[发明专利]基于人工蜂群的图像识别方法、系统及存储介质

权利要求书

1.基于人工蜂群的图像识别方法，其特征在于，包括以下步骤：

获取若干携带标签的图像文件构成训练样本，根据所述训练样本训练得到深度学习模型，通过人工蜂群对所述深度学习模型进行压缩；

获取待识别的图像文件，根据压缩后的深度学习模型对所述待识别的图像文件进行分类识别；

所述通过人工蜂群对所述深度学习模型进行压缩这一步骤包括：

缩小所述深度学习模型的通道组合，通过所述人工蜂群搜索得到所述通道组合的剪枝结构。

2.根据权利要求1所述的基于人工蜂群的图像识别方法，其特征在于，所述根据所述训练样本训练得到深度学习模型这一步骤，其包括：

确定节点的联结权重以及激活函数，根据所述联结权重以及所述激活函数确定所述深度学习模型；

根据所述深度学习模型的网络层，确定剪枝模型以及所述剪枝模型的通道数量。

3.根据权利要求2所述的基于人工蜂群的图像识别方法，其特征在于，所述根据所述训练样本训练得到深度学习模型这一步骤，其包括：

通过根据所述标签以及所述深度学习模型确定误差，根据所述误差修正连接权重。

4.根据权利要求2所述的基于人工蜂群的图像识别方法，其特征在于，所述缩小所述深度学习模型的通道组合，通过所述人工蜂群搜索得到所述通道组合的剪枝结构这一步骤，其包括：

通过所述人工蜂群中的雇佣蜂对所述剪枝模型的结构生成若干第一结构候选；

根据所述第一结构候选替换所述剪枝模型。

5.根据权利要求4所述的基于人工蜂群的图像识别方法，其特征在于，所述根据所述第一结构候选替换所述剪枝模型这一步骤，其包括：

根据若干所述第一结构候选以及所述剪枝模型通过贪婪算法，确定所述第一结构候选的适合度，根据所述适合度将第一结构候选替换所述剪枝模型。

6.根据权利要求4所述的基于人工蜂群的图像识别方法，其特征在于，所述缩小所述深度学习模型的通道组合，通过所述人工蜂群搜索得到所述通道组合的剪枝结构这一步骤，其还包括：

通过所述人工蜂群中的跟随蜂确定所述结构候选的适合度概率，根据所述适合度概率得到第二结构候选；

根据所述第二结构候选替换所述剪枝模型。

7.根据权利要求5所述的基于人工蜂群的图像识别方法，其特征在于，所述缩小所述深度学习模型的通道组合，通过所述人工蜂群搜索得到所述通道组合的剪枝结构这一步骤，其还包括：

确定所述剪枝模型在循环周期内的更新次数小于预设值，由所述人工蜂群中的侦查蜂得到第三结构候选；

根据所述第三结构候选替换所述剪枝模型。

8.基于人工蜂群的图像识别系统，其特征在于，包括：

模型训练单元，用于获取若干携带标签的图像文件构成训练样本，根据所述训练样本训练得到深度学习模型，以及用于获取待识别的图像文件，根据压缩后的深度学习模型对所述待识别的图像文件进行分类识别；

模型压缩单元，用于通过人工蜂群对所述深度学习模型进行压缩；所述通过人工蜂群对所述深度学习模型进行压缩这一步骤包括：缩小所述深度学习模型的通道组合，通过所述人工蜂群搜索得到所述通道组合的剪枝结构。

9.基于人工蜂群的图像识别系统，其特征在于，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器运行如权利要求1-7任一项所述的基于人工蜂群的图像识别方法。

10.一种存储介质，其中存储有处理器可执行的程序，其特征在于：所述处理器可执行的程序在由处理器执行时用于运行如权利要求1-7中任一项所述的基于人工蜂群的图像识别方法。