基于压缩的卷积神经网络模型的图像特征提取方法及装置制造方法及图纸

本文公开基于压缩的卷积神经网络模型的图像特征提取方法，包括：构建卷积神经网络模型，对卷积神经网络模型进行压缩：将卷积神经网络模型多个卷积层的权重压缩比作为蜜源，利用人工蜂群算法搜索适应度值最高的蜜源，根据蜜源确定对应的卷积神经网络压缩模型，利用压缩模型计算蜜源的适应度值；将适应度值最高的蜜源对应的压缩模型作为最终的卷积神经网络压缩模型；利用卷积神经网络压缩模型对图像进行特征提取；其中，根据蜜源确定对应的压缩模型包括：将卷积神经网络模型多个卷积层的权重进行稀疏低秩分解得到低秩矩阵，根据每层的权重压缩比对该层权重的低秩矩阵进行通道裁剪。本文的方案能在保证模型精度的基础上加快图像特征提取的速度。像特征提取的速度。像特征提取的速度。

【技术实现步骤摘要】
基于压缩的卷积神经网络模型的图像特征提取方法及装置


[0001]本申请实施例涉及机器视觉领域，尤其涉及一种基于压缩的卷积神经网络模型的图像特征提取方法、装置及存储介质。

技术介绍

[0002]随着计算机视觉领域的快速发展，基于深度学习技术的视觉算法已经取得了优异的成果，并在各个领域得到广泛应用。车载倒车影像一直为驾驶员泊车提供安全保证，且在雨天、地下停车场、天气条件较为恶劣与驾驶技术不熟练的条件下，倒车影像成为了驾驶员日常驾驶生活中不可缺少的工具。
[0003]基于神经网络的图像增强算法在一定程度上可以解决汽车泊车条件下的图像模糊问题，然而基于神经网络的图像增强算法的模型深度较深且参数众多将会导致高时延不利于驾驶员安全泊车，且功耗要求过高。

技术实现思路

[0004]本申请实施例提供了一种基于压缩的卷积神经网络模型的图像特征提取方法，包括：
[0005]构建卷积神经网络模型，对所述卷积神经网络模型进行压缩：将卷积神经网络模型多个卷积层的权重压缩比作为蜜源，利用人工蜂群算法搜索适应度值最高的蜜源，在搜索过程中根据蜜本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于压缩的卷积神经网络模型的图像特征提取方法，包括：构建卷积神经网络模型，对所述卷积神经网络模型进行压缩：将卷积神经网络模型多个卷积层的权重压缩比作为蜜源，利用人工蜂群算法搜索适应度值最高的蜜源，在搜索过程中根据蜜源确定对应的卷积神经网络压缩模型，利用所述卷积神经网络压缩模型计算所述蜜源的适应度值；将适应度值最高的蜜源对应的卷积神经网络压缩模型作为最终需要的卷积神经网络压缩模型；利用所述卷积神经网络压缩模型对图像进行特征提取；其中，根据蜜源确定对应的卷积神经网络压缩模型包括：将卷积神经网络模型多个卷积层的权重进行稀疏低秩分解得到低秩矩阵，根据蜜源指示的每个卷积层的权重压缩比对该层权重的低秩矩阵进行通道裁剪，对通道裁剪后的卷积神经网络模型进行训练得到卷积神经网络压缩模型。2.如权利要求1所述的方法，其特征在于：任意一个卷积层对应的权重压缩比是指经过通道裁剪后该卷积层的通道数与该卷积层的原始通道数的比值，所述比值大于0且小于1。3.如权利要求1所述的方法，其特征在于：所述蜜源的适应度值是该蜜源对应的卷积神经网络压缩模型的峰值信噪比PSNR。4.如权利要求1所述的方法，其特征在于：所述利用人工蜂群算法搜索适应度值最高的蜜源，包括：设置m个初始蜜源；对任意一个初始蜜源，根据初始蜜源确定对应的卷积神经网络压缩模型，利用所述卷积神经网络压缩模型计算所述初始蜜源的适应度值；m≥1；其中，根据初始蜜源确定对应的卷积神经网络压缩模型，包括：将卷积神经网络模型多个卷积层的权重进行稀疏低秩分解得到低秩矩阵，根据每个卷积层的权重压缩比对该层权重的低秩矩阵进行通道裁剪，对通道裁剪后的卷积神经网络模型进行训练得到卷积神经网络压缩模型。5.如权利要求4所述的方法，其特征在于：初始蜜源包括的权重压缩比为随机数x
i
，0<x
i
<1。6.如权利要求1所述的方法，其特征在于：将卷积神经网络模型多个卷积层的权重进行稀疏低秩分解得到低秩矩阵，包括：对卷积神经网络模型的任意一层卷积层，将所述卷积层的权重W分解为稀疏矩阵S与低秩矩阵L的和，并将低秩矩阵L分解为矩阵U和矩阵V的乘积，上述矩阵分解方式可以采用以下的公式1进行表示：W＝L+S＝UV+S；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(公式1)其中，U∈R
h
×
r
，V∈R
r
×
k
×
k
，r为低秩矩阵L的秩，...

【专利技术属性】
技术研发人员：李双双，缪继树，辛海同，陈勇，李志成，
申请(专利权)人：宁波吉利汽车研究开发有限公司，
类型：发明
国别省市：