【技术实现步骤摘要】
一种目标识别方法及装置
[0001]本申请涉及机器学习
，特别是涉及一种目标识别方法及装置。
技术介绍
[0002]深度神经网络作为机器学习研究中的一个新兴领域，通过模仿人脑的机制来解析数据，是一种通过建立和模拟人脑进行分析学习的智能模型。目前，深度学习模型，如卷积神经网络模型、循环神经网络模型、长短期记忆网络模型等已在图像分类、目标检测、目标跟踪、语音识别、人脸识别等方面成为了主流的应用方法。
[0003]目前，在目标识别的场景下，将待识别图片输入到训练好的目标深度学习模型中，由目标深度学习模型中的各网络层进行运算，基于运算结果能够识别出待识别图片中的目标。目标深度学习模型中的各网络层在进行运算时，参与运算的数据为单精度浮点数据，由于单精度浮点数据具有较高的位宽，参与运算的数据量较大，导致目标识别的效率较低。
技术实现思路
[0004]本申请实施例的目的在于提供一种目标识别方法及装置，以提高目标识别的效率。具体技术方案如下：
[0005]第一方面，本申请实施例提供了一种目标识别方法，该...
【技术保护点】
【技术特征摘要】
1.一种目标识别方法，其特征在于，所述方法包括：获取待识别图片；将所述待识别图片输入预先训练的目标深度学习模型，得到所述待识别图片中的目标特征，其中，针对所述目标深度学习模型中的每一个网络层，将输入该网络层的输入特征、该网络层的网络权重和该网络层输出的输出特征中的至少一项量化为位宽小于16比特的低比特整型数据；将所述目标特征与预先标定的目标特征进行比较，得到所述待识别图片的目标识别结果。2.根据权利要求1所述的方法，其特征在于，在所述将所述待识别图片输入预先训练的目标深度学习模型，得到所述待识别图片中的目标特征之前，所述方法还包括：对所述待识别图片进行预处理操作，得到预处理后的所述待识别图片，所述预处理操作至少包括对所述待识别图片进行裁剪。3.根据权利要求1所述的方法，其特征在于，所述目标深度学习模型中的网络层包括：卷积层、全连接层、池化层、批归一化层、合并层和拼接层。4.根据权利要求1所述的方法，其特征在于，所述将该网络层的网络权重量化为位宽小于16比特的低比特整型数据，包括：针对该网络层的各滤波器，读取该滤波器中绝对值最大的网络权重；根据所述绝对值最大的网络权重及小于16比特的预设位宽，计算该滤波器对应的量化步长；利用所述量化步长，将该滤波器中的各网络权重量化为所述预设位宽的低比特整型数据。5.根据权利要求1所述的方法，其特征在于，所述将输入该网络层的输入特征量化为位宽小于16比特的低比特整型数据，包括：获取多个预设的待定步长，所述待定步长对应的位宽小于16比特；分别计算利用各待定步长对所述输入特征进行量化的量化误差；利用最小的量化误差对应的待定步长，将所述输入特征量化为位宽小于16比特的低比特整型数据。6.根据权利要求1所述的方法，其特征在于，所述将该网络层输出的输出特征量化为位宽小于16比特的低比特整型数据，包括：获取多个预设的待定步长，所述待定步长对应的位宽小于16比特；分别计算利用各待定步长对所述输出特征进行量化的量化误差；利用最小的量化误差对应的待定步长，将所述输出特征量化为位宽小于16比特的低比特整型数据。7.根据权利要求1所述的方法，其特征在于，所述获取待识别图片，包括：获取人脸采集设备采集的人脸图片，或者，获取车辆采集设备采集的车辆图片；所述将所述待识别图片输入预先训练的目标深度学习模型，得到所述待识别图片中的目标特征，包括：将所述人脸图片输入预先训练的目标深度学习模型，得到所述人脸图片中的目标人脸特征，或者，将所述车辆图片输入预先训练的目标深度学习模型，得到所述车辆图片中的目
标车辆特征；所述将所述目标特征与预先标定的目标特征进行比较，得到所述待识别图片的目标识别结果，包括：将所述目标人脸特征与预设人脸特征进行比较，得到人脸识别结果，或者，将所述目标车辆特征与预设车辆...
【专利技术属性】
技术研发人员：杨希超，张渊，谢迪，浦世亮，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：
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。