[发明专利]一种图像识别方法和装置

说明书

本申请实施例提供了一种图像识别方法和装置，该方法包括：获取待识别图像；从待识别图像中随机裁剪出具有预设图像大小的图像块；将图像块输入训练好的神经网络分类模型获取图像块的分类结果；根据分类结果确定分类置信度；根据分类置信度确定是否将当前分类结果作为最终图像识别结果；当不能将当前分类结果作为最终图像识别结果时，以迭代计算的形式根据特征图和定位策略网络重新获得下一个图像块，并根据下一个图像块获取下一个分类置信度，直至根据获得的分类置信度确定出将当前分类结果作为最终图像识别结果。该实施例方案在确保图像分类结果准确率的基础上达到了更好的神经网络加速效果，大大提高了系统的运行效率。

技术领域

本文涉及神经网络加速技术，尤指一种图像识别方法和装置。

背景技术

神经网络加速技术指的是利用网络剪枝、权重量化等方法，降低神经网络的计算开销和测试时延，对神经网络的运行过程进行加速，在神经网络模型的实际部署和应用中具有非常广泛的应用。近年来，随着人工智能技术的快速发展，深度卷积神经网络的规模变得越来越大，大规模的卷积神经网络能够处理更复杂的任务，但也带来了巨大的计算和存储资源消耗。对于手机、手环等计算资源有限的移动设备和可穿戴式设备而言，巨大的计算量意味着较高的功耗和运行时延，不利于神经网络在硬件上的部署，制约了神经网络的应用，而通过神经网络加速技术，神经网络模型能够更广泛地应用于各项场景中。

对于神经网络模型计算开销大的问题，自适应推理是一种有效的解决方案，这种方法可以自适应地区分简单样本和困难样本，对于易识别样本采用较少的算力，而对于难识别样本采用较多的算力进行推理，总体上起到节省模型计算资源消耗的效果。尽管一些现有的自适应推理网络技术已经被应用于神经网络加速，但是这些方法往往牺牲了较多的分类准确率，网络加速效果并不理想。

发明内容

本申请实施例提供了一种图像识别方法和装置，能够在确保图像分类结果准确率的基础上，达到更好的神经网络加速效果，大大提高系统的运行效率。

本申请提供了一种图像识别方法，所述方法可以包括：

获取待识别图像；

从所述待识别图像中随机裁剪出具有预设图像大小的图像块；

将所述图像块输入预先训练好的神经网络分类模型，获取所述图像块的分类结果；所述分类结果是指所述图像块被分类到预设的一种或多种图像类型中；

根据所述分类结果确定分类置信度；所述分类置信度是指所述图像块被分类到每种图像类型中的概率；

根据所述分类置信度确定是否将当前分类结果作为对应的待识别图像的最终图像识别结果；其中，当不能将当前分类结果作为最终图像识别结果时，以迭代计算的形式，根据所述特征图和预先建立并训练好的定位策略网络重新获得下一个图像块，并根据所述下一个图像块获取下一个分类置信度，直至根据获得的分类置信度确定出将当前分类结果作为对应的待识别图像的最终图像识别结果。

在本申请的示例性实施例中，所述神经网络分类模型可以包括：特征提取网络和全连接层；

所述将所述图像块输入预先训练好的神经网络分类模型，获取所述图像块的分类结果可以包括：

将所述图像块输入预先建立并训练好的特征提取网络中，获取特征图，并将所述特征图输入预先建立并训练好的全连接层，获取所述图像块的分类结果。

在本申请的示例性实施例中，所述根据所述分类置信度确定是否将当前分类结果作为对应的待识别图像的最终图像识别结果可以包括：

当所述分类置信度大于或等于预设阈值时，确定将当前分类结果作为所述待识别图像的最终图像识别结果；

当所述分类置信度小于所述预设阈值时，确定不能将当前分类结果作为所述待识别图像的最终图像识别结果。