[发明专利]一种图像中物体类别的识别方法、装置、设备及存储介质

说明书

本发明公开了一种图像中物体类别的识别方法，该方法包括以下步骤：接收待识别的目标图像；利用基于特征图信息熵进行剪枝训练得到的目标物体类别识别模型对目标图像中的物体进行识别操作，得到目标物体类别；对目标物体类别进行输出操作。应用本发明所提供的图像中物体类别的识别方法，提升了模型的图像识别性能，提高了对图像中物体的类型识别的准确性，节省了内存空间，降低了推理耗时。本发明还公开了一种图像中物体类别的识别装置、设备及存储介质，具有相应技术效果。

技术领域

本发明涉及图像识别技术领域，特别是涉及一种图像中物体类别的识别方法、装置、设备及计算机可读存储介质。

背景技术

由于深度学习理论的发展，卷积神经网络变得越来越深，应用也越来越广泛。目前关于卷积神经网络在图像识别上的研究得到越来越多的关注，卷积神经网络在图像识别领域展现出的巨大优势。但随着卷积神经网络在识别方面的性能提升，模型的深度和参数的增加，占用的空间和计算量也越来越大。因此，深度神经网络模型在资源受限的设备上，例如智能手机、医疗监控器等，部署变得困难。因此，人们对网络压缩进行了大量的研究，以适应存储容量有限的设备。

网络剪枝作为最常用的模型压缩方法，在主流硬件上得到了很好的应用，其目的是找出并删除网络模型中不重要的权值或过滤器，并生成更紧凑的子网，但使模型的性能损失尽可能的小。因此，确定权重和滤波器重要性的基础对于网络剪枝变得尤为重要。但是目前的过滤器剪枝方法在追求更高的剪枝率的同时，又受到机器运算时间、人力、以及随着剪枝率提高精度损失也随之提高的限制，从而使得剪枝率与模型精度之间不能得到很好的权衡，进而导致模型的图像识别性能差，对图像中物体的类型识别不准确，内存空间占用大，类别推理耗时长。

综上所述，如何有效地解决模型的图像识别性能差，对图像中物体的类型识别不准确，内存空间占用大，类别推理耗时长等问题，是目前本领域技术人员急需解决的问题。

发明内容

本发明的目的是提供一种图像中物体类别的识别方法，该方法提升了模型的图像识别性能，提高了对图像中物体的类型识别的准确性，节省了内存空间，降低了推理耗时；本发明的另一目的是提供一种图像中物体类别的识别装置、设备及计算机可读存储介质。

为解决上述技术问题，本发明提供如下技术方案：

一种图像中物体类别的识别方法，包括：

接收待识别的目标图像；

利用基于特征图信息熵进行剪枝训练得到的目标物体类别识别模型对所述目标图像中的物体进行识别操作，得到目标物体类别；

对所述目标物体类别进行输出操作。

在本发明的一种具体实施方式中，还包括对所述目标物体类别识别模型的剪枝训练过程，所述对所述目标物体类别识别模型的剪枝训练过程包括：

利用预选取的训练图像集对预构建的神经网络模型进行训练，得到当前物体类别识别模型；

获取当前物体类别识别模型中各卷积层分别对应的剪枝率和原始输出通道数；

根据各所述剪枝率和各所述原始输出通道数计算各所述卷积层分别对应的剪枝后的目标通道数；

获取预设剪枝轮数；

结合所述预设剪枝轮数和所述目标通道数对当前物体类别识别模型进行逐轮剪枝操作，得到所述目标物体类别识别模型。

在本发明的一种具体实施方式中，结合所述预设剪枝轮数和所述目标通道数对当前物体类别识别模型进行逐轮剪枝操作，包括：

获取各所述卷积层输出的各特征图；

分别对各所述特征图进行信息熵计算，得到各所述特征图分别对应的信息熵；