一种图像识别方法、终端设备及存储介质技术

本发明专利技术涉及一种图像识别方法、终端设备及存储介质，该方法包括以下步骤：S1：采集图像并对其进行标记后组成训练集；S2：通过训练集对神经网络模型进行训练，并对训练后的神经网络模型进行剪枝，剪枝过程如下：S21：输入每层卷积层的所有卷积核，设定卷积层的最大簇间距，层数i＝N，N表示卷积层的总层数；S22：判断i<1是否成立，如果是，进入S26；否则，进入S23；S23：将第i层卷积层的所有通道进行聚类合并为M个簇；S24：根据合并后的M个簇，生成第i层卷积层的M个通道，使得每个通道仅保留一个卷积核；S25：令i＝i‑1，返回S22；S26：输出每层卷积层的所有卷积核；S3：通过剪枝后的神经网络模型进行图像识别。本发明专利技术提高了图像识别的效率。

An image recognition method, terminal equipment and storage medium

【技术实现步骤摘要】
一种图像识别方法、终端设备及存储介质
本专利技术涉及图像识别领域，尤其涉及一种图像识别方法、终端设备及存储介质。
技术介绍
目前，图像分类、人脸识别等图像分类识别中，通常采用神经网络模型进行识别。然而，随着人工智能技术的不断发展，神经网络模型的部署也需要逐渐完成从大型PC机到端侧的转移，但由于端侧计算资源有限，又同时要保证神经网络模型的大小和精度几乎不受影响，由此，各种神经网络模型的压缩技术越来越受关注。为了实现神经网络的压缩与加速，技术人员提出了诸如剪枝、量化、低秩分解等方案。最开始的剪枝方法按层权重绝对值大小剪枝，可以剪去激活较小的不重要的权重。通道剪枝则可以解决加速的问题，现有的通道剪枝方法主要有：(1)根据整体通道权值大小，整体权重较大的保留，而权重较小的剪除，典型的代表方法为PFEC(LiH,KadavA,DurdanovicI,etal.PruningFiltersforEfficientConvNets[J].2016)；(2)用一个最能代表整个层权重的通道卷积核来近似，然后计算其他通道到这个通道的欧式距离，依次剪去距离该本文档来自技高网...

【技术保护点】
1.一种图像识别方法，其特征在于，包括以下步骤：/nS1：采集图像并对其进行标记后组成训练集；/nS2：通过训练集对神经网络模型进行训练，并对训练后的神经网络模型进行剪枝，所述对神经网络模型进行剪枝的过程包括以下步骤：/nS21：输入神经网络模型中每层卷积层的所有卷积核，设定每层卷积层的最大簇间距，初始化设定层数i＝N，N表示卷积层的总层数；/nS22：判断i<1是否成立，如果是，进入S26；否则，进入S23；/nS23：将第i层卷积层的所有通道进行聚类合并为M个簇，使得合并后的任意两个簇之间的簇间距小于该层对应的最大簇间距；/nS24：根据合并后的M个簇，生成第i层卷积层的M个通道，使...

【技术特征摘要】
1.一种图像识别方法，其特征在于，包括以下步骤：
S1：采集图像并对其进行标记后组成训练集；
S2：通过训练集对神经网络模型进行训练，并对训练后的神经网络模型进行剪枝，所述对神经网络模型进行剪枝的过程包括以下步骤：
S21：输入神经网络模型中每层卷积层的所有卷积核，设定每层卷积层的最大簇间距，初始化设定层数i＝N，N表示卷积层的总层数；
S22：判断i<1是否成立，如果是，进入S26；否则，进入S23；
S23：将第i层卷积层的所有通道进行聚类合并为M个簇，使得合并后的任意两个簇之间的簇间距小于该层对应的最大簇间距；
S24：根据合并后的M个簇，生成第i层卷积层的M个通道，使得每个通道仅保留一个卷积核；
S25：令i＝i-1，返回S22；
S26：输出每层卷积层的所有卷积核；
S3：通过剪枝后的神经网络模型对待识别图像进行识别后输出。


2.根据权利要求1所述的图像识别方法，其特征在于：步骤S23中聚类合并的方法包括以下...

【专利技术属性】
技术研发人员：孙伟鹏，尤俊生，高志鹏，赵建强，
申请(专利权)人：厦门市美亚柏科信息股份有限公司，
类型：发明
国别省市：福建;35