[发明专利]基于去相关二值网络的协同目标识别方法、系统及装置

权利要求书

1.一种基于去相关二值网络的协同目标识别方法，其特征在于，该方法包括：

基于贝叶斯学习将二值网络模型训练过程中的目标量化误差最小化后分解为两部分，其中一部分通过最大似然估计表示，另一部分通过最大后验估计表示；所述目标量化误差是指所述二值网络模型训练过程中由正向传播和反向传播引起的误差；其中，所述最大似然估计通过下式表示：

p表示概率，∑表示通过二值化激活张量形成的二值化激活张量矩阵，X表示所述二值网络模型中指定卷积核信息，w表示原始权重张量，e表示待得到的目标二值化权重张量；

所述最大后验估计通过下式表示：

)=)=)) ；

其中，p表示概率，X表示所述二值网络模型中指定卷积核信息，w表示原始权重张量，e表示待得到的目标二值化权重张量；

基于所述最大似然估计确定激活张量二值化误差Lc，以及基于所述最大后验估计确定权重张量二值化误差Ld；按照优化所述Lc、所述Ld、预测误差Ls的目标，训练二值网络模型；所述Ls是指在二值网络模型训练过程中将输入数据输入至二值网络模型得到的输出值与所述输入数据对应的真实值之间的误差；将所述二值网络模型部署在物联网终端设备；

所述物联网终端设备在采集到用于目标识别的数据时，将采集的所述数据输入至所述二值网络模型得到初步输出结果；将所述数据和所述初步输出结果上报至中心服务器，以使所述中心服务器在依据所述初步输出结果确定需要验证所述初步输出结果时，将所述数据输入至已训练的目标网络模型以验证所述初步输出结果最终得到目标输出结果；所述目标网络模型是训练出的非二值网络模型。

2.根据权利要求1所述的方法，其特征在于，

所述最小化目标量化误差通过下式表示：

其中，w表示原始权重张量，表示原始权重张量被二值化得到的二值化权重张量，表示缩放参数。

3.根据权利要求1所述的方法，其特征在于，所述Lc通过下式表示：

Lc；

其中，I表示通过原始激活张量形成的原始激活张量矩阵。

4.根据权利要求1所述的方法，其特征在于，所述Ld通过下式表示：

其中，表示原始权重张量被二值化得到的二值化权重张量，表示原始权重张量的方差，表示的维度，表示缩放参数，表示二值化权重张量中的正数，表示二值化权重张量中的负数。

5.根据权利要求3所述的方法，其特征在于，所述原始激活张量为所述目标网络模型的激活张量。

6.根据权利要求4所述的方法，其特征在于，所述原始权重张量为所述目标网络模型的权重张量。

7.根据权利要求1所述的方法，其特征在于，所述目标网络模型和所述二值化网络模型的训练数据和测试数据相同。