[发明专利]图像识别方法、装置及计算机可读存储介质

权利要求书

1.一种图像识别方法，其特征在于，包括：

预先将样本图像数据集输入至原始神经网络模型；对所述原始神经网络模型的每一个卷积层，以所述样本图像数据集在当前层的特征图为重构目标，利用核集构建方法先获取卷积核的更新权值，再计算重构误差最小的输入通道组合并裁剪冗余的输入通道，作为所述当前层的压缩结果；将各卷积层的压缩结果拼接生成图像识别模型；

将获取的待识别图像输入至所述图像识别模型中，得到所述待识别图像的图像识别结果；

其中，所述计算重构误差最小的输入通道组合并裁剪冗余的输入通道包括：

根据所述当前层卷积核更新后的权值确定所述当前层各输入通道被选中的概率，并将各输入通道被选中的概率组成命中概率集；

基于所述命中概率集计算输出特征图重构误差最小的输入通道组合，并根据所述输入通道组合移除未被选择的输入通道；

计算压缩后卷积核的输出特征图，以将所述当前层压缩后的卷积核与所述样本图像数据集的卷积结果作为所述当前层的下一个卷积层的输入数据。

2.根据权利要求1所述的图像识别方法，其特征在于，所述以所述样本图像数据集在当前层的特征图为重构目标，利用核集构建方法先获取卷积核的更新权值包括：

根据所述样本图像数据集中各样本数据在所述当前层的各输入通道的特征图确定所述当前层各输入通道的重要性；根据各输入通道的重要性为各输入通道设置重要性加权系数；通过计算各输入通道加权后的重要性函数及其和函数确定每个输入通道的采样概率；按照每个输入通道的采样概率对相应输入通道进行多轮采样，每轮依照所述采样概率对所述当前层的输入通道集合进行多次采样得到一个核集，计算并累加通道核集对应的特征图重构误差，通过计算最小化特征图重构误差的优化函数以获取所述当前层的卷积核权重的更新值。

3.根据权利要求2所述的图像识别方法，其特征在于，所述通过计算各输入通道加权后的重要性函数及其和函数确定每个输入通道的采样概率包括：

调用预先存储的重要性函数关系式计算各输入通道加权后的重要性函数，所述重要性函数关系式为：

s_i(x)= w_i(x)·g_i(x)；

第i个输入通道的采样概率p_i为p_i= s_i(x)/t；

其中，s_i(x)为第i个输入通道加权后的重要性函数，w_i(x)为第i个输入通道的重要性加权系数，g_i(x)为第i个输入通道的初始重要性函数，，，为所述样本图像数据集X中各样本数据在第i输入通道的特征图x_i的Frobenius范数的最大值，m_l-1为所述原始神经网络模型的第l-1卷积层的输出通道总数，为所有输入通道的特征图Frobenius范数的最大值的均值，a_l为所述原始神经网络模型的第l卷积层目标要达到的压缩后输入通道数；t为所述和函数，。