一种基于压缩深度神经网络的图像识别方法及系统技术方案

本公开公开的一种基于压缩深度神经网络的图像识别方法及系统，包括：获取待识别图像；将待识别图像输入训练好的压缩深度神经网络中，获取图像识别结果；其中，通过获取初始深度神经网络中批量归一化层的缩放因子，对缩放因子进行处理，使缩放因子服从高斯分布，利用高阶统计量计算缩放因子的高阶累积量，根据高阶累积量对批量归一化层的通道进行剪枝，获取压缩深度神经网络。实现了对深度神经网络的有效压缩。通过对深度神经网络进行压缩，从而能够将压缩深度神经网络加载至边缘设备上，进行图像识别。像识别。像识别。

【技术实现步骤摘要】
一种基于压缩深度神经网络的图像识别方法及系统


[0001]本专利技术涉及深度学习
及图像处理领域，尤其涉及一种基于压缩深度神经网络的图像识别方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]深度学习(Deep Learning)是机器学习的一个分支，是一种以人工神经网络为架构，对资料进行表征学习的算法。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。至今已有数种深度学习框架，如深度神经网络、卷积神经网络、深度置信网络和循环神经网络等在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域获得了极好的效果。
[0004]近些年来，深度神经网络有着飞速的发展，其应用尤为广泛，许多实验已经证明深度神经网络能够为许多的方向应用提供有效的解决方案，例如计算机视觉、自然语言处理、语音识别、情感分析、文本特征提取等领域。但为了达到更好的效果，目前深度神经网络层数增长较快，并且具有计算量大、参数多的特点，因此对计算设备性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于压缩深度神经网络的图像识别方法，其特征在于，包括：获取待识别图像；将待识别图像输入训练好的压缩深度神经网络中，获取图像识别结果；其中，通过获取初始深度神经网络中批量归一化层的缩放因子，对缩放因子进行处理，使缩放因子服从高斯分布，利用高阶统计量计算缩放因子的高阶累积量，根据高阶累积量对批量归一化层的通道进行剪枝，获取压缩深度神经网络。2.如权利要求1所述的一种基于压缩深度神经网络的图像识别方法，其特征在于，采用L2正则化使得缩放因子服从高斯分布。3.如权利要求1所述的一种基于压缩深度神经网络的图像识别方法，其特征在于，获取初始深度神经网络中批量归一化层的缩放比例，将缩放比例作为缩放因子。4.如权利要求1所述的一种基于压缩深度神经网络的图像识别方法，其特征在于，根据高阶累积量对批量归一化层的通道进行剪枝的过程包括：对高阶累积量进行排序，确定剪枝阈值；根据剪枝阈值对批量归一化层的通道进行剪枝。5.如权利要求4所述的一种基于压缩深度神经网络的图像识别方法，其特征在于，对高阶累积量进行排序，根据剪枝率确定剪枝阈值。6.如权利要求4所述的一种基于压缩深度神经网络的图像识别方法，其特征在于...

【专利技术属性】
技术研发人员：徐卫志，曹洋，范胜玉，于惠，蔡晓雅，孙中志，赵晗，耿艳芳，龙开放，李广震，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：