[发明专利]基于计算卸载机制的图像识别方法

权利要求书

1.基于计算卸载机制的图像识别方法，其特征在于，该方法具体包括以下步骤：

S1)利用数据集对轻量级神经网络模型进行训练；

S2)根据训练后的轻量级神经网络模型中每个卷积层中输出的特征图大小、感受野大小以及前段网络模型的计算量比率，从而计算出模型中每个卷积层的分段评价值，建立分段评价值曲线图，根据分段评价值曲线图确定合理的分段点；

S3)根据分段点计算结果，将训练后的轻量级神经网络模型分为部署在移动端的前段网络模型和部署在云端的后段网络模型，并建立通信连接；

S4)利用所述数据集对后段网络模型进行再训练；

S5)将移动端采集的图像输入前段网络模型，得到输入图像的特征图，对输入图像的特征图进行压缩，并发送后段网络模型；

S6)所述后段网络模型将接收到的输入图像的特征图进行解压缩和近似恢复；

S7)将解压后的输入图像的特征图通过后段网络模型进行识别，将识别后的信息返回到移动端，完成识别。

2.根据权利要求1所述的方法，其特征在于，所述轻量级神经网络模型为MobileNetV2模型或LeNet模型。

3.根据权利要求2所述的方法，其特征在于，所述S2)的具体步骤为：

S2.1)通过以下公式求出所述前段网络模型计算量比率M_n：

其中，D为神经网络所包含的卷积层的层数，m_i为第i层的计算任务消耗；

且，

其中，l_n为第n层的网络输出特征图的边长，k_n为第n层的卷积核边长，C_n为第n层的输入图像的特征图的通道数，α为变换系数且为固定的常数；

S2.2)计算卷积神经网络中某一层的感受野大小公式为：

其中，j_n表示为第n层之前对每一层的步长stride的累积，r_n即为第n层的感受野大小，初始值为j_n＝1,r_n＝1，S_n为每一层的步长；

S2.3)设分段评价值为η，η越小则表明越适合在所在层进行分段，所述分段评价值η的计算公式为：

其中，C₀为输入图像的特征图的通道数,l₀为输入图像的特征图的边长，

根据计算出模型中每层的分段评价值，建立分段评价值曲线图；

S2.4)根据S2.3)得到网络各层η_n值曲线图，确定分段点。

4.根据权利要求2所述的方法，其特征在于，所述S4)的具体步骤为：

S4.1)对后段网络模型进行再训练，学习率更新公式为：

β_N＝β₀·0.98^N-1，

其中，N为训练轮数，β₀为网络预训练时最后一轮的学习率。

5.根据权利要求3所述的方法，其特征在于，所述S5)的具体步骤为：

S5.1)将移动端获取的传入的图像作为处理图像，输入前段网络模型提取输入图像的特征图，得到特征图矩阵；

S5.2)对得到的特征图矩阵进行分块切割为6x6大小的分块矩阵；

S5.3)再将S5.2)得到的分块矩阵采用位图缩放方法缩放为-127 至128之间缩略图，并发送后段网络模型。

6.根据权利要求4所述的方法，其特征在于，所述位图缩放方法采用8位图像数据精度范围缩放公式进行缩放，公式如下所示：

其中，X’为缩放输出值，X为输入值，max(|X|)表示X的绝对值的最大值。