[发明专利]基于卷积神经网络模型的图像识别方法

说明书

本申请提供了一种基于卷积神经网络模型的图像识别方法。该方法包括：在运行第一卷积神经网络模型的N个卷积层中的第i卷积层之前，确定第i卷积层的blob占用的第i内存大小；在内存块复用池中确定大于或等于第i内存大小的第i内存复用块。本申请通过对卷积神经网络模型的运行占用内存进行调整，有助于降低卷积神经网络模型的运行内存开销，满足智能门锁场景的要求。

技术领域

本申请涉及电子技术领域，尤其涉及电子技术领域基于卷积神经网络模型的图像识别方法。

背景技术

在图像识别技术领域，主要通过训练的各种卷积神经网络模型进行识别，图像识别技术在日常生活中应用广泛，例如，在智能门锁领域，主要通过各种训练的卷积神经网络模型来实现智能门锁的图像识别功能。目前，运行卷积神经网络模型时各个卷积层的每个二进制大对象(binary large object，blob)都对应占用内存块，甚至会存在部分blob所占用的内存块为空闲状态的情况，这对于芯片内存有限的智能门锁来说，会造成很大的内存开销，同时还会造成时间消耗和电量消耗等问题。为此，亟需一种有助于降低卷积神经网络模型的运行内存开销的方法来满足智能门锁场景的要求。

发明内容

本申请实施例提供了一种基于卷积神经网络模型的图像识别方法，有助于降低卷积神经网络模型的运行内存开销，满足智能门锁场景的要求。

第一方面，本申请实施例提供了一种基于卷积神经网络模型的图像识别方法，包括：

获取图像数据；

确定第一卷积神经网络模型中包括的第i卷积层的二进制大对象blob占用的第i内存大小，所述第一卷积神经网络模型包括N个卷积层，N为大于或等于2的正整数，所述N个卷积层中每个卷积层的数据结构为blob；

在内存块复用池中确定大于或等于所述第i内存大小的第i内存复用块，所述内存块复用池包括至少一个内存复用块，所述至少一个内存复用块包括所述第i内存复用块；

将所述第i内存复用块确定为所述第i卷积层的内存；

基于所述第i卷积层的内存运行所述第i卷积层以对所述图像数据进行识别，得到识别结果，i遍历完1至N。

在上述技术方案中，在对获取的图像数据进行识别之前，确定第一卷积神经网络模型的第i个卷积层的blob占用的第i内存大小，并在内存块复用池中确定第i内存复用块，基于第i卷积层的内存运行第i卷积层对图像数据进行识别，避免第一卷积神经网络模型的运行中针对每个卷积层分别新建内存块，增大内存开销的问题，若采用本申请实施例提供的在内存复用池中确定内存复用块，有助于减小内存的开销，降低第一卷积神经网络模型运行时输入输出数据所占用的内存。

可选地，第一设备获取图像数据。

可选地，第一卷积神经网络模型的形式为中间格式文件的形式。

可选地，第一设备将所述第i卷积层的输入的间接缓冲区indirect buffer指向第i内存复用块。

在一些可能的实现方式中，所述在所述内存块复用池中确定大于或等于所述第i内存大小的所述第i内存复用块之前，所述方法还包括：

统计所述第一卷积神经网络模型的所述N个卷积层的每个blob的被引用计数；

将引用计数小于或等于预设值的blob对应的内存作为内存复用块保存在所述内存块复用池中。

可选地，第一设备设定的预设值为1，第一设备将引用计数小于1的blob对应的内存作为内存复用块保存在内存块复用池中。

可选地，第一设备设定的预设值为0，第一设备将引用计数等于0的blob对应的内存作为内存复用块保存在内存块复用池中。

可选地，第一设备将内存块复用池中的复用内存块按从小到大的顺序进行排布。