用于图像分类的轻量型多任务分类模型、方法及边缘设备技术

一种用于图像分类的轻量型多任务分类模型、方法及边缘设备，涉及深度学习网络。包括：基础卷积模块，用于接收待处理图像，并对待处理图像的初步特征进行提取以得到浅层特征的特征图；特征提取模块，用于对所述浅层特征的特征图进行深度特征提取以得到深层特征的特征图；所述特征提取模块包括多个串行的特征提取子模块，所述特征提取子模块包括若干复用的深度可分离卷积模块，用于对所述浅层特征的特征图进行深度特征提取；分类模块，用于根据所述深层特征的特征图计算所述深层特征的特征图的类别概率，以对所述待处理图像进行分类。以对所述待处理图像进行分类。以对所述待处理图像进行分类。

【技术实现步骤摘要】
用于图像分类的轻量型多任务分类模型、方法及边缘设备


[0001]本专利技术涉及深度学习网络，具体涉及一种用于图像分类的轻量型多任务分类模型、方法及边缘设备。

技术介绍

[0002]目前，大量基于机器视觉人工智能的边缘端设备应用于城市管理、交通安全、电力工业等领域。边缘智能盒采用深度学习进行相关计算，具有配置灵活、体积小、价格低、支持温度范围宽、环境适应性强、易于维护管理等优点，可以应用于边缘侧智能分析场景。但边缘智能盒具有硬件设备内存小的缺点，从而导致边缘智能盒内的深度学习算法的计算量有限。
[0003]深度学习在图像方面的应用发展迅速，图像分类算法已经非常成熟，但在推理速度和模型大小方面仍有改进空间。为了在不损失模型精度的前提下，对模型进行相应瘦身，以减小模型的占用内存和计算量具有一定的难度。

技术实现思路

[0004]为解决上述问题，本专利技术提供一种轻量型多任务分类模型及边缘端设备。
[0005]根据第一方面，一种实施例中提供一种用于图像分类的轻量型多任务分类模型，包括：
[0006]基础卷积模块，用于接收待处理图像，并对待处理图像的初步特征进行提取以得到浅层特征的特征图；
[0007]特征提取模块，用于对所述浅层特征的特征图进行深度特征提取以得到深层特征的特征图；所述特征提取模块包括多个串行的特征提取子模块，所述特征提取子模块包括若干复用的深度可分离卷积模块，用于对所述浅层特征的特征图进行深度特征提取；
[0008]分类模块，用于根据所述深层特征的特征图计算所述深层特征的特征图的类别概率，以对所述待处理图像进行分类。
[0009]一种实施例中，所述特征提取子模块包括：第一卷积模块、第一通道、第二通道、第三通道、第四通道、AG模块和第二卷积模块；
[0010]所述第一通道包括第一深度可分离卷积模块，所述第一深度可分离卷积模块的输入端连接所述第一卷积模块的输出端，所述第一深度可分离卷积模块的输出端连接所述AG模块的输入端；
[0011]所述第二通道包括第二深度可分离卷积模块，并且复用所述第一通道中的第一深度可分离卷积模块，所述第二深度可分离卷积模块的输入端连接所述第一深度可分离卷积模块，所述第二深度可分离卷积模块的输出端连接所述AG模块的输入端；
[0012]所述第三通道包括第三深度可分离卷积模块，并且复用所述第一通道的第一深度可分离卷积模块和所述第二通道的第二深度可分离卷积模块，所述第三深度可分离卷积模块的输入端依次连接所述第一深度可分离卷积模块和所述第二深度可分离卷积模块，所述
第三深度可分离卷积模块的输出端连接所述AG模块的输入端；
[0013]所述第四通道包括第四深度可分离卷积模块，并且复用所述第一通道的第一深度可分离卷积模块、所述第二通道的第二深度可分离卷积模块和所述第三通道的第三深度可分离卷积模块，所述第四深度可分离卷积模块的输入端依次连接所述第一深度可分离卷积模块、所述第二深度可分离卷积模块和所述第三深度可分离卷积模块，所述第四深度可分离卷积模块的输出端连接所述AG模块的输入端；
[0014]所述AG模块的输出端连接所述第二卷积模块的输入端。
[0015]一种实施例中，所述AG模块包括SE注意力机制和残差模块；
[0016]第一卷积模块将所述浅层特征的特征图转换为设定维度下的特征图，第一通道、第二通道、第三通道和第四通道将所述设定维度下的特征图转换为不同感受野的特征图；SE注意力机制对所述不同感受野的特征图赋予对应的注意力权重，根据所述不同感受野的特征图和所述不同感受野的特征图对应的注意力权重得到多尺度融合的特征图；第二卷积模块和残差模块将所述多尺度融合的特征图的维度转换为设定维度，以得到所述深层特征的特征图。
[0017]一种实施例中，所述基础卷积模块用于接收待处理图像，并对待处理图像的初步特征进行提取以得到浅层特征的特征图，包括：
[0018]利用均衡策略对待处理图像进行处理，所述待处理图像对应不同种类，提高种类数量低于设定值的待处理图像的选中概率，以均衡不同种类的待处理图像的选中概率。
[0019]一种实施例中，所述均衡策略包括batch均衡策略。
[0020]一种实施例中，所述用于根据所述深层特征的特征图计算所述深层特征的特征图的类别概率，以对所述待处理图像进行分类，包括：
[0021]根据所述深层特征的特征图得到所述深层特征的特征图对应类别概率，通过损失函数将所述深层特征的特征图对应类别的概率与所述待处理图中对应的标签进行比对，对所述待处理图像进行分类。
[0022]一种实施例中，所述损失函数包括FocalLoss损失函数。
[0023]根据第二方面，一种实施例中提供一种用于图像分类的轻量型多任务分类方法，包括：
[0024]获取待处理图像；
[0025]将所述待处理图像输入到上述的轻量型多任务分类模型中，得到所述待处理图像的类别。
[0026]根据第三方面，一种实施例中提供一种边缘设备，包括：
[0027]存储器，存储有程序；
[0028]处理器，用于通过执行所述存储器的程序以实现上述的方法。
[0029]根据第四方面，一种实施例中提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器执行以实现上述的方法。
[0030]根据上述实施例的用于图像分类的轻量型多任务分类模型、方法及边缘设备和计算机可读存储介质，包括基础卷积模块、特征提取模块、分类模块和比对模块，利用基础卷积模块对待处理图像的初步特征进行提取以得到浅层特征的特征图，利用特征提取模块对浅层特征的特征图进行深度特征提取以得到深层特征的特征图，特征提取模块中的特征提
取子模块包括了多个重复利用的深度可分离卷积模块，对深度可分离卷积模块进行复用以减小模型的占用内存、降低模型的计算量，并且能够保证不破坏模型原有的精度。
附图说明
[0031]图1为一种实施例中用于图像分类的轻量型多任务分类模型工作流程图；
[0032]图2为一种实施例中特征提取子模块示意图；
[0033]图3为一种实施例中SE注意力机制示意图；
[0034]图4为一种实施例中SE注意力机制工作流程图；
[0035]图5为一种实施例中特征提取子模块结构图；
[0036]图6为一种实施例中原始特征提取子模块结构图；
[0037]图7为一种实施例中模型参数量和计算速度对比图；
[0038]图8为一种实施例中用于图像分类的轻量型多任务分类方法的流程图；
[0039]图9为一种实施例中边缘设备示意图。
具体实施方式
[0040]下面通过具体实施方式结合附图对本专利技术作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于图像分类的轻量型多任务分类模型，其特征在于，包括：基础卷积模块，用于接收待处理图像，并对待处理图像的初步特征进行提取以得到浅层特征的特征图；特征提取模块，用于对所述浅层特征的特征图进行深度特征提取以得到深层特征的特征图；所述特征提取模块包括多个串行的特征提取子模块，所述特征提取子模块包括若干复用的深度可分离卷积模块，用于对所述浅层特征的特征图进行深度特征提取；分类模块，用于根据所述深层特征的特征图计算所述深层特征的特征图的类别概率，以对所述待处理图像进行分类。2.如权利要求1所述的用于图像分类的轻量型多任务分类模型，其特征在于，所述特征提取子模块包括：第一卷积模块、第一通道、第二通道、第三通道、第四通道、AG模块和第二卷积模块；所述第一通道包括第一深度可分离卷积模块，所述第一深度可分离卷积模块的输入端连接所述第一卷积模块的输出端，所述第一深度可分离卷积模块的输出端连接所述AG模块的输入端；所述第二通道包括第二深度可分离卷积模块，并且复用所述第一通道中的第一深度可分离卷积模块，所述第二深度可分离卷积模块的输入端连接所述第一深度可分离卷积模块，所述第二深度可分离卷积模块的输出端连接所述AG模块的输入端；所述第三通道包括第三深度可分离卷积模块，并且复用所述第一通道的第一深度可分离卷积模块和所述第二通道的第二深度可分离卷积模块，所述第三深度可分离卷积模块的输入端依次连接所述第一深度可分离卷积模块和所述第二深度可分离卷积模块，所述第三深度可分离卷积模块的输出端连接所述AG模块的输入端；所述第四通道包括第四深度可分离卷积模块，并且复用所述第一通道的第一深度可分离卷积模块、所述第二通道的第二深度可分离卷积模块和所述第三通道的第三深度可分离卷积模块，所述第四深度可分离卷积模块的输入端依次连接所述第一深度可分离卷积模块、所述第二深度可分离卷积模块和所述第三深度可分离卷积模块，所述第四深度可分离卷积模块的输出端连接所述AG模块的输入端；所述AG模块的输出端连接所述第二卷积模块的输入端。3.如权利要求2所述的用于图像分类的轻量型多任务分类模型，其特征在于...

【专利技术属性】
技术研发人员：李一曼，朱子赫，俞俊程，
申请(专利权)人：深圳力维智联技术有限公司，
类型：发明
国别省市：