CN110942143A - 基于卷积神经网络的玩具检测加速方法和装置 - Google Patents

Abstract

本公开涉及基于卷积神经网络的玩具检测模型加速方法和装置。该方法包括：对标准卷积操作进行1X1卷积的因式分解；通过迭代式剪枝方法对模型进行裁剪；通过分组式5bit量化进行模型优化；通过霍夫曼编码对模型进行压缩；应用本公开，可很大程度优化网络模型，提高模型推理速度，可以在移动终端达到实时检测玩具的效果，而且对模型的准确率和召回率基本没有影响。优化后的模型参数也极大程度减小，可以轻易下载并存储在移动终端。

Description

基于卷积神经网络的玩具检测加速方法和装置

技术领域

本公开涉及玩具的图像检测加速领域，尤其涉及基于卷积神经网络的玩具检测加速方法和装置。

背景技术

益智类玩具对培养孩子的逻辑思维能力、空间想象能力和记忆能力等有很大的帮助，但是孩子需要专业的培训机构或者父母专业的指导，才能逐步深入地认识到这类玩具的技巧和乐趣，大部分孩子接触到这类玩具，只是简单玩个入门，遇到困难无法解决后就将其束之高阁。

为了解决上述问题，我们可以通过带摄像头和计算单元的装置，实时获取到孩子玩益智类玩具的视频，通过视频识别和分析孩子操作玩具的过程，当孩子遇到问题无法解决的时候，可以通过屏幕或者是语音给孩子提供相应的提示和引导，帮忙孩子完成益智玩具的任务，帮忙孩子逐步探索出益智玩具的技巧和培养相应的能力。

上述解决方案的核心是对玩具的图像识别算法，目前识别准确率和鲁棒性最高的方法是采用卷积神经网络，但是一般卷积神经网络的层数较深，需要大量的计算资源，所以常用的方案是将卷积神经网络的推理放在带GPU的服务器端，移动终端通过上传需要识别的图像到服务器端，服务器端再返回识别结果。这种方案的弊端一方面是需要与服务器端交互，网络延迟和服务器端的并发处理延迟，造成识别结果不能实时传回终端，带来很不好的用户体验，另一方面是当大量用户在并发使用的时候，需要大量的服务器计算资源来并发处理，成本急剧增加。

发明内容

有鉴于此，本公开提出了一种卷积神经网络的推理加速方法和减小模型大小的方法，使得采用卷积神经网络的玩具识别算法可以直接部署在移动终端，并且可以实时推理出玩具图像的检测结果，不依赖任何的服务器端资源，本公开还提供了相应的装置。

根据本公开的一方面，提供了一种通过对卷积神经网络进行剪枝来减小网络模型大小并提升模型推理速度的方法。

根据本公开的另一方面，提供了一种通过对卷积神经网络进行量化来减小网络模型大小并提升模型推理速度的方法。

根据本公开的另一方面，提供了一种通过对卷积神经网络进行霍夫曼编码来减小网络模型大小并提升模型推理速度的方法。

根据本公开的另一方面，提供了一种通过对标准卷积分解为1X1卷积的方法来减小网络模型大小并提升模型推理速度的方法。

根据本公开的另一方面，提供了一种基于卷积神经网络的模型加速装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述方法。

根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。

根据本公开的各方面，基于卷积神经网络的玩具检测模型，通过剪枝、量化、霍夫曼编码和1X1卷积方法对模型进行优化，可以很大程度减小模型的大小，并极大提高模型的检测速度，而且模型的检测准确率基本不下降，使得模型可以运行在各种移动终端，达到实时检测玩具的效果。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开的一个实施例的基于卷积神经网络的玩具检测加速方法。

图2～图6示出根据本公开的具体实施方法的示意图。

图6示出根据本公开的一个实施例的基于卷积神经网络的玩具检测加速装置的结构框图。

图7示出根据本公开的一个实施例的基于卷积神经网络的玩具检测加速装置的结构框图；

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开的一个实施例的基于卷积神经网络的玩具检测加速方法。该方法可以应用于诸如智能平板、智能手机、智能电视、投影仪、计算机等终端。如图1所示，该方法包括下列步骤102、步骤104、步骤106、步骤108、步骤110和步骤112。

步骤102 设计好基于卷积神经网络的玩具图像检测模型，该模型有超过30层的卷积层，存在大量的卷积运算。

步骤104 对上述卷积神经网络模型进行1*1的卷积优化。标准卷积操作是同时对所有通道和图像区域进行操作的，本方法将标准卷积核进行因式分解，分为两个子卷积操作，先对每一个通道进行各自的卷积操作，得到新的通道特征映像后，再进行标准的1X1跨通道卷积操作。因式分解优化后的卷积计算和参数量都有显著的减少，计算量和参数量减少大概在10倍左右。优化前和优化后的模型准确率和召回率相比，相差不超过0.5%。

步骤106 对上述因式分解优化后的网络模型进行训练。训练前先采集大量的包含需要检测的玩具图像，并标注每一张图像中玩具的矩形位置和类别，再对标注后的数据进行数据增强，可增强网络模型的泛化能力，再对所有训练图像缩放到指定尺寸，并对每一个图像像素进行归一化，再将这些图像分批输入到网络模型中进行训练，最终输出网络模型的参数文件。

步骤108 对上述训练输出的网络模型进行迭代式剪枝优化。因为深度卷积神经网络具有稀疏性，也就是说网络模型存在大量的神经元是冗余的，通过本方法将冗余的神经元进行裁剪，裁剪过程采用迭代式剪枝的方法，也就是剪枝后微调(finetune)训练，再不断重复这个过程，最后再进行完整的训练。在这个过程中通过权值法和熵值法不断寻找不重要的卷积核(Filter)，裁剪这些不重要的卷积核后，通过重新训练来恢复网络模型的精度。本方法在可减少8倍左右的计算量，8倍左右的参数量。精度下降不超过0.5%。

步骤110 对上述优化过的模型进行分组迭代的5bit量化压缩，主要包含3个关键的操作，参数分组、5bit量化和重训练。

首先将上述全精度浮点的网络模型中的每一层参数分为两组，分组策略是根据每一个卷积核的权重绝对值和与某个阈值作比较，分为两个不重叠的组，先将权重绝对值大的一组参数进行5bit量化并固定下来，再通过微调(fine-tune)第二组参数来恢复量化后模型的精度。然后再将上述三个操作应用到第二组参数中，按此规则不断循环迭代，直至完成整个模型的量化。本方法可减少6倍左右的计算量和6倍左右的参数量，网络模型的性能下降不超过0.5%。

步骤112 对上述优化过的模型进行霍夫曼编码压缩。将量化后的模型参数按出现的概率进行从高到低的排序，出现概率高的参数用较短的编码符号表示，出现概率低的参数用较长的编码符号表示，这样整个模型参数的大小就可以减小为原来的1/2。

通过步骤102到步骤112的模型优化，计算量减小100倍左右，参数量减小200倍左右，一帧图像的检测速度在30ms以内，保证检测速度的实时性。网络模型的准确率下降不超过1.5%，召回率下降不超过1%。

图2示出根据本公开的示例性实施例的玩具检测模型场景示意图。根据本公开的方法在服务器端对玩具检测模型进行优化加速后，将优化后的模型发送到终端，使得终端能够直接运行该网络模型，实时地检测出图像中的玩具位置和类别。

基于卷积神经网络的玩具检测模型需要检测小目标的玩具，所以网络模型设计比较深，有超过30层的卷积层，本方法通过对标准卷积操作进行优化，从而达到模型压缩和加速的效果。标准卷积操作是同时对所有通道和图像区域进行操作的，本方法将标准卷积核进行因式分解，分为两个子卷积操作，先对每一个通道进行各自的卷积操作，得到新的通道特征映像后，再进行标准的1X1跨通道卷积操作。例如，模型中的一个卷积层的卷积核高为Kw，宽为Kh，深度为M，特征图（Feature Map）的数量为N，则该卷积操作可被分解为1*1*N*M的卷积操作和Kw*Kh*M的卷积操作。假设该卷积层的输入宽和高分别为Dw和Dh，则因式分解优化前的一个卷积操作的计算量为Kw*Kh*M*N*Dw*Dh，参数量为Kw*Kh*M*N。采用本实现方式进行因式分解，一个卷积层的计算量为Kw*Kh*M*Dw*Dh + M*N*Dw*Dh，一个卷积层的参数量为Kw*Kh*M + M*N。因式分解优化后的卷积计算和参数量都有显著的减少，计算量和参数量减少大概在10倍左右。优化前和优化后的模型准确率和召回率相比，相差不超过0.5%。

图3 示出本公开迭代式剪枝方法的详细操作步骤。因为深度卷积神经网络具有稀疏性，也就是说网络模型存在大量的神经元是冗余的，通过本方法将冗余的神经元进行裁剪，裁剪过程采用迭代式剪枝的方法：

步骤322 用训练好玩具检测网络模型作为输入；

步骤324 通过权值法找出不重要的卷积核；

步骤326 通过熵值法找出不重要的卷积核；

步骤328 裁剪通过以上方法找出的不重要的卷积核；

步骤330 微调(fine-tune)裁剪后的网络模型，恢复网络模型的检测精度；

不断重复步骤324至330步骤，至到没法找到不重要的卷积核；

步骤332 重新训练整个网络模型，恢复网络模型的检测精度。

本方法通过结合两种方法来寻找不重要的卷积核。

一个方法是通过卷积核的权重大小来判断其重要性，将每一个卷积核的权重绝对值求和，来作为该卷积核的重要性判断指标，将指标低于一定阈值的卷积核裁剪掉，并进行重新训练，如果训练后的网络模型性能并未有明显的下降，则保留这次裁剪过程。

另一个方法是基于熵值的裁剪方法，利用熵值来判断卷积核的重要性，将每一层输出加上一个池化层将特征映像(Feature map)转化为长度为卷积核数N一致的向量，对每一个卷积核，将它分为m个概率P，统计每一个概率，然后计算它的熵值，利用熵值来判断卷积核的重要性，再对不重要的卷积核进行裁剪，裁剪后进行模型微调(fine-tune)，不断重复这个过程，最后再进行完整的模型训练，恢复模型的精度。

本方法在可减少8倍左右的计算量，8倍左右的参数量。精度下降不超过0.5%。

图4示出本公开分组迭代5bit量化方法的详细操作步骤。

本方法对上述优化过的模型进行分组迭代的5bit量化压缩，主要包含3个关键的操作，参数分组、5bit量化和重训练：

步骤422 用上述剪枝后的网络模型作为输入；

步骤 424 通过权值法对模型参数进行分组，将上述全精度浮点的网络模型中的每一层参数分为两组，分组策略是根据每一个卷积核的权重绝对值和与某个阈值作比较，分为两个不重叠的组；

步骤 426 通过上述权值法分出高权值参数组；

步骤 428 将高权值参数组进行5bit量化，并固定下来；

步骤 430 通过上述权值法分出低权值参数组；

步骤 432 微调(fine-tune) 低权值参数组，用以恢复量化后的模型精度；

用步骤432的结果低权值参数组作为步骤424的输入，不断重复步骤424至432，直至完成整个网络模型的5bit量化。

5bit 量化就是将原来全精度float 32bit的卷积操作转化为5bit的卷积操作，这样计算量和参数量都变为原来的1/6。例如，本网络模型的参数取值范围(-8.0,8.0)，则可将其量化到（0,32）的5bit取值范围。

本方法可减少6倍左右的计算量和6倍左右的参数量，网络模型的性能下降不超过0.5%。

图5 示出本公开霍夫曼编码方法的详细操作步骤。

本方法对上述优化过的模型进行霍夫曼编码压缩：

步骤522 ：用5bit量化后的网络模型作为输入；

步骤424 ：5bit量化后的参数取值范围为0至31；

步骤526：将模型中的参数值按出现的概率进行排序；

步骤528：将出现概率高的参数用较短的符号进行编码；

步骤530：将出现概率低的参数用较长的符号进行编码。

这样整个模型参数的大小就可以大大减小，本方法模型压缩减小为原来的1/2。

图6示出根据本公开的一个实施例的基于卷积神经网络的玩具检测装置的结构框图。如图所示，该装置是一种基于卷积神经网络的玩具检测装置，其特征在于，所述装置包含：加速后的玩具检测模型下载单元602，用于下载加速后的玩具检测模型；玩具检测模型解压单元604，用于解压经过霍夫曼编码的网络模型；玩具图像获取单元606，用于获取包含玩具的视频图像；玩具检测单元608，用加速后的玩具检测模型进行玩具检测；玩具检测后处理单元610，对玩具检测结果进行后处理，过滤掉检测噪声。

图7是根据一示例性实施例示出的一种基于卷积神经网络的玩具检测识别装置800的框图。例如，装置800可以是平板、智能手机、智能电视、智能机器人等智能终端。

参照图7，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816和摄像头组件818。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由装置800的处理器820执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (8)

1.一种基于卷积神经网络的玩具检测加速方法，其特征在于，所述的方法包括：

通过1X1卷积优化标准卷积操作；

通过迭代式剪枝方法进行模型裁剪；

通过分组式5bit量化进行模型优化；

通过霍夫曼编码方式进行模型压缩。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括

迭代式的模型剪枝方法，通过权值法和熵值法寻找不重要的参数；

将不重要的参数进行裁剪，剪枝后微调(fine-tune)训练，再不断重复这个过程，最后再进行完整的训练。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括

分组迭代式的5bit模型量化方法，通过权值法对模型参数进行分组；

将权值高的参数分组进行5bit量化；将权值低的参数分组进行微调(fine-tune)；

不断重复上述过程进行迭代，直至完成整个模型的5bit量化。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括

对标准卷积进行1*1卷积因式分解的模型加速方法，将标准卷积核进行因式分解，分为两个子卷积操作；

先对每一个通道进行各自的卷积操作，得到新的通道特征映像后；再进行标准的1X1跨通道卷积操作。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括

通过霍夫曼编对网络模型进行压缩的方法，将量化后的模型参数按出现的概率进行从高到低的排序；

出现概率高的参数用较短的编码符号表示，出现概率低的参数用较长的编码符号表示。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括

对玩具检测模型加速和压缩的组合方法，用上述权利要求1至5的任意模型加速方法组合。

7.一种基于加速后的卷积神经网络的玩具检测识别装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行权利要求1至7中任意一者所述的方法。

8.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所

述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。

Images