对象识别方法和装置、数据处理方法制造方法及图纸

本公开提供一种对象识别方法和装置、数据处理方法。该方法包括：从预设数据库中提取与第一对象对应的样本数据，将样本数据输入至预设的被赋予了初始网络参数的初始网络模型进行训练，得到第一网络模型，根据泰勒展开的分块剪枝策略计算第一网络模型的初始剪枝优化函数，根据预设的第一网络模型的每一卷积层的加权系数对初始剪枝优化函数进行优化处理，得到目标剪枝函数，根据目标剪枝函数和第一网络模型生成目标网络模型，接收第二对象发送的用于识别第一对象的识别请求，根据目标网络模型对第一识别对象进行识别，实现高效率、高可靠识别和高精度识别，进而得到准确且可靠的识别结果。结果。结果。

【技术实现步骤摘要】
对象识别方法和装置、数据处理方法


[0001]本公开涉及互联网
，具体涉及识别处理
，尤其涉及一种对象识别方法和装置、数据处理方法。

技术介绍

[0002]随着互联网技术和人工智能技术的不断发展，通过网络模型对对象进行识别(如检测和分割等)被广泛应用于各个领域(如自动驾驶等)。
[0003]在现有技术中，主要通过对样本数据进行采集，基于样本数据训练一个参数冗余的大型网络模型，再基于模型剪枝(Model Pruning)对网络模型进行剪枝处理，如使用对角Hessian逼近计算每个权值的重要性，重要性低的权值被置零，然后重新训练网络；或者，使用逆Hessian矩阵计算每个权值的重要性，重要性低的权值被置零，剩下的权值使用二阶泰勒逼近的loss增量更新；又或者，将权值取绝对值，与设定的threshhold值进行比较，低于门限的权值被置零，并根据剪枝处理后的网络模型对待识别对象进行识别。
[0004]然而专利技术人在实现本公开的过程中，发现至少存在如下问题：由于通过上述现有技术中的剪枝方法存在很大的局限性，导致现有技术中识别速度较慢且识别精确度偏低。

技术实现思路

[0005]本公开提供一种对象识别方法和装置、数据处理方法，用以解决现有技术中剪枝方法存在很大的局限性，导致现有技术中识别速度较慢且识别精确度偏低的问题。
[0006]一方面，本公开实施例提供一种对象识别方法，所述方法包括：
[0007]从预设数据库中提取与第一对象对应的样本数据；
[0008]将所述样本数据输入至预设的被赋予了初始网络参数的初始网络模型进行训练，得到第一网络模型；
[0009]根据泰勒展开的分块剪枝策略计算所述第一网络模型的初始剪枝优化函数；
[0010]根据预设的所述第一网络模型的每一卷积层的加权系数对所述初始剪枝优化函数进行优化处理，得到目标剪枝函数；
[0011]根据所述目标剪枝函数和所述第一网络模型生成目标网络模型；
[0012]接收第二对象发送的用于识别所述第一对象的识别请求；
[0013]根据所述目标网络模型对所述第一识别对象进行识别。
[0014]在一些实施例中，所述根据所述目标剪枝函数和所述第一网络模型生成目标网络模型包括：
[0015]根据所述目标剪枝函数对所述第一网络模型进行剪枝处理，得到第二网络模型；
[0016]对所述第二网络模型进行正交初始化训练，得到所述目标网络模型。
[0017]在一些实施例中，所述对所述第二网络模型进行正交初始化训练，得到所述目标网络模型包括：
[0018]针对所述第二网络模型中的每一卷积层中的每一个卷积核，分别计算所述每一个
卷积核与其他卷积核之间的相关性；
[0019]根据所述相关性对所述第二网络模型进行剪枝处理，得到第三网络模型；
[0020]根据对所述第二网络模型进行剪枝处理后剩下的第一参数对所述第三网络模型进行训练，得到第四网络模型；
[0021]将所述第一参数和对所述第二网络模型进行剪枝处理对应的第二参数进行正交初始化，得到第三参数；
[0022]根据所述第三参数对所述第四网络模型进行训练，得到所述目标网络模型。
[0023]在一些实施例中，根据泰勒展开的分块剪枝策略计算所述第一网络模型的初始剪枝优化函数包括：
[0024]根据泰勒展开的分块剪枝算法计算所述第一网络模型中每一卷积层的梯度值和输出特征值；
[0025]将所述梯度值和所述输出特征值的乘积确定为所述初始剪枝优化函数。
[0026]在一些实施例中，所述根据预设的所述第一网络模型的每一卷积层的加权系数对所述初始剪枝优化函数进行优化处理，得到目标剪枝函数包括：
[0027]根据所述加权系数对所述初始剪枝优化函数进行加权处理；
[0028]响应于加权处理后的剪枝优化函数对应的通道数量为奇数，则基于预设阈值对所述加权处理后的剪枝优化函数进行调整，得到所述目标剪枝函数，其中，所述目标剪枝函数对应的通道数量为偶数。
[0029]另一方面，本公开实施例还提供了一种对象识别装置，所述装置包括：
[0030]提取模块，用于从预设数据库中提取与第一对象对应的样本数据；
[0031]训练模块，用于将所述样本数据输入至预设的被赋予了初始网络参数的初始网络模型进行训练，得到第一网络模型；
[0032]计算模块，用于根据泰勒展开的分块剪枝策略计算所述第一网络模型的初始剪枝优化函数；
[0033]优化模块，用于根据预设的所述第一网络模型的每一卷积层的加权系数对所述初始剪枝优化函数进行优化处理，得到目标剪枝函数；
[0034]生成模块，用于根据所述目标剪枝函数和所述第一网络模型生成目标网络模型；
[0035]接收模块，用于接收第二对象发送的用于识别所述第一对象的识别请求；
[0036]识别模块，用于根据所述目标网络模型对所述第一识别对象进行识别。
[0037]在一些实施例中，所述生成模块具体用于，根据所述目标剪枝函数对所述第一网络模型进行剪枝处理，得到第二网络模型，对所述第二网络模型进行正交初始化训练，得到所述目标网络模型。
[0038]在一些实施例中，所述生成模块具体用于，针对所述第二网络模型中的每一卷积层中的每一个卷积核，分别计算所述每一个卷积核与其他卷积核之间的相关性，根据所述相关性对所述第二网络模型进行剪枝处理，得到第三网络模型，根据对所述第二网络模型进行剪枝处理后剩下的第一参数对所述第三网络模型进行训练，得到第四网络模型，将所述第一参数和对所述第二网络模型进行剪枝处理对应的第二参数进行正交初始化，得到第三参数，根据所述第三参数对所述第四网络模型进行训练，得到所述目标网络模型。
[0039]在一些实施例中，所述计算模块具体用于，根据泰勒展开的分块剪枝算法计算所
述第一网络模型中每一卷积层的梯度值和输出特征值，将所述梯度值和所述输出特征值的乘积确定为所述初始剪枝优化函数。
[0040]在一些实施例中，所述优化模块具体用于，根据所述加权系数对所述初始剪枝优化函数进行加权处理，响应于加权处理后的剪枝优化函数对应的通道数量为奇数，则基于预设阈值对所述加权处理后的剪枝优化函数进行调整，得到所述目标剪枝函数，其中，所述目标剪枝函数对应的通道数量为偶数。
[0041]另一个方面，本公开实施例还提供了一种数据处理方法，所述方法包括：
[0042]将获取到的样本数据输入至预设的被赋予了初始网络参数的初始网络模型进行训练，得到第一网络模型；
[0043]根据泰勒展开的分块剪枝策略计算所述第一网络模型的初始剪枝优化函数；
[0044]根据预设的所述第一网络模型的每一卷积层的加权系数对所述初始剪枝优化函数进行优化处理，得到目标剪枝函数；
[0045]根据所述目标剪枝函数和所述第一网络模型生成目标网络模型。
[0046]本公开提供从本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对象识别方法，其特征在于，所述方法包括：从预设数据库中提取与第一对象对应的样本数据；将所述样本数据输入至预设的被赋予了初始网络参数的初始网络模型进行训练，得到第一网络模型；根据泰勒展开的分块剪枝策略计算所述第一网络模型的初始剪枝优化函数；根据预设的所述第一网络模型的每一卷积层的加权系数对所述初始剪枝优化函数进行优化处理，得到目标剪枝函数；根据所述目标剪枝函数和所述第一网络模型生成目标网络模型；接收第二对象发送的用于识别所述第一对象的识别请求；根据所述目标网络模型对所述第一识别对象进行识别。2.根据权利要求1所述的方法，其特征在于，所述根据所述目标剪枝函数和所述第一网络模型生成目标网络模型包括：根据所述目标剪枝函数对所述第一网络模型进行剪枝处理，得到第二网络模型；对所述第二网络模型进行正交初始化训练，得到所述目标网络模型。3.根据权利要求2所述的方法，其特征在于，所述对所述第二网络模型进行正交初始化训练，得到所述目标网络模型包括：针对所述第二网络模型中的每一卷积层中的每一个卷积核，分别计算所述每一个卷积核与其他卷积核之间的相关性；根据所述相关性对所述第二网络模型进行剪枝处理，得到第三网络模型；根据对所述第二网络模型进行剪枝处理后剩下的第一参数对所述第三网络模型进行训练，得到第四网络模型；将所述第一参数和对所述第二网络模型进行剪枝处理对应的第二参数进行正交初始化，得到第三参数；根据所述第三参数对所述第四网络模型进行训练，得到所述目标网络模型。4.根据权利要求1至3中任一项所述的方法，其特征在于，根据泰勒展开的分块剪枝策略计算所述第一网络模型的初始剪枝优化函数包括：根据泰勒展开的分块剪枝算法计算所述第一网络模型中每一卷积层的梯度值和输出特征值；将所述梯度值和所述输出特征值的乘积确定为所述初始剪枝优化函数。5.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据预设的所述第一网络模型的每一卷积层的加权系数对所述初始剪枝优化函数进行优化处理，得到目标剪枝函数包括：根据所述加权系数对所述初始剪枝优化函数进行加权处理；响应于加权处理后的剪枝优化函数对应的通道数量为奇数，则基于预设阈值对所述加权处理后的剪枝优化函数进行调整，得到所述目标剪枝函数，其中，所述目标剪枝函数对应的通道数量为偶数。6.一种对象识别装置，其特征在于，所述装置包括：提取模块，用于从预设数据库中提取与第一对象对应的样本数据；训练模块，用于将所述样本数据...

【专利技术属性】
技术研发人员：陈飞，
申请(专利权)人：北京四维图新科技股份有限公司，
类型：发明
国别省市：