【技术实现步骤摘要】
本揭示有关于一种机器学习技术，且特别是有关于具有节省运算资源功能的机器学习技术。
技术介绍
1、就目前的机器学习(machine learning)技术而言，往往需要大量的时间资源以及运算资源才能完成模型的训练。当要在边缘运算平台上完成机器学习模型的训练以及使用时，边缘运算平台因为运算资源的不足而导致无法执行机器学习模型。因此，要如何解决边缘运算平台因为运算资源的不足而导致无法执行机器学习模型的问题是本领域技术人员急欲解决的问题。
技术实现思路
1、本揭示的一态样揭露一种影像识别边缘设备，包括存储器以及处理器。存储器用以储存多个指令。处理器连接存储器，用以执行物件识别模型，物件识别模型包含多个卷积层以及合并全连接层，多个卷积层依序串接，合并全连接层包含第一全连接输出层以及第二全连接输出层，其中处理器存取多个指令以执行以下操作：将输入影像进行下采样处理以产生下采样影像；将下采样影像输入物件识别模型经过多个卷积层依序产生多个特征张量；由多个特征张量选择其中一部分形成第一特征张量金字塔；由多个特征张量选择其中另一部分形成第二特征张量金字塔；以及将第一特征张量金字塔与第二特征张量金字塔输入合并全连接层中，由第一全连接输出层基于第一特征张量金字塔产生第一影像侦测标签，由第二全连接输出层基于第二特征张量金字塔产生第二影像侦测标签。
2、在一实施例中，处理器更用以：对多个特征张量的其中一部分进行特征金字塔处理以产生第一特征张量金字塔；以及对多个特征张量的其中另一部分进行特征金字塔处理
3、在一实施例中，处理器更用以：对多个特征张量的其中一部分进行特征金字塔处理以产生多个第一金字塔特征张量，并根据由多个第一金字塔特征张量所产生的多个第一损失率从多个第一金字塔特征张量产生第一特征张量金字塔；以及对多个特征张量的其中另一部分进行特征金字塔处理以产生多个第二金字塔特征张量，并根据由多个第二金字塔特征张量所产生的多个第二损失率从多个第二金字塔特征张量产生第二特征张量金字塔。
4、在一实施例中，多个特征张量的其中一部分包括第一高阶张量以及第一低阶张量，与第一高阶张量对应的卷积层的阶数小于与第一低阶张量对应的卷积层的阶数，其中处理器更用以：对第一高阶张量进行反卷积处理以产生第一上采样张量；对第一低阶张量进行卷积处理以产生第一卷积张量；以及对第一低阶放大张量以及第一低阶卷积张量进行元素与元素处理的加法运算以产生多个第一金字塔特征张量中的一者。
5、在一实施例中，多个特征张量的其中另一部分包括第二高阶张量以及第二低阶张量，与第二高阶张量对应的卷积层的阶数小于与第二低阶张量对应的卷积层的阶数，其中处理器更用以：对第二高阶张量进行反卷积处理以产生第二上采样张量；对第二低阶张量进行卷积处理以产生第二卷积张量；以及对第二放大张量以及第二卷积张量进行元素与元素处理的加法运算以产生多个第二金字塔特征张量中的一者。
6、本揭示的另一态样揭露一种影像识别边缘方法，包括：将输入影像进行下采样处理以产生下采样影像；将下采样影像输入物件识别模型经过多个卷积层依序产生多个特征张量，其中物件识别模型包含多个卷积层以及合并全连接层，多个卷积层依序串接，合并全连接层包含第一全连接输出层以及第二全连接输出层；由多个特征张量选择其中一部分形成第一特征张量金字塔；由多个特征张量选择其中另一部分形成第二特征张量金字塔；以及将第一特征张量金字塔与第二特征张量金字塔输入合并全连接层中，由第一全连接输出层基于第一特征张量金字塔产生第一影像侦测标签，由第二全连接输出层基于第二特征张量金字塔产生第二影像侦测标签。
7、在一实施例中，由多个特征张量选择其中一部分形成第一特征张量金字塔的步骤包括：对多个特征张量的其中一部分进行特征金字塔处理以产生第一特征张量金字塔，其中由多个特征张量选择其中另一部分形成第二特征张量金字塔的步骤包括：对多个特征张量的其中另一部分进行特征金字塔处理以产生第二特征张量金字塔。
8、在一实施例中，由多个特征张量选择其中一部分形成第一特征张量金字塔的步骤包括：对多个特征张量的其中一部分进行特征金字塔处理以产生多个第一金字塔特征张量，并根据由多个第一金字塔特征张量所产生的多个第一损失率从多个第一金字塔特征张量产生第一特征张量金字塔，其中由多个特征张量选择其中另一部分形成第二特征张量金字塔的步骤包括：对多个特征张量的其中另一部分进行特征金字塔处理以产生多个第二金字塔特征张量，并根据由多个第二金字塔特征张量所产生的多个第二损失率从多个第二金字塔特征张量产生第二特征张量金字塔。
9、在一实施例中，多个特征张量的其中一部分包括第一高阶张量以及第一低阶张量，与第一高阶张量对应的卷积层的阶数小于与第一低阶张量对应的卷积层的阶数，其中对多个特征张量的其中一部分进行特征金字塔处理以产生多个第一金字塔特征张量的步骤包括：对第一高阶张量进行反卷积处理以产生第一上采样张量；对第一低阶张量进行卷积处理以产生第一卷积张量；以及对第一低阶放大张量以及第一低阶卷积张量进行元素与元素处理的加法运算以产生多个第一金字塔特征张量中的一者。
10、在一实施例中，多个特征张量的其中另一部分包括第二高阶张量以及第二低阶张量，与第二高阶张量对应的卷积层的阶数小于与第二低阶张量对应的卷积层的阶数，其中对多个特征张量的其中另一部分进行特征金字塔处理以产生多个第二金字塔特征张量的步骤包括：对第二高阶张量进行反卷积处理以产生第二上采样张量；对第二低阶张量进行卷积处理以产生第二卷积张量；以及对第二放大张量以及第二卷积张量进行元素与元素处理的加法运算以产生多个第二金字塔特征张量中的一者。
11、基于上述，本揭示的影像识别边缘设备以及方法可针对多个不同的识别任务采用单一个主骨干层，且不同的识别任务可从主骨干层提取所需要的特征张量以形成各自的特征张量金字塔。借此，将解决边缘运算平台因为运算资源的不足而导致无法执行机器学习模型的问题。
本文档来自技高网...【技术保护点】
1.一种影像识别边缘设备，其特征在于，包括：
2.如权利要求1所述的影像识别边缘设备，其特征在于，所述处理器更用以：
3.如权利要求1所述的影像识别边缘设备，其特征在于，所述处理器更用以：
4.如权利要求3所述的影像识别边缘设备，其特征在于，所述多个特征张量的所述其中一部分包括一第一高阶张量以及一第一低阶张量，与所述第一高阶张量对应的卷积层的阶数小于与所述第一低阶张量对应的卷积层的阶数，其中所述处理器更用以：
5.如权利要求3所述的影像识别边缘设备，其特征在于，所述多个特征张量的所述其中另一部分包括一第二高阶张量以及一第二低阶张量，与所述第二高阶张量对应的卷积层的阶数小于与所述第二低阶张量对应的卷积层的阶数，其中所述处理器更用以：
6.一种影像识别边缘方法，其特征在于，用于一影像识别边缘设备，包括：
7.如权利要求6所述的影像识别边缘方法，其特征在于，由所述多个特征张量选择所述其中一部分形成所述第一特征张量金字塔的步骤包括：
8.如权利要求6所述的影像识别边缘方法，其特征在于，由所述多个特征张量选
9.如权利要求8所述的影像识别边缘方法，其特征在于，所述多个特征张量的所述其中一部分包括一第一高阶张量以及一第一低阶张量，与所述第一高阶张量对应的卷积层的阶数小于与所述第一低阶张量对应的卷积层的阶数，其中对所述多个特征张量的所述其中一部分进行特征金字塔处理以产生所述多个第一金字塔特征张量的步骤包括：
10.如权利要求8所述的影像识别边缘方法，其特征在于，所述多个特征张量的所述其中另一部分包括一第二高阶张量以及一第二低阶张量，与所述第二高阶张量对应的卷积层的阶数小于与所述第二低阶张量对应的卷积层的阶数，其中对所述多个特征张量的所述其中另一部分进行特征金字塔处理以产生所述多个第二金字塔特征张量的步骤包括：
...【技术特征摘要】
1.一种影像识别边缘设备，其特征在于，包括：
2.如权利要求1所述的影像识别边缘设备，其特征在于，所述处理器更用以：
3.如权利要求1所述的影像识别边缘设备，其特征在于，所述处理器更用以：
4.如权利要求3所述的影像识别边缘设备，其特征在于，所述多个特征张量的所述其中一部分包括一第一高阶张量以及一第一低阶张量，与所述第一高阶张量对应的卷积层的阶数小于与所述第一低阶张量对应的卷积层的阶数，其中所述处理器更用以：
5.如权利要求3所述的影像识别边缘设备，其特征在于，所述多个特征张量的所述其中另一部分包括一第二高阶张量以及一第二低阶张量，与所述第二高阶张量对应的卷积层的阶数小于与所述第二低阶张量对应的卷积层的阶数，其中所述处理器更用以：
6.一种影像识别边缘方法，其特征在于，用于一影像识别边缘设备，包括：
7.如权利要求6所述的影像识别边缘方法，其特征在于，由所述多...
【专利技术属性】
技术研发人员：张均东，
申请(专利权)人：财团法人资讯工业策进会，
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。