[发明专利]基于计算卸载机制的图像识别方法

说明书

本发明涉及机器视觉领域，特别涉及一种处理器计算能力无法直接满足神经网络对计算能力需求情况下的低成本图像识别方案的基于计算卸载机制的图像识别方法。该方法根据网络分段后移动设备上计算任务占比、通信数据量和前后段网络模型任务耦合性等指标，计算分段点，对前段网络模型产生的特征图进行频域压缩，后端网络接收数据进行图像处理得到识别结果；这样，采用分段部署将系统的前段网络模型和数据压缩算法结合，能够很好的对输入数据进行压缩，以平衡移动端、云端和网络传输三者的时间消耗，将系统时延降低，在保证实时性的同时，能够保障整个网络模型的性能衰减控制在可以接受的范围之中，对具体任务的执行精度没有明显的影响。

技术领域

本发明涉及机器视觉领域，特别涉及一种处理器计算能力无法直接满足神经网络对计算能力需求情况下的低成本图像识别方案的基于计算卸载机制的图像识别方法。

背景技术

在当今社会，图像识别系统在工业测控、安防监测等领域有着广泛的应用，开发人员和用户对于移动设备端进行图像识别的实时响应有着较高需求。与服务器级GPU相比，移动设备的计算能力和成本受到了更严格的限制。目前，在图像分类、图像目标检测、图像分割等任务中，基于卷积神经网络的图像分析方法在分析准确率和效率上取得了突破性的成果。但是，基于卷积神经网络的图像识别算法需要占用处理器大量计算资源，并且需要一定成本才能在移动端部署具有相应计算能力的处理器以实现理想的探测精度。

目前国内外以研发了多种图像识别技术，用于在计算能力不足的移动设备中的图像识别，但由于深度学习的训练时间过长且需要的训练数据量大，并不能在识别准确率和时延问题上得到很好的效果。

鲁迪针对上述问题，提出一种移动边缘计算环境下的图像识别算法(鲁迪.移动边缘计算环境下的图像识别算法研究与实现[D].北京邮电大学,2019.)，实验表明，该方法可以占用更小的核心网带宽、且能获得实时响应的图像识别结果。但是该方法中的图像特征提取算法是一种线性的子空间学习算法并且不能在深度学习的识别准确率和时延问题上得到很好的结果。

发明内容

本发明要解决的技术问题是提供一种图像自动识别方法，以解决现有技术所存在的目标识别任务中所存在的高成本、算法占用处理器计算力大的问题。

为解决上述技术问题，本发明实施例提供一种低成本图像识别方法，包括：

获取具有识别目标的图像和对应的语义标注的图像数据，以预训练轻量级神经网络模型。

通过对系统中分段运行的神经网络需求进行分析，通过分析前段网络模型计算量占比、网络耦合性和特征图数据传输量这三个方面，对网络中的每一层给出分段有效性评价，以计算网络分段点。

其中，所述前段网络模型计算量占比M_y，具体公式如下所示：

其中，D为神经网络所包含的卷积层的层数，m_i为第i层的计算任务消耗；

且，

其中，l_n为第n层的网络输出特征图的边长，k_n为第n层的卷积核边长，C_n为第n层的输入图像的特征图的通道数，α为变换系数且为固定的常数；

S2.2)计算卷积神经网络中某一层的感受野大小公式为：

其中，j_n表示为第n层之前对每一层的步长stride的累积，r_n即为第n层的感受野大小，初始值为j_n＝1,r_n＝1，Sn为每一层的步长；

进一步地，定义一个评价指标η，η越小则表明越适合在该层进行分段。

其中，所述η计算公式为：