[发明专利]一种图像识别方法、终端设备及存储介质

说明书

本发明涉及一种图像识别方法、终端设备及存储介质，该方法包括以下步骤：S1：采集图像并对其进行标记后组成训练集；S2：通过训练集对神经网络模型进行训练，并对训练后的神经网络模型进行剪枝，剪枝过程如下：S21：输入每层卷积层的所有卷积核，设定卷积层的最大簇间距，层数i＝N，N表示卷积层的总层数；S22：判断i1是否成立，如果是，进入S26；否则，进入S23；S23：将第i层卷积层的所有通道进行聚类合并为M个簇；S24：根据合并后的M个簇，生成第i层卷积层的M个通道，使得每个通道仅保留一个卷积核；S25：令i＝i‑1，返回S22；S26：输出每层卷积层的所有卷积核；S3：通过剪枝后的神经网络模型进行图像识别。本发明提高了图像识别的效率。

技术领域

本发明涉及图像识别领域，尤其涉及一种图像识别方法、终端设备及存储介质。

背景技术

目前，图像分类、人脸识别等图像分类识别中，通常采用神经网络模型进行识别。然而，随着人工智能技术的不断发展，神经网络模型的部署也需要逐渐完成从大型PC机到端侧的转移，但由于端侧计算资源有限，又同时要保证神经网络模型的大小和精度几乎不受影响，由此，各种神经网络模型的压缩技术越来越受关注。为了实现神经网络的压缩与加速，技术人员提出了诸如剪枝、量化、低秩分解等方案。

最开始的剪枝方法按层权重绝对值大小剪枝，可以剪去激活较小的不重要的权重。通道剪枝则可以解决加速的问题，现有的通道剪枝方法主要有：(1)根据整体通道权值大小，整体权重较大的保留，而权重较小的剪除，典型的代表方法为PFEC(Li H,Kadav A,Durdanovic I,et al.Pruning Filters for Efficient ConvNets[J].2016)；(2)用一个最能代表整个层权重的通道卷积核来近似，然后计算其他通道到这个通道的欧式距离，依次剪去距离该卷积核较小的通道，典型的代表方法为FPGM(He Y,Liu P,Wang Z,etal.Filter Pruning via Geometric Median for Deep Convolutional Neural NetworksAcceleration[J].2018)。

以上两种通道剪枝方法虽然起到了一定的剪枝效果，但其剪枝效率不太高，而且会较大地影响神经网络的精度。

发明内容

为了解决上述问题，本发明提出了一种图像识别方法、终端设备及存储介质。

具体方案如下：

一种图像识别方法，包括以下步骤：

S1：采集图像并对其进行标记后组成训练集；

S2：通过训练集对神经网络模型进行训练，并对训练后的神经网络模型进行剪枝，所述对神经网络模型进行剪枝的过程包括以下步骤：

S21：输入神经网络模型中每层卷积层的所有卷积核，设定每层卷积层的最大簇间距，初始化设定层数i＝N，N表示卷积层的总层数；

S22：判断i1是否成立，如果是，进入S26；否则，进入S23；

S23：将第i层卷积层的所有通道进行聚类合并为M个簇，使得合并后的任意两个簇之间的簇间距小于该层对应的最大簇间距；

S24：根据合并后的M个簇，生成第i层卷积层的M个通道，使得每个通道仅保留一个卷积核；

S25：令i＝i-1，返回S22；

S26：输出每层卷积层的所有卷积核；

S3：通过剪枝后的神经网络模型对待识别图像进行识别后输出。

进一步的，步骤S23中聚类合并的方法包括以下步骤：

S231：初始化设定每个通道的卷积核作为一个簇；