[发明专利]一种目标识别方法及设备

说明书

本发明公开了一种目标识别方法及设备，涉及目标识别技术领域，用以解决在利用神经网络模型进行目标识别时，存在着大量数据的乘除运算而导致处理任务的效率过低的问题，该方法包括：将用于目标识别的图像数据输入神经网络模型，利用所述神经网络模型对所述图像数据进行目标识别过程中，确定N个相乘或相除的处理数据；从所述N个相乘或相除的处理数据中确定M个移位数据；根据各移位数据的真实值和绝对值确实各移位数据对应的移位方向和移位位数；根据所述各移位数据对应的移位方向和移位位数，确定所述N个处理数据相乘或相除的结果；根据所述N个处理数据相乘或相除的结果，通过所述神经网络模型输出所述目标识别的识别结果。

技术领域

本发明涉及目标识别技术领域，特别涉及一种目标识别方法及设备。

背景技术

随着计算机技术、神经网络技术的发展，越来越多的人用神经网络模型进行目标识别，但在用神经网络模型进行目标识别的过程中，存在着大量复杂数据的运算，如各个网络层的浮点型模型参数，以及可能为小数形式的图像数据，上述各个网络层的模型参数以及上述图像数据间的运算直接影响着神经网络模型进行目标识别的效率，但在使用神经网络模型进行目标识别时，由于上述模型参数以及图像数据间存在大量复杂的乘除运算，且上述模型参数和图像数据常常以小数或者浮点型数据的形式表示，进而导致神经网络模型处理数据占用计算资源多，十分消耗时间，加长运算周期，进而极大地降低了神经网络模型进行目标识别的效率。

综上所述，在利用神经网络模型进行目标识别时，存在着大量数据的乘除运算，进而导致利用神经网络模型处理任务的效率过低。

发明内容

本发明提供一种目标识别方法及设备，用以解决现有技术中，存在利用神经网络模型进行目标识别时，存在着大量数据的乘除运算，进而导致利用神经网络模型处理任务的效率过低的问题。

第一方面，本申请实施例提供一种目标识别方法，该方法包括：

将用于目标识别的图像数据输入神经网络模型；

利用所述神经网络模型对所述图像数据进行目标识别过程中，确定N个相乘或相除的处理数据；

从所述N个相乘或相除的处理数据中确定M个移位数据，其中，所述N为大于1的整数，所述M为大于0小于N的整数；

根据各移位数据的真实值确实所述各移位数据对应的移位方向，根据各移位数据的绝对值确定所述各移位数据对应的移位位数；

根据所述各移位数据对应的移位方向和移位位数，确定所述N个处理数据相乘或相除的结果；

根据所述N个处理数据相乘或相除的结果，通过所述神经网络模型输出所述目标识别的识别结果。

上述方法中，在利用神经网络模型进行目标识别时，在出现的多个处理数据的乘除运算中，用数据的移位替代一部分乘除运算，占用的计算资源较少，进而加快数据处理的速度，节省时间提高效率，另一方面，上述方法中，根据移位数据的绝对值确定对应的移位位数，保证移位后的结果与实际运算的结果偏离程度在一定范围之内。

在一种可能的实现方式中，所述处理数据包括如下任一或任多：

所述神经网络模型的模型参数；

量化所述神经网络模型时的模型参数的量化系数；

量化后的所述神经网络模型的模型参数；

所述用于目标识别的图像数据。

在一种可能的实现方式中，该方法用于多个处理数据相乘时，根据各移位数据的真实值确实所述各移位数据对应的移位方向，包括：

任一移位数据的真实值大小大于第一预设数据时，确定该移位数据的移位方向为左移；

任一移位数据的真实值大小不大于第一预设数据时，确定该移位数据的移位方向为右移。