一种图像特征提取方法、装置、设备及可读存储介质制造方法及图纸

本发明专利技术公开了一种图像特征提取方法，该方法包括：获取原始图像，并利用与定点化位数对应的压缩值，对原始图像的各个像素值进行压缩，获得目标图像；将目标图像输入至定点化的深度卷积神经网络模型中；利用深度卷积神经网络模型对目标图像进行定点化计算，获得目标图像的图像特征。在计算速度上定点化计算相较于浮点化计算更为快速，且在实际应用中更容易实现。在特征提取时，以定点化计算还可以降低存储开销，可减少计算机资源的占用，进一步提升计算速度，进而可以进行实时的图像特征提取。本发明专利技术还公开了一种图像特征提取装置、设备及可读存储介质，具有相应的技术效果。

【技术实现步骤摘要】
一种图像特征提取方法、装置、设备及可读存储介质
本专利技术涉及图像处理
，特别是涉及一种图像特征提取方法、装置、设备及可读存储介质。
技术介绍
以深度神经网络为主导的算法，所设计的图像特征提取应用，被广泛应用到人们的日常工作和学习中。深度神经网络往往由其十几甚至上百的卷积层构成，计算过程中产生的特征映射需要占据大量的存储空间。另外，权重浮点化计算无法实现实时的图像特征提取的处理效果。这都导致图像特征提取的计算速度缓慢。但是，目前对深度卷积神经网络模型的压缩，主要通过特征映射定点量化，特别是指通过层间规则或者非规则量化方法进行模型压缩，以提升图像特征提取速度的方法，存在压缩后的深度神经网络模型的处理精度无法得到保障的缺点，使得提取到的图像特征的精度达不到用户需求。综上所述，如何快速、有效地提取图像特征等问题，是目前本领域技术人员急需解决的技术问题。
技术实现思路
本专利技术的目的是提供一种图像特征提取方法、装置、设备及可读存储介质，以实现对深度神经网络模型进行压缩的目的。为解决上述技术问题，本专利技术提供如下技术方案：一种图像特征提取方法，包括：获取原始图像，并利用与定点化位数对应的本文档来自技高网...

【技术保护点】
1.一种图像特征提取方法，其特征在于，包括：获取原始图像，并利用与定点化位数对应的压缩值，对所述原始图像的各个像素值进行压缩，获得目标图像；将所述目标图像输入至定点化的深度卷积神经网络模型中；利用所述深度卷积神经网络模型对所述目标图像进行定点化计算，获得所述目标图像的图像特征。

【技术特征摘要】
1.一种图像特征提取方法，其特征在于，包括：获取原始图像，并利用与定点化位数对应的压缩值，对所述原始图像的各个像素值进行压缩，获得目标图像；将所述目标图像输入至定点化的深度卷积神经网络模型中；利用所述深度卷积神经网络模型对所述目标图像进行定点化计算，获得所述目标图像的图像特征。2.根据权利要求1所述的图像特征提取方法，其特征在于，利用所述深度卷积神经网络模型对所述目标图像进行定点化计算，包括：在卷积层获取到所述目标图像对应的处理数据之后，利用定点化计算的方式对所述处理数据进行卷积操作，并输出卷积结果至所述卷积层的下一层。3.根据权利要求1所述的图像特征提取方法，其特征在于，在将所述目标图像输入至定点化的深度卷积神经网络模型中之前，还包括：利用预设训练数据，对卷积层后具有BN层的预设深度卷积神经网络模型进行浮点化训练，获得第一深度卷积神经网络模型；在所述第一深度卷积神经网络模型中，将所述卷积层的权重参数与所述BN层的参数进行融合并更新卷积权重，获得第二深度卷积神经网络模型；去掉所述第二深度卷积神经网络中的所述BN层，获得第三深度卷积神经网络模型；对所述第三深度卷积神经网络模型进行定点化训练，获得定点化的深度卷积神经网络。4.根据权利要求3所述的图像特征提取方法，其特征在于，所述对所述第三深度卷积神经网络模型进行定点化训练，包括：将所述第三深度卷积神经网络模型中的卷积层的卷积权重乘以与所述定点化位数匹配的目标数值后，进行卷积操作；在所述卷积层输出数据时，将所述卷积权重及输出数据除以所述目标数值。5.根据权利要求3所述的图像特征提取方法，其特征在于，...

【专利技术属性】
技术研发人员：孙茂芬，葛鹤银，牛群遥，章勇，曹李军，陈卫东，
申请(专利权)人：苏州科达科技股份有限公司，
类型：发明
国别省市：江苏,32