

综上所述，如何有效地解决减少图像识别的计算量等问题，是目前本领域技术人员急需解决的技术问题。

发明内容

本发明的目的是提供一种基于深度神经网络模型的图像识别方法、装置、设备及可读存储介质，以实现减少基于深度神经网络模型的图像识别时的计算量。

为解决上述技术问题，本发明提供如下技术方案：

一种基于深度神经网络模型的图像识别方法，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。

优选地，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。

优选地，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。

优选地，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。

优选地，所述利用所述目标损失函数对所述重要通道的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，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。