[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

说明书

本发明实施例涉及计算机视觉技术领域，公开了基于分通道量化的特征提取方法、系统、设备及存储介质。本发明实施例先获取待处理图像；将待处理图像输入至目标特征提取模型，得到目标特征提取模型输出的目标对象特征；其中，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。明显地，本发明实施例通过对初始特征提取模型进行模型压缩操作，以使得压缩后的模型可适配低功耗设备，从而解决了低功耗设备与浮点模型之间难以适配的技术问题。同时，本发明实施例以分通道的形式来处理量化小数位，还可降低量化损失，从而可缓解网络性能下降的现况。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及基于分通道量化的特征提取方法、系统、设备及存储介质。

背景技术

随着计算机视觉的逐渐发展，特别是基于卷积神经网络的计算机视觉的不断发展，其应用场景也越来越广泛。

但是，考虑到基于卷积神经网络的深度学习方法一般会需要较深的网络结构、庞大的模型参数，对计算量也提出了一定的要求。

为了应对该计算需求，虽然可以在图形处理器(GPU，Graphics Processing Unit)以及高性能中央处理器(CPU，central processing unit)上进行运算，但是，对于大多数嵌入式设备而言，很难直接部署面向浮点运算的神经网络模型。

其中，嵌入式设备例如智能门锁、手表及物联网设备等。

很难直接在嵌入式设备上部署面向浮点运算的神经网络模型，这一方面是考虑到嵌入式设备的存储空间有限，难以存储参数量巨大的浮点模型；另一方面是考虑到大多数的低功耗的嵌入式设备仅适合定点数运算，处理浮点运算速度较慢。

可见，目前的低功耗硬件设备存在着与浮点模型之间难以适配的技术问题。

发明内容

为了解决低功耗硬件设备与浮点模型之间难以适配的技术问题，本发明实施例提供基于分通道量化的特征提取方法、系统、设备及存储介质。

第一方面，本发明实施例提供一种基于分通道量化的特征提取方法，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。

优选地，所述获取待处理图像之前，所述基于分通道量化的特征提取方法还包括：

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。

优选地，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加法操作层对应的两个分支层的相同通道的量化小数位设置为相同小数位。

优选地，所述将所述目标特征提取模型中的加法操作层对应的两个分支层的相同通道的量化小数位设置为相同小数位，具体包括：

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。