一种图像目标识别方法、装置及设备制造方法及图纸

本发明专利技术涉及一种图像目标识别方法、装置及设备，包括：接收待识别的若干图像数据；基于所述特征学习算法模型对每一所述图像数据进行计算，得到每一所述图像数据对应的特征识别结果，以确定每一所述图像数据对应的至少一个图像目标；其中，所述特征学习算法模型是采用多AI训练芯片并行计算训练得到的，能够有效降低AI训练芯片的显存消耗，降低模型训练成本，提升模型训练效率和模型精度，达到优化模型部署应用效能，提高图像目标识别准确度的目的。本发明专利技术能够充分发挥特征学习算法模型的特征识别能力，优化图像目标识别结果的准确率，提升应用体验。应用体验。应用体验。

【技术实现步骤摘要】
一种图像目标识别方法、装置及设备


[0001]本专利技术涉及图像识别
，尤其涉及一种图像目标识别方法、装置及设备。

技术介绍

[0002]随着机器学习技术的发展，图像目标识别的应用越来越广泛，例如人脸识别、行人识别、车辆识别等，为各领域和人们的工作、生活带来了极大便利。图像目标识别主要通过特征学习算法模型实现，模型的精度至关重要，其直接影响目标识别结果的准确率。现有的图像目标识别方法用到的特征学习算法模型主要基于相关训练数据的训练计算得到，为了能够获得更高精度的特征学习算法模型，在模型训练过程中，往往会加大训练数据的类别量，使模型能够学习到更多的信息，具备更强的特征识别能力。但训练数据的类别量过多会给AI训练芯片带来严重的显存消耗，增加模型训练的成本，在一定程度上影响了模型的部署和应用。因此，在图像目标识别方法中，追求特征学习算法模型精度的同时，降低模型训练的显存消耗问题也需要同步考虑，以提升模型的应用效能。

技术实现思路

[0003]有鉴于此，本专利技术提供一种图像目标识别方法、装置及设备，应用于识别图像特征的特征学习算法模型，且针对模型的训练采用了多AI训练芯片并行计算的方式，在相同训练数据量的条件下，能够有效降低AI训练芯片的显存消耗，提升模型训练效率和模型精度，达到优化模型部署应用效能，提高图像目标识别准确度的目的，至少部分解决现有技术中存在的问题。
[0004]具体
技术实现思路
为：
[0005]一种图像目标识别方法，应用于识别图像特征的特征学习算法模型，包括：
[0006]接收待识别的若干图像数据。
[0007]基于所述特征学习算法模型对每一所述图像数据进行计算，得到每一所述图像数据对应的特征识别结果，以确定每一所述图像数据对应的至少一个图像目标。
[0008]其中，所述特征学习算法模型通过以下方法得到：
[0009]获取若干预设的图像训练数据；每一所述图像训练数据包括至少一个图像目标。
[0010]将每一所述图像训练数据发送至各目标AI训练芯片。
[0011]控制每一所述目标AI训练芯片基于目标特征学习算法模型对每一所述图像训练数据进行计算，得到每一所述目标AI训练芯片对应的每一所述图像训练数据的计算结果。
[0012]利用多AI训练芯片并行计算的损失函数对所述计算结果的损失进行计算，得到损失计算结果。
[0013]根据所述损失计算结果更新所述目标特征学习算法模型的参数，以得到最终的特征学习算法模型。
[0014]进一步地，在所述控制每一所述目标AI训练芯片基于目标特征学习算法模型对其接收的各图像训练数据进行计算之前，所述方法还包括：
[0015]确定目标AI训练芯片的数量，以确定目标拆分份数。
[0016]确定所述目标特征学习算法模型的全连接层的参数。
[0017]根据所述目标拆分份数对所述参数进行拆分，并将拆分后的参数分别发送至每一所述目标AI训练芯片。
[0018]所述目标拆分份数与所述目标AI训练芯片的数量相同；拆分后的每一份参数仅发送至一个所述目标AI训练芯片。
[0019]进一步地，所述控制每一所述目标AI训练芯片基于目标特征学习算法模型对每一所述图像训练数据进行计算，得到每一所述目标AI训练芯片对应的每一所述图像训练数据的计算结果，包括：
[0020]确定每一所述图像训练数据预先设置的特征标签，以确定每一所述图像训练数据对应的第一特征向量。
[0021]控制每一所述目标AI训练芯片将每一所述图像训练数据输入所述目标特征学习算法模型，将目标特征学习算法模型每一层的计算结果作为紧后一层的输入参数对每一所述图像训练数据进行计算，直至每一所述目标AI训练芯片根据其接收的参数完成全连接层计算，得到每一所述目标AI训练芯片对应的全连接层输出的第二特征向量；所述第二特征向量包括每一所述图像训练数据对应的各特征维度的特征向量；所述特征维度由所述目标特征学习算法模型初始化时确定。
[0022]控制每一所述目标AI训练芯片计算每一所述图像训练数据对应的第一特征向量和其对应的各特征维度的特征向量的第一夹角余弦值；所述第一夹角余弦值为每一所述图像训练数据对应的第一特征向量和其对应的各特征维度的特征向量的实际夹角的余弦值；每一所述目标AI训练芯片对应的每一所述图像训练数据所对应的第一夹角余弦值的数量与所述特征维度的数量相同。
[0023]将每一所述目标AI训练芯片对应的每一所述图像训练数据所对应的最大第一夹角余弦值确定为每一所述目标AI训练芯片对应的每一所述图像训练数据的计算结果。
[0024]进一步地，所述各目标AI训练芯片基于通信规约建立通信连接。
[0025]进一步地，所述利用多AI训练芯片并行计算的损失函数对所述计算结果的损失进行计算，包括：
[0026]控制每一所述目标AI训练芯片计算每一所述图像训练数据对应的第一特征向量和其对应的各特征维度的特征向量的第二夹角余弦值；所述第二夹角余弦值为每一所述图像训练数据对应的第一特征向量和其对应的各特征维度的特征向量的实际夹角添加预设角度值后的余弦值；每一所述目标AI训练芯片对应的每一所述图像训练数据所对应的第二夹角余弦值的数量与所述特征维度的数量相同。
[0027]根据所述第一夹角余弦值和第二夹角余弦值确定所述图像训练数据中包含的难样本数据。
[0028]按照预设规则对所述难样本数据对应的图像训练数据所对应的计算结果进行更新。
[0029]对每一所述图像训练数据的计算结果进行损失计算，以得到所述损失计算结果。
[0030]进一步地，所述根据所述第一夹角余弦值和第二夹角余弦值确定所述图像训练数据中包含的难样本数据，包括：
[0031]在每一所述目标AI训练芯片中确定一段目标显存。
[0032]基于各目标AI训练芯片之间的通信连接，将每一所述第二夹角余弦值存储进每一所述目标AI训练芯片的目标显存中。
[0033]在每一所述目标显存中确定出每一所述图像训练数据对应的最大第二夹角余弦值。
[0034]在每一所述目标显存中对比每一所述图像训练数据对应的最大第二夹角余弦值与其对应的各特征维度下的第一夹角余弦值的大小，将第一夹角余弦值大于最大第二夹角余弦值对应的特征维度所对应的第一夹角余弦值确定为相应图像训练数据的难样本数据。
[0035]进一步地，所述按照预设规则对所述难样本数据对应的图像训练数据所对应的计算结果进行更新，包括：
[0036]基于各目标AI训练芯片之间的通信连接，计算各图像训练数据的计算结果的均值。
[0037]计算各图像训练数据对应的计算结果的均值的滑动平均值。
[0038]控制每一所述目标AI训练芯片计算其对应的每一所述难样本数据与所述滑动平均值的和，得到每一所述目标AI训练芯片对应的每一所述难样本数据所对应的第一计算值。
[0039]控制每一所述目标AI训练芯片计算每一所述第一计算值与其对应的难本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像目标识别方法，其特征在于，应用于识别图像特征的特征学习算法模型，包括：接收待识别的若干图像数据；基于所述特征学习算法模型对每一所述图像数据进行计算，得到每一所述图像数据对应的特征识别结果，以确定每一所述图像数据对应的至少一个图像目标；其中，所述特征学习算法模型通过以下方法得到：获取若干预设的图像训练数据；每一所述图像训练数据包括至少一个图像目标；将每一所述图像训练数据发送至各目标AI训练芯片；控制每一所述目标AI训练芯片基于目标特征学习算法模型对每一所述图像训练数据进行计算，得到每一所述目标AI训练芯片对应的每一所述图像训练数据的计算结果；利用多AI训练芯片并行计算的损失函数对所述计算结果的损失进行计算，得到损失计算结果；根据所述损失计算结果更新所述目标特征学习算法模型的参数，以得到最终的特征学习算法模型。2.根据权利要求1所述的方法，其特征在于，在所述控制每一所述目标AI训练芯片基于目标特征学习算法模型对其接收的各图像训练数据进行计算之前，所述方法还包括：确定目标AI训练芯片的数量，以确定目标拆分份数；确定所述目标特征学习算法模型的全连接层的参数；根据所述目标拆分份数对所述参数进行拆分，并将拆分后的参数分别发送至每一所述目标AI训练芯片；所述目标拆分份数与所述目标AI训练芯片的数量相同；拆分后的每一份参数仅发送至一个所述目标AI训练芯片。3.根据权利要求2所述的方法，其特征在于，所述控制每一所述目标AI训练芯片基于目标特征学习算法模型对每一所述图像训练数据进行计算，得到每一所述目标AI训练芯片对应的每一所述图像训练数据的计算结果，包括：确定每一所述图像训练数据预先设置的特征标签，以确定每一所述图像训练数据对应的第一特征向量；控制每一所述目标AI训练芯片将每一所述图像训练数据输入所述目标特征学习算法模型，将目标特征学习算法模型每一层的计算结果作为紧后一层的输入参数对每一所述图像训练数据进行计算，直至每一所述目标AI训练芯片根据其接收的参数完成全连接层计算，得到每一所述目标AI训练芯片对应的全连接层输出的第二特征向量；所述第二特征向量包括每一所述图像训练数据对应的各特征维度的特征向量；所述特征维度由所述目标特征学习算法模型初始化时确定；控制每一所述目标AI训练芯片计算每一所述图像训练数据对应的第一特征向量和其对应的各特征维度的特征向量的第一夹角余弦值；所述第一夹角余弦值为每一所述图像训练数据对应的第一特征向量和其对应的各特征维度的特征向量的实际夹角的余弦值；每一所述目标AI训练芯片对应的每一所述图像训练数据所对应的第一夹角余弦值的数量与所述特征维度的数量相同；将每一所述目标AI训练芯片对应的每一所述图像训练数据所对应的最大第一夹角余
弦值确定为每一所述目标AI训练芯片对应的每一所述图像训练数据的计算结果。4.根据权利要求3所述的方法，其特征在于，所述各目标AI训练芯片基于通信规约建立通信连接。5.根据权利要求4所述的方法，其特征在于，所述利用多AI训练芯片并行计算的损失函数对所述计算结果的损失进行计算，包括：控制每一所述目标AI训练芯片计算每一所述图像训练数据对应的第一特征向量和其对应的各特征维度的特征向量的第二夹角余弦值；所述第二夹角余弦值为每一所述图像训练数据对应的第一特征向量和其对应的各特征维度的特征向量的实际夹角添加预设角度值后的余弦值；每一所述目标AI训练芯片对应的每一所述图像训练数据所对应的第二夹角余...

【专利技术属性】
技术研发人员：朱勇，俱伟健，岳蓬星，
申请(专利权)人：中科创达重庆汽车科技有限公司，
类型：发明
国别省市：