基于卷积神经网络的玩具检测加速方法和装置制造方法及图纸

本公开涉及基于卷积神经网络的玩具检测模型加速方法和装置。该方法包括：对标准卷积操作进行1X1卷积的因式分解；通过迭代式剪枝方法对模型进行裁剪；通过分组式5bit量化进行模型优化；通过霍夫曼编码对模型进行压缩；应用本公开，可很大程度优化网络模型，提高模型推理速度，可以在移动终端达到实时检测玩具的效果，而且对模型的准确率和召回率基本没有影响。优化后的模型参数也极大程度减小，可以轻易下载并存储在移动终端。

Toy detection acceleration method and device based on convolutional neural network

【技术实现步骤摘要】
基于卷积神经网络的玩具检测加速方法和装置
本公开涉及玩具的图像检测加速领域，尤其涉及基于卷积神经网络的玩具检测加速方法和装置。
技术介绍
益智类玩具对培养孩子的逻辑思维能力、空间想象能力和记忆能力等有很大的帮助，但是孩子需要专业的培训机构或者父母专业的指导，才能逐步深入地认识到这类玩具的技巧和乐趣，大部分孩子接触到这类玩具，只是简单玩个入门，遇到困难无法解决后就将其束之高阁。为了解决上述问题，我们可以通过带摄像头和计算单元的装置，实时获取到孩子玩益智类玩具的视频，通过视频识别和分析孩子操作玩具的过程，当孩子遇到问题无法解决的时候，可以通过屏幕或者是语音给孩子提供相应的提示和引导，帮忙孩子完成益智玩具的任务，帮忙孩子逐步探索出益智玩具的技巧和培养相应的能力。上述解决方案的核心是对玩具的图像识别算法，目前识别准确率和鲁棒性最高的方法是采用卷积神经网络，但是一般卷积神经网络的层数较深，需要大量的计算资源，所以常用的方案是将卷积神经网络的推理放在带GPU的服务器端，移动终端通过上传需要识别的图像到服务器端，服务器端再返回识别结果。这种方本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的玩具检测加速方法，其特征在于，所述的方法包括：/n通过1X1卷积优化标准卷积操作；/n通过迭代式剪枝方法进行模型裁剪；/n通过分组式5bit量化进行模型优化；/n通过霍夫曼编码方式进行模型压缩。/n

【技术特征摘要】
1.一种基于卷积神经网络的玩具检测加速方法，其特征在于，所述的方法包括：
通过1X1卷积优化标准卷积操作；
通过迭代式剪枝方法进行模型裁剪；
通过分组式5bit量化进行模型优化；
通过霍夫曼编码方式进行模型压缩。


2.根据权利要求1所述的方法，其特征在于，所述方法还包括
迭代式的模型剪枝方法，通过权值法和熵值法寻找不重要的参数；
将不重要的参数进行裁剪，剪枝后微调(fine-tune)训练，再不断重复这个过程，最后再进行完整的训练。


3.根据权利要求1所述的方法，其特征在于，所述方法还包括
分组迭代式的5bit模型量化方法，通过权值法对模型参数进行分组；
将权值高的参数分组进行5bit量化；将权值低的参数分组进行微调(fine-tune)；
不断重复上述过程进行迭代，直至完成整个模型的5bit量化。


4.根据权利要求1所述的方法，其特征在于，所述方法还包括
对标准卷积进行1*1卷积因式分解的模型加速方法，将标准卷积核进行...

【专利技术属性】
技术研发人员：卓迎，
申请(专利权)人：卓迎，
类型：发明
国别省市：浙江;33