[发明专利]一种图像识别方法和装置

权利要求书

1.一种图像识别方法，其特征在于，包括执行以下步骤：

使用图像训练集训练网络模型，以获得卷积核权重和偏置值；

采集待识别图像以执行针对所述网络模型的预处理，获得输入特征；

根据所述卷积核权重构建多种卷积算子，并执行多次循环卷积，在每一次循环中分别根据当次循环的所述卷积核大小来选择对应的所述卷积算子对所述输入特征执行基于所述偏置值的卷积，并执行数据归一化和非线性映射以更新所述输入特征和所述卷积核大小，以在所述多次循环卷积执行完毕后最终提取输出特征；

使用全连接权值矩阵处理所述输出特征获得预测值；

基于所述预测值识别所述待识别图像。

2.根据权利要求1所述的方法，其特征在于，分别根据当次循环的所述卷积核大小来选择对应的所述卷积算子对所述输入特征执行卷积包括：

获取当次循环的所述卷积核大小；

响应于所述卷积核大小大于等于特定阈值，而使用快速傅里叶变换加速卷积算子对所述输入特征执行卷积，并向卷积结果叠加所述偏置值；

响应于所述卷积核大小小于所述特定阈值，而将所述输入特征拆解为多个分段，使用Winograd卷积算子对每个所述分段分别执行卷积，并将卷积后的分段重新拼合。

3.根据权利要求2所述的方法，其特征在于，使用快速傅里叶变换加速卷积算子对所述输入特征执行卷积，并向卷积结果叠加所述偏置值包括：

对所述输入特征和所述偏置值进行填充以扩大其通道尺寸；

对所述输入特征和所述偏置值分别执行快速傅里叶变换；

将所述输入特征和所述偏置值在对应的通道上相乘，并将每个通道的对应位相加获得横加结果；

对所述横加结果执行快速傅里叶反变换；

基于步长对所述横加结果执行后处理并作为卷积输出。

4.根据权利要求2所述的方法，其特征在于，针对所述网络模型的预处理在所述网络模型的输入层执行；多次循环卷积分别在所述网络模型的多个卷积层执行；处理所述输出特征获得预测值在所述网络模型的全连接层执行。

5.根据权利要求4所述的方法，其特征在于，所述网络模型为resnet50，包括1个输入层、49个卷积层、和1个全连接层；所述特定阈值为7X7的所述卷积核大小。

6.一种图像识别装置，其特征在于，包括：

处理器；和

存储器，存储有处理器可运行的程序代码，所述程序代码在被运行时执行以下步骤：

使用图像训练集训练网络模型，以获得卷积核权重和偏置值；

采集待识别图像以执行针对所述网络模型的预处理，获得输入特征；

根据所述卷积核权重构建多种卷积算子，并执行多次循环卷积，在每一次循环中分别根据当次循环的所述卷积核大小来选择对应的所述卷积算子对所述输入特征执行基于所述偏置值的卷积，并执行数据归一化和非线性映射以更新所述输入特征和所述卷积核大小，以在所述多次循环卷积执行完毕后最终提取输出特征；

使用全连接权值矩阵处理所述输出特征获得预测值；

基于所述预测值识别所述待识别图像。

7.根据权利要求6所述的装置，其特征在于，分别根据当次循环的所述卷积核大小来选择对应的所述卷积算子对所述输入特征执行卷积包括：

获取当次循环的所述卷积核大小；

响应于所述卷积核大小大于等于特定阈值，而使用快速傅里叶变换加速卷积算子对所述输入特征执行卷积，并向卷积结果叠加所述偏置值；

响应于所述卷积核大小小于所述特定阈值，而将所述输入特征拆解为多个分段，使用Winograd卷积算子对每个所述分段分别执行卷积，并将卷积后的分段重新拼合。