【技术实现步骤摘要】
目标识别方法及系统
本申请涉及机器学习
，尤其涉及一种目标识别方法及系统。
技术介绍
目前，卷积神经网络(ConvolutionalNeuralNetworks，CNN)模型被广泛应用于图像检测、目标识别等领域。在目标识别领域，为提高卷积神经网络模型对待识别图像的处理速度，通常需要将浮点型卷积神经网络模型转换为定点型卷积神经网络模型，这一转换过程为卷积神经网络模型的量化过程。在现有技术中，对卷积神经网络模型进行量化时，通常有如下两种实现方式：一种是对于每个卷积层进行逐通道量化，这种量化方式使量化处理后的卷积神经网络模型的网络精度较高，但是过程复杂，且对处理器并不友好；另一种是对于每个卷积层进行整体量化，即进行逐张量量化，这种量化方式过程简单，对处理器较友好，但是由于不同通道的浮点数取值范围并不相同，导致量化处理后的卷积神经网络模型的网络精度较低。
技术实现思路
本申请提供一种目标识别方法及系统，用以提高目标的识别速度、识别精度以及识别准确度。本申请提供一种目标识别方法，包括：
【技术保护点】
1.一种目标识别方法，其特征在于，包括：/n获取待识别图像；/n将所述待识别图像输入至卷积神经网络模型，得到由所述神经网络模型输出的识别结果；/n其中，所述卷积神经网络模型基于携带有对象标签的图像训练样本进行训练，并基于训练结束后的卷积神经网络模型中任一卷积层下不同通道的浮点型参数的L1范数，对所述任一卷积层下不同通道进行筛选，对筛选后的卷积神经网络模型进行量化处理得到。/n
【技术特征摘要】
1.一种目标识别方法，其特征在于，包括：
获取待识别图像；
将所述待识别图像输入至卷积神经网络模型，得到由所述神经网络模型输出的识别结果；
其中，所述卷积神经网络模型基于携带有对象标签的图像训练样本进行训练，并基于训练结束后的卷积神经网络模型中任一卷积层下不同通道的浮点型参数的L1范数，对所述任一卷积层下不同通道进行筛选，对筛选后的卷积神经网络模型进行量化处理得到。
2.根据权利要求1所述的目标识别方法，其特征在于，所述基于训练结束后的卷积神经网络模型中任一卷积层下不同通道的浮点型参数的L1范数，对所述任一卷积层下不同通道进行筛选，之前还包括：
获取训练结束后的卷积神经网络模型中任一卷积层下不同通道的浮点型参数；
计算所述任一卷积层下不同通道的浮点型参数的L1范数。
3.根据权利要求1所述的目标识别方法，其特征在于，所述基于训练结束后的卷积神经网络模型中任一卷积层下不同通道的浮点型参数的L1范数，对所述任一卷积层下不同通道进行筛选，具体包括：
对所述任一卷积层下的不同通道，按L1范数由小到大的顺序逐个删除对应的通道；
若判断获知删除对应的通道前后，训练结束后的卷积神经网络模型的网络精度损失大于等于预设阈值，则停止删除。
4.根据权利要求1-3中任一项所述的目标识别方法，其特征在于，所述对筛选后的卷积神经网络模型进行量化处理，之前还包括：
基于携带有对象标签的图像测试样本，对筛选后的卷积神经网络模型重新进行训练。
5.一种目标识别系统，其特征在于，包括：
图像获取模块，用于...
【专利技术属性】
技术研发人员：陈海波，关翔，
申请(专利权)人：深兰人工智能深圳有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。