[发明专利]目标对象识别方法、装置、存储介质和设备

说明书

公开了一种目标对象识别方法、装置、存储介质和设备。其中的识别方法包括：将待识别图像提供给用于目标对象识别的神经网络；在通过所述神经网络对所述待识别图像执行特征提取处理操作的过程中，根据所述神经网络中的分组卷积层对应的卷积分组数，对所述分组卷积层的输入特征进行分组卷积处理，得到所述分组卷积层的输出特征；其中，所述分组卷积层对应的卷积分组数是根据所述分组卷积层的输入特征通道数和分组基数确定的；根据该神经网络的输出，获得所述待识别图像的目标对象特征向量；基于所述特征向量，识别所述待识别图像中的目标对象。本公开有利于使神经网络具有较小的计算代价和较低的计算延迟。

技术领域

本公开涉及计算机视觉技术，尤其是一种目标对象识别方法、目标对象识别装置、存储介质以及电子设备。

背景技术

在一些应用场景中，由于终端设备的硬件条件等因素，往往不仅要考虑部署在终端设备中的目标对象识别模型的识别准确性，还要同时考虑目标对象识别模型的计算量、计算时间以及计算过程中的参数量。如何在保证目标对象识别模型具有较好的识别准确性的同时，兼顾较小的计算量、较低的计算延迟以及较少的参数量，是一个值得关注的技术问题。

发明内容

为了解决上述技术问题，提出了本公开。本公开的实施例提供了一种目标对象识别方法、目标对象识别装置、存储介质和电子设备。

根据本公开实施例的一个方面，提供一种目标对象识别方法，包括：将待识别图像提供给用于目标对象识别的神经网络；在通过所述神经网络对所述待识别图像执行特征提取处理操作的过程中，根据所述神经网络中的分组卷积层对应的卷积分组数，对所述分组卷积层的输入特征进行分组卷积处理，得到所述分组卷积层的输出特征；其中，所述分组卷积层对应的卷积分组数是根据所述分组卷积层的输入特征通道数和分组基数确定的；根据所述神经网络的输出，获得所述待识别图像的目标对象特征向量；基于所述特征向量，识别所述待识别图像中的目标对象。

根据本公开实施例的另一个方面，提供一种目标对象识别装置，所述装置包括：输入模块，用于将待识别图像提供给用于目标对象识别的神经网络；分组卷积处理模块，用于在通过所述神经网络对所述输入模块提供的待识别图像执行特征提取处理操作的过程中，根据所述神经网络中的分组卷积层对应的卷积分组数，对所述分组卷积层的输入特征进行分组卷积处理，得到所述分组卷积层的输出特征；其中，所述分组卷积层对应的卷积分组数是根据所述分组卷积层的输入特征通道数和分组基数确定的；获得特征向量模块，用于根据所述神经网络的输出，获得所述待识别图像的目标对象特征向量；目标对象识别模块，用于基于所述获得特征向量所获得的特征向量，识别所述待识别图像中的目标对象。

根据本公开实施例的再一方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述目标对象识别方法。

根据本公开实施例的又一方面，提供了一种电子设备，该电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述目标对象识别方法。

基于本公开上述实施例提供的一种目标对象识别方法和装置，通过在神经网络执行特征提取处理操作的分组卷积处理过程中，获取分组卷积层对应的卷积分组数，由于该卷积分组数是由分组卷积层的输入特征的通道数和分组基数确定的，因此，在每次进行分组卷积处理时，不同的分组卷积处理均对应相同的通道数，且每一个分组卷积处理对应的通道数均为多个，从而有利于提高乘法器的利用率。由此可知，本公开提供的技术方案有利于在保证神经网络具有较好的目标对象识别准确性的同时，使神经网络具有较小的计算代价和较低的计算延迟。

下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。

附图说明

构成说明书的一部分的附图描述了本公开的实施例，并且连同描述一起用于解释本公开的原理。

参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：