深度学习特征量化方法和装置制造方法及图纸

本公开公开了涉及一种深度学习特征量化方法和装置，涉及机器视觉数据通信中信号编码技术领域。该方法包括：根据特征值的缩放系数，确定特征值对应的缩放值，其中，特征值为浮点数；将缩放值对应的整数部分转换为第一二进制数，并将第一二进制数左移预定位数，得到第一预量化值；根据设定的特征值量化的小数位位深，得到量化步长，将缩放值对应的小数部分除以量化步长并向下取整后转换为第二二进制数，得到第二预量化值；计算第一预量化值与第二预量化值之和，得到第三预量化值；以及对第三预量化值设置标志位，得到特征值的量化结果。本公开能够减少量化失真对后续编码带来的影响，进而能够提高机器视觉特征编码的效率和高保真目标。真目标。真目标。

【技术实现步骤摘要】
深度学习特征量化方法和装置


[0001]本公开涉及机器视觉数据通信中信号编码
，尤其涉及一种深度学习特征量化方法和装置。

技术介绍

[0002]随着机器学习应用的增长，车联网、视频监控、智慧城市等领域已经采用了许多的智能平台，而这些平台与大量的传感器之间产生了海量的数据通信。数据量的增长直接导致先前面向人类视觉的编码方法效率低下，在延时和规模上也难以满足现实，面向智能机器的特征编码提上议程。
[0003]变换编码是从频域的角度减小图像信号的空间相关性，它在降低数码率等方面取得了和预测编码相近的效果。进入80年代后，逐渐形成了一套运动补偿和变换编码相结合的混合编码方案，大大推动了数字视频编码技术的发展。90年代初，ITU提出了著名的针对会议电视应用的视频编码建议H.261，这是第一个得到广泛使用的混合编码方案。之后，随着不断改进的视频编码标准和建议如H.264，MPEG1/MPEG2/MPEG4，H.264的推出，混合编码技术逐渐趋于成熟，成为一种应用最广泛的数字视频编码技术。
[0004]变换编码不是直接对空域图像信号进行编码，而是首先将空域图像信号映射变换到另一个正交矢量空间(变换域或频域)，产生一批变换系数，然后对这些变换系数进行编码处理。变换编码是一种间接编码方法，其中关键问题是在时域或空域描述时，数据之间相关性大，数据冗余度大，经过变换在变换域中描述，数据相关性大大减少，数据冗余量减少，参数独立，数据量少，这样再进行量化，编码就能得到较大的压缩比。典型的准最佳变换有DCT(离散余弦变换)、DFT(离散傅里叶变换)、WHT(Walsh Hadama变换)、HrT(Haar变换)等。其中，最常用的是DCT变换。
[0005]DCT变换对图像进行压缩的原理是减少图像中的高频分量，高频主要是对应图像中的细节信息，而我们人眼对细节信息并不是很敏感，因此可以去除高频的信息量。
[0006]量化的原理是把变化后的DCT系数除以一个常量，经过量化后的结果是量化步长的整数倍或者为更多的零值，从而达到压缩的目的。
[0007]然而，机器学习中的关键是特征提取，模型的建立、训练、预测都离不开由原始信息提取出来的特征信息，面向智能机器的视觉信息编码目的不再是压缩和恢复人类视觉中的视频或图像，而是满足智能机器学习任务的提取特征的压缩和恢复。
[0008]现有视频的变化编码主要基于图像中的高频分量主要是对应图像中的细节信息，人眼对细节信息并不是很敏感，通过空域到频域的变化，改变数据分布，去除高频信息量。面向机器视觉的深度学习特征用于计算机视觉任务，深度学习特征层越大，特征值0值越多，最多的0值占比可达到90％以上，对于该类特征值，去除特征间相关性的需求并不明显。
[0009]现有视频是基于RGB的像素信息，数值表现形式为[0,255]的整数。面向机器视觉的深度学习特征均为浮点数，特征图为上一层卷积结果，特征值大小与层数成反比，特征最大值数量级从百到万不等。统计分析可知，特征图特征值具有稀疏性强，相关性弱的特点。
与传统视频编码相比，特征编码数据形式和数据范围都存在很大不同。
[0010]视频编码的失真是由量化造成的，而浮点数的量化必然引入新的失真，双重失真对特征值带来的影响对机器视觉任务产生剧烈影响，因此需要引入新的量化方法，尽量减少失真带来的影响。

技术实现思路

[0011]本公开要解决的一个技术问题是，提供一种深度学习特征量化方法和装置，能够减少量化失真对后续编码带来的影响。
[0012]根据本公开一方面，提出一种深度学习特征量化方法，包括：根据特征值的缩放系数，确定特征值对应的缩放值，其中，特征值为浮点数；将缩放值对应的整数部分转换为第一二进制数，并将第一二进制数左移预定位数，得到第一预量化值；根据设定的特征值量化的小数位位深，得到量化步长，将缩放值对应的小数部分除以量化步长并向下取整后转换为第二二进制数，得到第二预量化值；计算第一预量化值与第二预量化值之和，得到第三预量化值；以及对第三预量化值设置标志位，得到特征值的量化结果。
[0013]在一些实施例中，确定特征值的缩放系数包括：判断特征值是否小于等于2的第一预定值次方，若是，则缩放系数设置为1，否则，设置缩放系数为2的第二预定值次方后的倒数，其中，第一预定值为设定的特征值量化的整数位位深，第二预定值为以2为底数，特征值的对数，向上取整后，与整数位位深的差值。
[0014]在一些实施例中，将第一二进制数左移预定位数包括：将第一二进制数左移小数位位深位。
[0015]在一些实施例中，第三预量化值设置标志位为缩放系数的倒数对应的二进制数。
[0016]在一些实施例中，得到特征值的量化结果包括：将缩放系数的倒数对应的二进制数，左移设定的整数位位深和小数位位深之和位后，与第三预量化值相加，得到特征值的量化结果。
[0017]在一些实施例中，将特征值的量化结果，与量化步长的倒数减1对应的二进制数，按位进行与计算，得到缩放值的小数部分的量化值；将缩放值的小数部分的量化值，乘以量化步长，得到缩放值的小数部分的反量化值；将特征值的量化结果右移预定位数后，与2的第一预定值次方减1对应的二进制数，按位进行与计算，得到缩放值的整数部分的量化值；计算缩放值的小数部分的反量化值与缩放值的整数部分的量化值之和对应的十进制数，得到缩放值；将特征值的量化结果向右移设定的整数位位深和小数位位深之和位，得到标志位；以及计算标志位对应的十进制数，与缩放值之积，得到反量化特征值。
[0018]在一些实施例中，将特征值的量化结果的标志位去除后，与量化步长的倒数减1对应的二进制数，按位进行与计算，得到缩放值的小数部分的量化值；将缩放值的小数部分的量化值，乘以量化步长，得到缩放值的小数部分的反量化值；将特征值的量化结果的标志位去除后，右移预定位数后，与2的第一预定值次方减1对应的二进制数，按位进行与计算，得到缩放值的整数部分的量化值；计算缩放值的小数部分的反量化值与缩放值的整数部分的量化值之和对应的十进制数，得到缩放值；以及将缩放值与标志位对应的十进制数相乘，得到反量化特征值。
[0019]根据本公开的另一方面，还提出一种深度学习特征量化装置，包括：特征值缩放单
元，被配置为根据特征值的缩放系数，确定特征值对应的缩放值，其中，特征值为浮点数；整数部分量化单元，被配置为将缩放值对应的整数部分转换为第一二进制数，并将第一二进制数左移预定位数，得到第一预量化值；小数部分量化单元，被配置为根据设定的特征值量化的小数位位深，得到量化步长，将缩放值对应的小数部分除以量化步长并向下取整后转换为第二二进制数，得到第二预量化值；以及量化结果确定单元，被配置为计算第一预量化值与第二预量化值之和，得到第三预量化值，对第三预量化值设置标志位，得到特征值的量化结果。
[0020]在一些实施例中，第三预量化值设置标志位为缩放系数的倒数对应的二进制数。
[0021]在一些实施例中，量化结果确定单元还被配置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度学习特征量化方法，包括：根据特征值的缩放系数，确定所述特征值对应的缩放值，其中，所述特征值为浮点数；将所述缩放值对应的整数部分转换为第一二进制数，并将所述第一二进制数左移预定位数，得到第一预量化值；根据设定的特征值量化的小数位位深，得到量化步长，将所述缩放值对应的小数部分除以所述量化步长并向下取整后转换为第二二进制数，得到第二预量化值；计算所述第一预量化值与所述第二预量化值之和，得到第三预量化值；以及对所述第三预量化值设置标志位，得到所述特征值的量化结果。2.根据权利要求1所述的深度学习特征量化方法，其中，确定特征值的缩放系数包括：判断所述特征值是否小于等于2的第一预定值次方，若是，则缩放系数设置为1，否则，设置缩放系数为2的第二预定值次方后的倒数，其中，所述第一预定值为设定的特征值量化的整数位位深，所述第二预定值为以2为底数，所述特征值的对数，向上取整后，与所述整数位位深的差值。3.根据权利要求1所述的深度学习特征量化方法，其中，将所述第一二进制数左移预定位数包括：将所述第一二进制数左移所述小数位位深位。4.根据权利要求1至3任一所述的深度学习特征量化方法，其中，所述第三预量化值设置标志位为所述缩放系数的倒数对应的二进制数。5.根据权利要求4所述的深度学习特征量化方法，其中，得到所述特征值的量化结果包括：将所述缩放系数的倒数对应的二进制数，左移设定的整数位位深和小数位位深之和位后，与所述第三预量化值相加，得到所述特征值的量化结果。6.根据权利要求5所述的深度学习特征量化方法，还包括：将所述特征值的量化结果，与所述量化步长的倒数减1对应的二进制数，按位进行与计算，得到所述缩放值的小数部分的量化值；将所述缩放值的小数部分的量化值，乘以所述量化步长，得到所述缩放值的小数部分的反量化值；将所述特征值的量化结果右移所述预定位数后，与所述2的所述第一预定值次方减1对应的二进制数，按位进行与计算，得到所述缩放值的整数部分的量化值；计算所述缩放值的小数部分的反量化值与所述缩放值的整数部分的量化值之和对应的十进制数，得到所述缩放值；将所述特征值的量化结果向右移设定的整数位位深和小数位位深之和位，得到所述标志位；以及计算所述标志位对应的十进制数，与所述缩放值之积，得到反量化特征值。7.根据权利要求4所述的深度学习特征量化方法，还包括：将所述特征值的量化结果的标志位去除后，与所述量化步长的倒数减1对应的二进制数，按位进行与计算，得到所述缩放值的小数部分的量化值；将所述缩放值的小数部分的量化值，乘以所述量化步长，得到所述缩放值的小数部分的反量化值；
将所述特征值的量化结果的标志位去除后，右移所述预定位数后，与所述2的所述第一预定值次方减1对应的二进制数，按位进行与计算，得到所述缩放值的整数部分的量化值；计算所述缩放值的小数部分的反量化值与所述缩放值的整数部分的量化值之和对应的十进制数，得到所述缩放值；以及将所述缩放值与所述标志位对应的十进制数相乘，得到反量化特征值。8.一种深度学习特征量化装置，包括：特征值缩放单元，被配置为根据特征值的缩放系数，确定所述特...

【专利技术属性】
技术研发人员：王慧芬，张园，史敏锐，范叔炬，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：