一种图像识别方法、装置、系统及电子设备制造方法及图纸

本申请涉及计算机技术领域，公开了一种图像识别方法、装置、系统及电子设备，该方法包括：获取待识别图像；对所述待识别图像分别进行最大池化以及平均池化，确定最大池化特征图以及平均池化特征图；组合所述最大池化特征图以及所述平均池化特征图，生成组合后的特征图；对所述组合后的特征图进行深度卷积，确定卷积后的特征图；对预设图像识别模型进行训练，生成图像识别模型，并基于所述图像识别模型，对所述卷积后的特征图进行图像识别，以确定图像识别结果。通过上述方式，本申请实施例能够提高图像识别的准确率。能够提高图像识别的准确率。能够提高图像识别的准确率。

An image recognition method, device, system and electronic equipment

【技术实现步骤摘要】
一种图像识别方法、装置、系统及电子设备


[0001]本申请涉及计算机
，尤其涉及一种图像识别方法、装置、系统及电子设备。

技术介绍

[0002]随着计算机技术、人工智能的不断发展，场景识别作为计算机视觉的重要研究任务之一，其具有场景物体种类、数量多，语意模糊，类间差异小且类内差异大的难点。目标检测(Object Detection)任务是找出图像中所有感兴趣的目标(物体)，确定它们的类别和位置，是计算机视觉和数字图像处理方向的热门问题之一。由于各类物体有不同的外观、形状、姿态，再加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。
[0003]目前，随着深度学习的发展，卷积神经网络(CNN)在图像目标检测方面已经取得了巨大进展。卷积神经网络可以更加精确的提取图像特征信息，从而更加准确确定目标类别以及位置。
[0004]但是卷积神经网络在检测之前通常需要大量的样本进行训练，其存在资源消耗导致的成本问题，以及识别准确率不高的问题。

技术实现思路

[0005]本申请实施例的一个目的旨本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像识别方法，其特征在于，所述方法包括：获取待识别图像；对所述待识别图像分别进行最大池化以及平均池化，确定最大池化特征图以及平均池化特征图；组合所述最大池化特征图以及所述平均池化特征图，生成组合后的特征图；对所述组合后的特征图进行深度卷积，确定卷积后的特征图；对预设图像识别模型进行训练，生成图像识别模型，并基于所述图像识别模型，对所述卷积后的特征图进行图像识别，以确定图像识别结果。2.根据权利要求1所述的方法，其特征在于，所述对预设图像识别模型进行训练，生成图像识别模型，包括：获取预设图像识别模型；将所述预设图像识别模型转换成量化模型；对所述量化模型进行压缩，以确定压缩后的量化模型，并对所述压缩后的量化模型进行训练，以生成图像识别模型。3.根据权利要求2所述的方法，其特征在于，所述预设图像识别模型包括浮点数模型，所述将所述预设图像识别模型转换成量化模型，包括：通过预设引擎将所述浮点数模型转换成量化模型。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：确定所述预设引擎将所述浮点数模型转换成量化模型的过程中的合并位置；向所述合并位置插入量化节点。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：根据所述量化节点，梯度调整浮点数值。6.根据权利要求5所述的方法，其特征在于，所述梯度调整浮点数值，包括：确定浮点数值的最大值和最小值；从最大值开始梯度调整浮点数值，当所述浮点数值等于所述最小值时，停止调整所述浮点数值。7.根据权利要求3
‑
6任一项所述的方法，其特征在于，所述预设引擎包括神经处理引擎。8.一种图像识别装置，其特征在于，所述装置包括：图像获取单元，用于获取待识别图像；池化单元，用于对所述待识别图像分别进行最大池化以及平均池化，确定最大池化特征图以及平均池化特征图；组合单元，用于组合所述最大池化特征图以及所述平均池化特征图，生成组合后的特征图；卷积单元，用于对所述组合后的...

【专利技术属性】
技术研发人员：林斯贤，
申请(专利权)人：深圳市万普拉斯科技有限公司，
类型：发明
国别省市：