基于神经网络的图像识别方法、系统、介质及设备技术方案

本发明专利技术提供了一种基于高精度神经网络的图像识别方法、系统、介质及设备，包括：利用轻量化神经网络获得图像识别退出层；将当前图像识别退出层作为高精度神经网络的预测识别提前退出点，基于提前退出点激活启动提前退出点对应的网络层的退出层，获得当前图像识别结果。本发明专利技术利用轻量化神经网络基于融合信息进行图像识别，先获得退出层，然后基于轻量化神经网络获得的退出层预测高精度神经网络的退出层，从而降低高精度神经网络每次执行退出层代价，降低计算量和功耗。降低计算量和功耗。降低计算量和功耗。

【技术实现步骤摘要】
基于神经网络的图像识别方法、系统、介质及设备


[0001]本专利技术涉及神经网络处理
，具体地，涉及基于神经网络的图像识别方法、系统、介质及设备，更为具体地，涉及利用极度轻量化的神经网络辅助高精度神经网络的图像识别方法及系统。

技术介绍

[0002]深度学习方法，如卷积神经网络，在多用途应用中取得了巨大成功。然而，在资源受限的系统上部署深度学习模型的挑战之一是其巨大的能源成本。作为一种动态推理方法，早期退出为网络添加了退出层，这可以提前终止推理，并获得准确的结果以节省能源。目前用于提前退出的能量调节的被动决策无法适应正在进行的推理状态、不同的推理工作负载和时间限制，更不用说在推理过程中指导计算平台的合理配置以节省潜在的能源。
[0003]专利文献US16997885(申请号：20210056357A1)公开了用于实现灵活、输入自适应深度学习神经网络的系统和方法；专利文献US16509098(申请号：20210012178A1)公开了用于早期退出卷积的系统、方法和设备；上述现有技术提出了提前退出的方法，但是无法实现对提前退出点的预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高精度神经网络的图像识别方法，其特征在于，包括：利用轻量化神经网络获得图像识别退出层；将当前图像识别退出层作为高精度神经网络的预测识别提前退出点，基于提前退出点激活启动提前退出点对应的网络层的退出层，获得当前图像识别结果。2.根据权利要求1所述的基于高精度神经网络的图像识别方法，其特征在于，将待识别图像输入轻量化神经网络获得图像识别退出层；或将待识别图像输入高精度神经网络，并将某个网络层的识别结果输入轻量化神经网络获得图像识别退出层；或将待识别图像输入高精度神经网络，并将连续多层的网络层识别结果进行融合计算，并将融合计算结果输入轻量化神经网络获得图像识别退出层。3.根据权利要求2所述的基于高精度神经网络的图像识别方法，其特征在于，所述对连续多层的网络层识别结果进行融合计算采用：对预设网络层识别结果进行加权求和，得到加权求和后的结果。4.根据权利要求1所述的基于高精度神经网络的图像识别方法，其特征在于，所述高精度神经网络包括：CNN卷积神经网络和Transformer神经网络。5.一种基于高精度神经网络的图像识别系统，其特征在于，包括：利用轻量化神经网络获得图像识别退出层；将当前图像识别退出层作为高精度神经网络的预测识别提前退出点，基于提前退出点激...

【专利技术属性】
技术研发人员：邹桉，马叶涵，沈颖涛，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：