【技术实现步骤摘要】
本专利技术属于图像模型优化，更具体的说是涉及一种图像识别与分类方法、系统、设备及介质。
技术介绍
1、在计算机视觉领域，深度神经网络已成为图像识别与分类任务的核心解决方案。主流模型如卷积神经网络（cnn）和视觉transformer（vit）通过堆叠密集的参数量与计算单元，在imagenet分类、目标检测等基准任务中取得了显著进展。例如，resnet系列通过深层残差连接实现了特征复用，而vision transformer及其变种则利用自注意力机制建模全局依赖关系。然而，这类密集型网络存在固有缺陷：其计算复杂度与模型容量在训练前即被固定，无法根据输入数据的复杂程度进行动态调整。
2、具体而言，对于包含简单场景或常见物体的图像（如单一物体居中拍摄的图像），网络仍需激活全部参数进行推理，导致大量冗余计算；而对于包含复杂背景、多尺度目标或遮挡场景的图像（如密集城市街景），固定容量的模型又可能因表征能力不足而降低分类精度。
3、现有改进方案主要聚焦于静态模型压缩或级联式推理，但存在显著局限性。例如，知识蒸馏通过训练小型学...
【技术保护点】
1.一种图像识别与分类方法，其特征在于，包括：
2.根据权利要求1所述的图像识别与分类方法，其特征在于，所述获取待处理的图像，对所述图像进行归一化和缩放处理，生成目标图像，包括：
3.根据权利要求2所述的图像识别与分类方法，其特征在于，所述对目标图像进行分块处理和向量化处理，生成多个包含一维向量的图像块，作为初始特征向量，包括：
4.根据权利要求3所述的图像识别与分类方法，其特征在于，所述将所述初始特征向量输入到混合专家模块中，通过门控机制计算专家网络的路由权重，包括：
5.根据权利要求4所述的图像识别与分类方法，其特征...
【技术特征摘要】
1.一种图像识别与分类方法，其特征在于，包括：
2.根据权利要求1所述的图像识别与分类方法，其特征在于，所述获取待处理的图像，对所述图像进行归一化和缩放处理，生成目标图像，包括：
3.根据权利要求2所述的图像识别与分类方法，其特征在于，所述对目标图像进行分块处理和向量化处理，生成多个包含一维向量的图像块，作为初始特征向量，包括：
4.根据权利要求3所述的图像识别与分类方法，其特征在于，所述将所述初始特征向量输入到混合专家模块中，通过门控机制计算专家网络的路由权重，包括：
5.根据权利要求4所述的图像识别与分类方法，其特征在于，所述基于计算出的路由权重，采用稀疏激活机制激活处理数据的专家网络，包括：
6.根据权利要求5所述的图像识别与分类方法，其特征在于...
【专利技术属性】
技术研发人员：夏娉，付金涛，周冬，李晨，
申请(专利权)人：浪潮智慧科技南京有限公司，
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。