[发明专利]基于分通道量化的特征提取方法、系统、设备及存储介质有效
申请号: | 202010365096.7 | 申请日: | 2020-04-30 |
公开(公告)号: | CN111614358B | 公开(公告)日: | 2023-08-04 |
发明(设计)人: | 户磊;张大勇;康凯;朱海涛;陈智超 | 申请(专利权)人: | 合肥的卢深视科技有限公司 |
主分类号: | H03M7/24 | 分类号: | H03M7/24;G06N3/0464;G06V10/774;G06V10/82 |
代理公司: | 北京路浩知识产权代理有限公司 11002 | 代理人: | 郑朝然 |
地址: | 230000 安徽省合肥市高新区习友路3333*** | 国省代码: | 安徽;34 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 通道 量化 特征 提取 方法 系统 设备 存储 介质 | ||
1.一种基于分通道量化的特征提取方法,其特征在于,包括:
获取待处理图像;
将所述待处理图像输入至目标特征提取模型,得到所述目标特征提取模型输出的目标对象特征;
其中,所述目标特征提取模型是基于图像样本与特征样本训练得到的;所述目标特征提取模型是对初始特征提取模型中的浮点模型参数通过分通道确定量化小数位的方式进行模型压缩以得到的压缩后的特征提取模型;
所述获取待处理图像之前,还包括:
获取初始特征提取模型与待调整训练集;
通过所述初始特征提取模型处理所述待调整训练集,以记录所述初始特征提取模型中每层特征值中每个通道分别对应的绝对值;
根据所述绝对值确定每个通道的量化小数位,以得到压缩后的目标特征提取模型;
所述根据所述绝对值确定每个通道的量化小数位,以得到压缩后的目标特征提取模型之后,还包括:
若所述目标特征提取模型中的加法操作层对应的第一分支层属于数据重新排列层且第二分支层不属于所述数据重新排列层,则将所述第一分支层的小数位设置为加法操作层的基准小数位,并将所述第二分支层的小数位设置为所述基准小数位。
2.根据权利要求1所述的基于分通道量化的特征提取方法,其特征在于,所述根据所述绝对值确定每个通道的量化小数位,以得到压缩后的目标特征提取模型之后,所述基于分通道量化的特征提取方法还包括:
通过固定长度量化方式确定所述目标特征提取模型中的卷积核权重的量化小数位。
3.根据权利要求2所述的基于分通道量化的特征提取方法,其特征在于,所述通过固定长度量化方式确定所述目标特征提取模型中的卷积核权重的量化小数位,具体包括:
将所述目标特征提取模型中的批量标准化操作与卷积层进行合并,以得到新的卷积层;
基于固定长度确定新的卷积层对应的卷积核权重的量化小数位。
4.根据权利要求1所述的基于分通道量化的特征提取方法,其特征在于,所述根据所述绝对值确定每个通道的量化小数位,以得到压缩后的目标特征提取模型之后,所述基于分通道量化的特征提取方法还包括:
将所述目标特征提取模型中的模型权重和输入层、输出层分别对应的特征值量化为定点数;
将所述定点数反量化为全精度浮点数;
通过预设优化工具处理所述全精度浮点数,以优化所述目标特征提取模型。
5.一种基于分通道量化的特征提取系统,其特征在于,包括:
图像获取模块,用于获取待处理图像;
特征提取模块,用于将所述待处理图像输入至目标特征提取模型,得到所述目标特征提取模型输出的目标对象特征;
其中,所述目标特征提取模型是基于图像样本与特征样本训练得到的;所述目标特征提取模型是对初始特征提取模型中的浮点模型参数通过分通道确定量化小数位的方式进行模型压缩以得到的压缩后的特征提取模型;
所述系统还包括:
获取模块,用于获取初始特征提取模型与待调整训练集;
处理模块,用于通过所述初始特征提取模型处理所述待调整训练集,以记录所述初始特征提取模型中每层特征值中每个通道分别对应的绝对值;
确定模块,用于根据所述绝对值确定每个通道的量化小数位,以得到压缩后的目标特征提取模型;
所述确定模块,还用于若所述目标特征提取模型中的加法操作层对应的第一分支层属于数据重新排列层且第二分支层不属于所述数据重新排列层,则将所述第一分支层的小数位设置为加法操作层的基准小数位,并将所述第二分支层的小数位设置为所述基准小数位。
6.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4中任一项所述基于分通道量化的特征提取方法的步骤。
7.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述基于分通道量化的特征提取方法的步骤。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于合肥的卢深视科技有限公司,未经合肥的卢深视科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010365096.7/1.html,转载请声明来源钻瓜专利网。