[发明专利]基于深度卷积神经网络的层内非均匀的K平均聚类定点量化方法在审
| 申请号： | 201710033021.7 | 申请日： | 2017-01-12 |
| 公开（公告）号： | CN106897734A | 公开（公告）日： | 2017-06-27 |
| 发明（设计）人： | 王中风;孙方轩;林军 | 申请（专利权）人： | 南京大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/04;G06N3/063;G06N3/08 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 210023 江苏省南京*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于深度卷积神经网络的层内非均匀的K平均聚类定点量化方法，包括一下步骤步骤一，选取部分深度卷积神经网络的能够正确识别的图像，并提取识别过程中产生的特征映射(Feature Map)；步骤二，对卷积神经网络中的特征映射进行层间非规则量化，在保持模型精度情况下，确定每一层卷积网络的最大量化位数；步骤三，对于模型中的每一卷积层，利用K平均聚类算法(K Means Clustering)确定满足特征映射分布的定点值，并使定点值的范围在最大量化位数能表示的范围内，用定点值代表特征映射中的值，并以索引的形式进行保存；步骤四，利用神经网络模型微调方法(Fine Tuning Method)对模型进行微调，消除量化带来的误差。本发明层间非均匀的K平均聚类定点量化方法，能够在保持模型精度的前提下大幅度减少深度卷积神经网络的特征映射的存储开销，具有一定的创新性。 | ||
| 搜索关键词： | 基于 深度 卷积 神经网络 层内非 均匀 平均 定点 量化 方法 | ||
【主权项】：
基于深度卷积神经网络的层内非均匀的K平均聚类定点量化方法，其特征在于，包括以下步骤：步骤一，选取部分深度卷积神经网络的能够正确识别的图像，并提取识别过程中产生的特征映射；步骤二，对卷积神经网络中的特征映射进行层间非规则量化，在保持模型精度情况下，确定每一层卷积网络的最大量化位数；步骤三，对于模型中的每一卷积层，利用K平均聚类算法(K Means Clustering)确定满足特征映射分布的定点值，并使定点值的范围在最大量化位数能表示的范围内，用定点值代表特征映射中的值，并以索引的形式进行保存；步骤四，利用神经网络模型微调方法(Fine Tuning Method)对模型进行微调，消除量化带来的误差。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
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南京大学，未经南京大学许可，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/patent/201710033021.7/，转载请声明来源钻瓜专利网。
