【技术实现步骤摘要】
一种应用于终端设备的轻量化图像分类方法及终端设备
[0001]本专利技术涉及图像处理领域,特别是一种应用于终端设备的轻量化图像分类方法及终端设备。
技术介绍
[0002]现有的深度学习系统已经在诸如场景监控、智能工厂、无人系统以及医疗诊断等常见应用中扮演着越来越重要的角色。而深度学习系统相关性能的崛起主要得益于深度学习网络的成功,尤其是卷积神经网络的快速发展,它们为诸多的实际应用场景提供了先进的性能支撑。在目前大数据时代的背景环境下,一方面海量数据为深度学习网络提供了大量的训练数据集,另一方面复杂的深度网络模型大大增强了数据的拟合能力,从而使得深度学习方法在某些应用中可以取得传统方法无法企及的成就。而这些成就都依赖于复杂的深度网络模型,以及数以亿计的模型参数,具有高性能计算能力的GPU和TPU同样发挥了重要作用。随着应用任务的日益精化,所需的网络结构也日益复杂化,将会引入更多的网络层数,带来的是模型大小,计算复杂度以及运行时间呈幂级倍数增长,访问内存的大量占用以及训练推理过程能耗的巨大需求。然而近年来,实时应用程序和小型移动设备得到了广泛的应用,因此如何将深度网络的优越应用性能成功移植到移动设备上成为了极大的难题。我们思考如何在有限资源(内存,CPU,带宽和能耗)的设备上有效地嵌入这些深度网络模型的性能,发现其中主要存在以下几个难点:
[0003](一)模型大,常用的深度模型占用了大量内存资源,如GoogleNet的模型大小达到了50MB,ResNet
‑
101的模型则有200M大小,以及V ...
【技术保护点】
【技术特征摘要】
1.一种应用于终端设备的轻量化图像分类方法,其特征在于,包括以下步骤:S1、提取多帧样本图像;S2、利用所述多帧样本图像训练轻量化网络模型,得到图像分类模型;其中,所述轻量化网络模型获取过程包括:S2.1、在指定裁剪参数空间内按照既定比例对深度网络模型每层进行随机初始化通道裁剪,得到固定裁剪后的深度网络模型;S2.2、将所述固定裁剪后的深度网络模型的推理精度作为灰狼算法的输入,更新所述深度网络模型每层的通道裁剪比例系数,得到裁剪后的深度网络模型,即轻量化网络模型。2.根据权利要求1所述的应用于终端设备的轻量化图像分类方法,其特征在于,步骤S2.2的具体实现过程包括:A)随机产生参与搜索的灰狼种群X
i,j
:X
i,j
~U(lb,ub),i为灰狼种群数且i∈{1,2
…
N},N为种群总数,j为种群维度,种群维度即网络层数,U为随机函数,lb和ub为搜索区间的上界和下界;初始化参与搜索的灰狼种群X
i,j
中各灰狼的位置;指定各灰狼对应的适应度为所述固定裁剪后的深度网络模型的推理精度;B)利用下式搜索候选灰狼的位置X(t):X(t+1)=X
p
(t)
‑
A
·
D,D=|C
·
X
p
(t)
‑
X(t)|;其中,D表示候选灰狼与猎物间的距离,t为当前的迭代次数,X
p
(t)为猎物位置,A和C为调节系数;C)判断是否满足迭代终止条件,若是,则输出最优个体以及该最优个体的适应度大小,结束;否则,计算候选灰狼的适应度,进入步骤D);D)当适应度增加时,利用下式更新候选灰狼位置:X(t+1)=(1/3)((X
W
‑
A1D
W
)+(X
Y
‑
A2D
Y
)+(X
Z
‑
A3D
z
))(1
‑
t/T)+(X
W
‑
A1D
W
)
·
(t/T);其中,X(t)表示当前候选灰狼位置,X(t+1)表示下一时刻候选灰狼位置,X
W
、X
Y
和X
Z
分别表示W狼、Y狼、Z狼的当前位置A1、A2、A3以及C1、C2、C3为随机变量,D
W
...
【专利技术属性】
技术研发人员:龙鑫,曾瑶源,刘煜,张茂军,
申请(专利权)人:中国人民解放军国防科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。