[发明专利]低比特网络的图像识别方法、系统及电子设备

说明书

本发明涉及图像识别技术领域，提供一种低比特网络的图像识别方法、系统及电子设备，其中方法包括：将获取的待识别图像输入图像识别模型识别出图像特征；基于图像特征与预存的特征样本，得到识别结果；其中，将输入图像识别模型的网络层的特征值以及网络层的浮点权重分别量化为预设第一位宽的特征值数据和预设第二位宽的权重数据，预设第一位宽和预设第二位宽分别小于量化前的特征值和浮点权重的位宽。该方法用以解决现有技术中在基于深度学习的图像识别中，应用浮点数据进行运算，所造成的需要较高存储资源和计算资源支持的缺陷，实现浮点数据的低比特量化，进而降低基于深度学习的图像识别，对存储资源和计算资源的要求，提高识别效率。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种低比特网络的图像识别方法、系统及电子设备。

背景技术

目前基于深度学习的方法可以很好地对图像特征进行描述，但是深度学习的方法，在模型的网络层中参与运算的是单精度的浮点数据，而浮点数据一般为位宽32比特的数据，运算数据量大，因而使得基于深度学习的图像识别计算复杂度高，需要较高的存储资源和计算资源。

发明内容

本发明提供一种低比特网络的图像识别方法、系统及电子设备，用以解决现有技术中在基于深度学习的图像识别中，应用浮点数据进行运算，所造成的需要较高存储资源和计算资源支持的缺陷，实现浮点数据的低比特量化，进而降低基于深度学习的图像识别，对存储资源和计算资源的要求，提高识别效率。

本发明提供一种低比特网络的图像识别方法，包括：

获取待识别图像；

将所述待识别图像输入图像识别模型中，识别所述待识别图像的图像特征；

基于所述待识别图像的图像特征与预存的特征样本，得到所述待识别图像的识别结果；

其中，针对所述图像识别模型的每个网络层，将输入所述网络层的特征值以及所述网络层的浮点权重分别量化为预设第一位宽的特征值数据和预设第二位宽的权重数据，所述预设第一位宽和所述预设第二位宽分别小于量化前的所述特征值的位宽和所述浮点权重的位宽。

根据本发明所述的低比特网络的图像识别方法，所述将输入所述网络层的特征值以及所述网络层的浮点权重分别量化为预设第一位宽的特征值数据和预设第二位宽的权重数据，包括：

按照第一预设规则，将所述特征值限制在第一预设数值范围内；

基于限制在所述第一预设数值范围内的所述特征值和所述预设位宽，得到所述特征值数据。

根据本发明所述的低比特网络的图像识别方法，所述第一预设规则为：

当所述特征值小于所述第一预设数值范围的下限值时，将所述特征值设定为等于所述下限值；

当所述特征值处于所述第一预设数值范围内时，保持所述特征值不变；

当所述特征值大于所述第一预设数值范围的上限值时，将所述特征值设定为等于所述上限值。

根据本发明所述的低比特网络的图像识别方法，所述基于限制在所述第一预设数值范围内的所述特征值和所述预设位宽，得到所述特征值数据，包括：

基于所述预设第一位宽，得到在所述预设第一位宽下的最大值；

将限制在所述第一预设数值范围内的所述特征值和在所述预设第一位宽下的最大值相乘，得到第一乘积；

对所述第一乘积进行取整，得到所述特征值数据。

根据本发明所述的低比特网络的图像识别方法，所述将输入所述网络层的特征值以及所述网络层的浮点权重分别量化为预设第一位宽的特征值数据和预设第二位宽的权重数据，包括：

按照第二预设规则，将所述浮点权重变换到第二预设数值范围内；