CN111860476A - 用于识别图像的方法和系统 - Google Patents
用于识别图像的方法和系统 Download PDFInfo
- Publication number
- CN111860476A CN111860476A CN201910361580.XA CN201910361580A CN111860476A CN 111860476 A CN111860476 A CN 111860476A CN 201910361580 A CN201910361580 A CN 201910361580A CN 111860476 A CN111860476 A CN 111860476A
- Authority
- CN
- China
- Prior art keywords
- image
- chip
- result
- recognition
- images
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013473 artificial intelligence Methods 0.000 claims description 329
- 238000001514 detection method Methods 0.000 claims description 36
- 238000013136 deep learning model Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000011144 upstream manufacturing Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000001815 facial effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了用于识别图像的方法和系统。该方法应用于AI芯片集合,AI芯片集合中的AI芯片串联,包括:接收传感器发送的图像序列;依次对图像序列中的图像进行图像识别,得到图像序列中的图像的识别结果。该实施方式利用串联的AI芯片对图像序列进行图像识别,提高了对图像序列的识别效率。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于识别图像的方法和系统。
背景技术
图像识别,是指对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术。目前,为了节省云端服务器的计算压力和传输带宽,会在靠近数据源头的一侧直接对图像进行计算,即边缘计算。
在基于深度学习的边缘计算的图像识别场景下,图像识别系统通常部署单个AI(Artificial Intelligence,人工智能)芯片,以及单个AI芯片连接的传感器。具体地,单个AI芯片运行图像识别过程中的所有深度学习模型,对传感器采集的图像序列进行图像识别,以得到图像序列的识别结果,并将图像序列的识别结果发送至云端服务器,以进行下一步处理。
发明内容
本申请实施例提出了用于识别图像的方法和系统。
第一方面,本申请实施例提供了一种用于识别图像的方法,应用于人工智能AI芯片集合,AI芯片集合中的AI芯片串联,包括:接收传感器发送的图像序列;依次对图像序列中的图像进行图像识别,得到图像序列中的图像的识别结果。
在一些实施例中,AI芯片集合运行图像识别过程中的所有深度学习模型,且不同AI芯片运行不同的深度学习模型。
在一些实施例中,AI芯片集合中的上游AI芯片的输入信息和输出信息一起作为下游AI芯片的输入信息。
在一些实施例中,对于图像序列中的图像,当上游AI芯片对该图像进行图像识别时,下游AI芯片对该图像的上一幅图像进行图像识别。
在一些实施例中,AI芯片集合包括第一AI芯片、第二AI芯片和第三AI芯片,第一AI芯片运行目标检测模型,第二AI芯片运行姿态检测模型,第三AI芯片运行属性识别模型。
在一些实施例中,依次对图像序列中的图像进行图像识别,得到图像序列中的图像的识别结果,包括:第一AI芯片将图像序列中的图像输入至目标检测模型,得到该图像中的目标的位置信息,基于该图像和该图像中的目标的位置信息,生成该图像的第一识别子结果,以及将该图像的第一识别子结果发送至第二AI芯片;第二AI芯片将该图像的第一识别子结果输入至姿态检测模型,得到该图像中的目标的姿态信息,基于该图像的第一识别子结果和该图像中的目标的姿态信息,生成该图像的第二识别子结果,以及将该图像的第二识别子结果发送至第三AI芯片;第三AI芯片将该图像的第二识别子结果输入至属性识别模型,得到该图像中的目标的属性信息,基于该图像的第二识别子结果和该图像中的目标的属性信息,生成该图像的识别结果。
在一些实施例中,基于该图像和该图像中的目标的位置信息,生成该图像的第一识别子结果,包括:第一AI芯片将该图像中的目标的位置信息封装进该图像,生成该图像的第一识别子结果;基于该图像的第一识别子结果和该图像中的目标的姿态信息,生成该图像的第二识别子结果,包括:第二AI芯片将该图像中的目标的姿态信息封装进该图像的第一识别子结果,生成该图像的第二识别子结果;以及基于该图像的第二识别子结果和该图像中的目标的属性信息,生成该图像的识别结果,包括:第三AI芯片整合该图像中的目标的位置信息、姿态信息和属性信息,生成该图像的识别结果。
在一些实施例中,AI芯片集合中的AI芯片通过移动产业处理器接口串联。
第二方面,本申请实施例提供了一种用于识别图像的系统,包括:传感器和人工智能AI芯片集合,AI芯片集合中的AI芯片串联;传感器,被配置成采集图像序列,以及将图像序列发送至AI芯片集合;AI芯片集合,被配置成依次对图像序列中的图像进行图像识别,得到图像序列中的图像的识别结果。
在一些实施例中,其中,AI芯片集合运行图像识别过程中的所有深度学习模型,且不同AI芯片运行不同的深度学习模型。
在一些实施例中,AI芯片集合中的上游AI芯片的输入信息和输出信息一起作为下游AI芯片的输入信息。
在一些实施例中,对于图像序列中的图像,当上游AI芯片对该图像进行图像识别时,下游AI芯片对该图像的上一幅图像进行图像识别。
在一些实施例中,AI芯片集合包括第一AI芯片、第二AI芯片和第三AI芯片,第一AI芯片运行目标检测模型,第二AI芯片运行姿态检测模型,第三AI芯片运行属性识别模型。
在一些实施例中,第一AI芯片,被配置成将图像序列中的图像输入至目标检测模型,得到该图像中的目标的位置信息,基于该图像和该图像中的目标的位置信息,生成该图像的第一识别子结果,以及将该图像的第一识别子结果发送至第二AI芯片;第二AI芯片,被配置成将该图像的第一识别子结果输入至姿态检测模型,得到该图像中的目标的姿态信息,基于该图像的第一识别子结果和该图像中的目标的姿态信息,生成该图像的第二识别子结果,以及将该图像的第二识别子结果发送至第三AI芯片;第三AI芯片,被配置成将该图像的第二识别子结果输入至属性识别模型,得到该图像中的目标的属性信息,基于该图像的第二识别子结果和该图像中的目标的属性信息,生成该图像的识别结果。
在一些实施例中,第一AI芯片,被配置成将该图像中的目标的位置信息封装进该图像,生成该图像的第一识别子结果;第二AI芯片,被配置成将该图像中的目标的姿态信息封装进该图像的第一识别子结果,生成该图像的第二识别子结果;第三AI芯片,被配置成整合该图像中的目标的位置信息、姿态信息和属性信息,生成该图像的识别结果。
在一些实施例中,AI芯片集合中的AI芯片通过移动产业处理器接口串联。
第三方面,本申请实施例提供了一种人工智能AI芯片集合,包括:至少两个AI芯片,所述至少两个AI芯片串联,每个AI芯片包括:存储部件,其上存储有一个或多个程序;调度部件,根据待执行指令进行指令调度;至少一个通用执行部件,接收调度部件发送的指令,执行对应的程序;和/或根据调度部件发送的指令生成子指令,并将生成的子指令发送至对应的专用执行部件;至少一个专用执行部件,接收至少一个通用执行部件发送的指令,执行对应的程序,其中,一个或多个专用执行部件执行对应的程序时实现如上述第一方面中任一实施例所描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
第五方面,本申请实施例提供了一种电子设备,包括:处理器、存储装置和至少一个如第三方面中所描述的人工智能AI芯片集合。
第六方面,本申请实施例提供了另一种服务器,包括:接口;存储器,其上存储有一个或多个程序;以及一个或多个处理器,在操作上连接到上述接口和上述存储器,用于:接收传感器发送的图像序列;依次对图像序列中的图像进行图像识别,得到图像序列中的图像的识别结果。
第七方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中,当上述计算机程序被一个或多个处理器执行时,使得上述一个或多个处理器:接收传感器发送的图像序列;依次对图像序列中的图像进行图像识别,得到图像序列中的图像的识别结果。
本申请实施例提供的用于识别图像的方法和系统,AI芯片集合接收传感器发送的图像序列,并依次对图像序列中的图像进行图像识别,得到图像序列中的图像的识别结果。利用串联的AI芯片对图像序列进行图像识别,提高了对图像序列的识别效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是根据本申请的用于识别图像的系统的示例性系统架构;
图2是根据本申请的用于识别图像的方法的一个实施例的流程图;
图3是根据本申请的用于识别图像的方法的又一个实施例的流程图;
图4是图3所示的用于识别图像的方法的一个应用场景的示意图;
图5是根据本申请的用于识别图像的系统的一个实施例的时序图;
图6是根据本申请的AI芯片的一个实施例的结构示意图;
图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了根据本申请的用于识别图像的系统的示例性系统架构100。
如图1所示,系统架构100中可以包括传感器101和AI芯片集合102。其中,AI芯片集合102可以包括AI芯片1021、1022、1023。其中,传感器101与AI芯片集合102连接。AI芯片1021、1022、1023串联。
传感器101可以与AI芯片集合102交互,以接收或发送信息等。例如,传感器101可以采集图像序列,并将图像序列发送至AI芯片集合102。AI芯片集合102可以依次对图像序列中的图像进行图像识别,得到图像序列中的图像的识别结果。
需要说明的是,本申请实施例所提供的用于识别图像的方法一般由AI芯片集合102执行。
应该理解,图1中的传感器、AI芯片集合以及AI芯片的数目仅仅是示意性的。根据实现需要,可以具有任意数目的传感器、AI芯片集合以及AI芯片。
继续参考图2,其示出了根据本申请的用于识别图像的方法的一个实施例的流程200。该用于识别图像的方法,应用于AI芯片集合,AI芯片集合中的AI芯片串联,包括以下步骤:
步骤201,接收传感器发送的图像序列。
在本实施例中,传感器(例如图1所示的传感器101)可以采集图像序列,并将图像序列发送至AI芯片集合(例如图1所示的AI芯片集合102)。这样,AI芯片集合就可以接收到图像序列。其中,AI芯片集合可以包括至少两个AI芯片,且至少两个AI芯片串联。
这里,传感器可以用于采集图像序列,包括但不限于摄像头、激光雷达等等。图像序列可以是传感器拍摄的视频,也可以是传感器一次连拍所得到多幅图像。图像序列中的图像可以存在任何目标,包括但不限于人体、人脸、动物、植物、物体、手势等等。
在本实施例的一些可选的实现方式中,AI芯片集合中的AI芯片可以通过MIPI(Mobile Industry Processor Interface,移动产业处理器接口)串联。AI芯片之间通过MIPI串联,保证接口的一致性,可扩展性强。
步骤202,依次对图像序列中的图像进行图像识别,得到图像序列中的图像的识别结果。
在本实施例中,AI芯片集合可以依次对图像序列中的图像进行图像识别,以得到图像序列中的图像的识别结果。
在本实施例的一些可选的实现方式中,AI芯片集合中的每个AI芯片可以运行图像识别过程中的所有深度学习模型。此时,图像序列中的图像可以被均匀分发到每个AI芯片进行图像识别,最后汇总每个AI芯片的识别结果,就得到了图像序列的识别结果。
在本实施例的一些可选的实现方式中,AI芯片集合可以运行图像识别过程中的所有深度学习模型,且不同AI芯片运行不同的深度学习模型。通常,AI芯片集合中的AI芯片的数量不大于图像识别过程中的所有深度学习模型的数量,即,每个AI芯片运行至少一个深度学习模型。
例如,图像识别过程中的深度学习模型可以包括目标检测模型、姿态检测模型和属性识别模型。AI芯片集合可以包括第一AI芯片(例如图1所示的AI芯片1021)、第二AI芯片(例如图1所示的AI芯片1022)和第三AI芯片(例如图1所示的AI芯片1023)。第一AI芯片可以运行目标检测模型,第二AI芯片可以运行姿态检测模型,第三AI芯片可以运行属性识别模型。其中,目标检测模型可以用于检测图像中的目标的位置。姿态检测模型可以用于检测图像中的目标的姿态。属性识别模型可以用于识别图像中的目标的属性。属性可以包括但不限于目标的性别、年龄、民族等等。
在本实施例的一些可选的实现方式中,AI芯片集合中的上游AI芯片的输入信息和输出信息一起作为下游AI芯片的输入信息。通常,对于AI芯片集合中的任意两个连接的AI芯片,靠近传感器一侧的AI芯片是上游AI芯片,远离传感器一侧的AI芯片是下游AI芯片。
例如,第一AI芯片一侧连接传感器,另一侧连接第二AI芯片,第二AI芯片一侧连接第一AI芯片,另一侧连接第三AI芯片,那么第一AI芯片是第二AI芯片的上游芯片,第二AI芯片是第一AI芯片的下游芯片。第二AI芯片是第三AI芯片的上游芯片,第三AI芯片是第二AI芯片的下游芯片。第一AI芯片的输入信息是图像,第二AI芯片的输入信息是图像和第一AI芯片的输出信息。第三AI芯片的输入信息是图像、第一AI芯片的输出信息和第二AI芯片的输出信息。
在本实施例的一些可选的实现方式中,对于图像序列中的图像,当上游AI芯片对该图像进行图像识别时,下游AI芯片对图像序列中的该图像的上一幅图像进行图像识别。实践中,一个模型复杂度较高的深度学习模型可以单独运行在一个AI芯片上,多个模型复杂度较低的深度学习模型可以同时运行在一个AI芯片上,以均衡每个AI芯片的计算任务量,使每个AI芯片的计算时间相近。这样就将计算时间均匀分布在每个AI芯片上,以确保计算时间消耗最优,达到计算性能最优的效果。
需要说明的是,AI芯片集合中串联的AI芯片的数量可以由图像识别过程中的深度学习模型的复杂度和数量决定。通常,模型复杂度越高,模型数量越多,AI芯片集合中串联的AI芯片的数量就越多;反之,AI芯片集合中串联的AI芯片的数量就越少。
本申请实施例提供的用于识别图像的方法,AI芯片集合接收传感器发送的图像序列,并依次对图像序列中的图像进行图像识别,得到图像序列中的图像的识别结果。利用串联的AI芯片对图像序列进行图像识别,提高了对图像序列的识别效率。
进一步参考图3,其示出了根据本申请的用于识别图像的方法的又一个实施例的流程300。该用于识别图像的方法,应用于AI芯片集合,AI芯片集合中的AI芯片串联,AI芯片集合包括第一AI芯片、第二AI芯片和第三AI芯片,第一AI芯片运行目标检测模型,第二AI芯片运行姿态检测模型,第三AI芯片运行属性识别模型,包括以下步骤:
步骤301,第一AI芯片接收传感器发送的图像序列。
在本实施例中,传感器(例如图1所示的传感器101)可以采集图像序列,并将图像序列发送至第一AI芯片(例如图1所示的AI芯片1021)。这样,第一AI芯片就可以接收到图像序列。
步骤302,将图像序列中的图像输入至目标检测模型,得到该图像中的目标的位置信息。
在本实施例中,对于图像序列中的图像,第一AI芯片可以将该图像输入至目标检测模型,以得到该图像中的目标的位置信息。
步骤303,基于该图像和该图像中的目标的位置信息,生成该图像的第一识别子结果。
在本实施例中,第一AI芯片可以基于该图像和该图像中的目标的位置信息,生成该图像的第一识别子结果。例如,第一AI芯片可以将该图像中的目标的位置信息封装进该图像,生成该图像的第一识别子结果。具体地,AI芯片具有唯一的标识,每个标识对应图像中的唯一位置。第一AI芯片根据其唯一的标识在该图像中查找出其对应的位置,并将该图像中的目标的位置信息封装到所查找出的位置处。
步骤304,将该图像的第一识别子结果发送至第二AI芯片。
在本实施例中,第一AI芯片可以将该图像的第一识别子结果发送至第二AI芯片(例如图1所示的AI芯片1022)。
需要说明的是,第一AI芯片将该图像的第一识别子结果发送至第二AI芯片之后,就可以继续对图像序列中的该图像的下一幅图像进行图像识别。
步骤305,第二AI芯片将该图像的第一识别子结果输入至姿态检测模型,得到该图像中的目标的姿态信息。
在本实施例中,第二AI芯片可以将该图像的第一识别子结果输入至姿态检测模型,以得到该图像中的目标的姿态信息。
步骤306,基于该图像的第一识别子结果和该图像中的目标的姿态信息,生成该图像的第二识别子结果。
在本实施例中,第二AI芯片可以基于该图像的第一识别子结果和该图像中的目标的姿态信息,生成该图像的第二识别子结果。例如,第二AI芯片可以将该图像中的目标的姿态信息封装进该图像的第一识别子结果,生成该图像的第二识别子结果。具体地,第二AI芯片根据其唯一的标识在该图像的第一识别子结果中查找出其对应的位置,并将该图像中的目标的姿态信息封装到所查找出的位置处。
步骤307,将该图像的第二识别子结果发送至第三AI芯片。
在本实施例中,第二AI芯片可以将该图像的第二识别子结果发送至第三AI芯片(例如图1所示的AI芯片1023)。
需要说明的是,第二AI芯片将该图像的第二识别子结果发送至第三AI芯片之后,就可以接收第一AI芯片发送的该图像的下一幅图像的第一识别子结果,并继续对该图像的下一幅图像进行图像识别。
步骤308,第三AI芯片将该图像的第二识别子结果输入至属性识别模型,得到该图像中的目标的属性信息。
在本实施例中,第三AI芯片可以将该图像的第二识别子结果输入至属性识别模型,以得到该图像中的目标的属性信息。
步骤309,基于该图像的第二识别子结果和该图像中的目标的属性信息,生成该图像的识别结果。
在本实施例中,第三AI芯片可以基于该图像的第二识别子结果和该图像中的目标的属性信息,生成该图像的识别结果。例如,第三AI芯片可以整合该图像中的目标的位置信息、姿态信息和属性信息,生成该图像的识别结果。具体地,第三AI芯片根据其唯一的标识在该图像的第二识别子结果中查找出其对应的位置,并将该图像中的目标的属性信息封装到所查找出的位置处。
需要说明的是,第三AI芯片可以将该图像的识别结果发送至云端服务器或用户的终端设备,以供云端服务器或用户的终端设备对其进行下一步的处理。第三AI芯片将该图像的识别结果发送至云端服务器或用户的终端设备之后,就可以接收第二AI芯片发送的该图像的下一幅图像的第二识别子结果,并继续对该图像的下一幅图像进行图像识别。通常,第三AI芯片通过NET(网络)将图像的识别结果发送至云端服务器,通过USB(UniversalSerial Bus,通用串行总线)将图像的识别结果发送至用户的终端设备。
应当理解的是,目标检测模型、姿态检测模型和属性识别模型的模型复杂度相近,三个AI芯片分别运行这三个深度学习模型,可以均衡每个AI芯片的计算任务量,使每个AI芯片的计算时间相近。这样,当第二AI芯片对图像序列中的一幅图像进行图像识别时,第一AI芯片对该图像的下一幅图像进行图像识别,第三AI芯片对该图像的上一幅图像进行图像识别,从而形成流水线作业方式。这样,串联的AI芯片同时工作,从而提高了对图像序列的整体识别效率。
继续参见图4,图4是图3所示的用于识别图像的方法的一个应用场景的示意图。在图4所示的应用场景中,AI芯片401、AI芯片402和AI芯片403串联。摄像头404与AI芯片401连接。云端服务器405与AI芯片403连接。摄像头404拍摄人脸视频410,并发送至AI芯片401。AI芯片401首先将人脸视频410中的第一帧人脸图像输入至目标检测模型,得到第一帧人脸图像中的人脸的位置信息;然后将第一帧人脸图像中的人脸的位置信息封装进第一帧人脸图像,生成第一帧人脸图像的第一识别子结果4111,并发送至AI芯片402。此后,AI芯片401就可以继续对第二帧人脸图像进行图像识别,以得到第二帧人脸图像的第一识别子结果4121。与此同时进行的是,AI芯片402首先将第一帧人脸图像的第一识别子结果4111输入至姿态检测模型,得到第一帧人脸图像中的人脸的姿态信息;然后将第一帧人脸图像中的人脸的姿态信息,封装进第一帧人脸图像的第一识别子结果4111,生成第一帧人脸图像的第二识别子结果4112,并发送至AI芯片403。此后,AI芯片402就可以接收AI芯片401发送的第二帧人脸图像的第一识别子结果4121,并继续对第二帧人脸图像进行图像识别,以得到第二帧人脸图像的第二识别子结果4122。与此同时进行的是,AI芯片403首先将第一帧人脸图像的第二识别子结果4112输入至属性识别模型,得到第一帧人脸图像中的人脸的属性信息;然后将第一帧人脸图像中的人脸的属性信息,封装进第一帧人脸图像的第二识别子结果4112,生成第一帧人脸图像的识别结果411,并发送至云端服务器405。此后,AI芯片403就可以接收AI芯片402发送的第二帧人脸图像的第二识别子结果4122,并继续对第二帧人脸图像进行图像识别,以得到第二帧人脸图像的识别结果412,并发送至云端服务器405。串联的AI芯片401、AI芯片402和AI芯片403形成流水线作业方式,同时工作,直至人脸视频410中的人脸图像被全部识别完毕。
从图3中可以看出,与图2对应的实施例相比,本实施例中的用于识别图像的方法的流程300突出了图像识别步骤。由此,本实施例描述的方案根据模型复杂度将图像识别过程中的所有深度学习模型分散运行在串联的AI芯片上。将图像识别过程中的计算任务拆分,不仅减少了AI芯片的计算压力,还形成流水线作业方式,使串联的AI芯片同时工作,从而提高了对图像序列的整体识别效率。
进一步参考图5,其示出了根据本申请的用于识别图像的系统的一个实施例的时序500。
本实施例中的用于识别图像的系统可以包括:传感器和AI芯片集合,AI芯片集合中的AI芯片串联。
如图5所示,在步骤501中,传感器采集图像序列。
在步骤502中,传感器将图像序列发送至AI芯片集合。
在步骤503中,AI芯片集合依次对图像序列中的图像进行图像识别,得到图像序列中的图像的识别结果。
在本实施例中,步骤501-503的具体操作已在图2所示的实施例中步骤201-202中进行了详细的介绍,在此不再赘述。
在本实施例的一些可选的实现方式中,AI芯片集合运行图像识别过程中的所有深度学习模型,且不同AI芯片运行不同的深度学习模型。
在本实施例的一些可选的实现方式中,AI芯片集合中的上游AI芯片的输入信息和输出信息一起作为下游AI芯片的输入信息。
在本实施例的一些可选的实现方式中,对于图像序列中的图像,当上游AI芯片对该图像进行图像识别时,下游AI芯片对该图像的上一幅图像进行图像识别。
在本实施例的一些可选的实现方式中,AI芯片集合包括第一AI芯片、第二AI芯片和第三AI芯片,第一AI芯片运行目标检测模型,第二AI芯片运行姿态检测模型,第三AI芯片运行属性识别模型。
在本实施例的一些可选的实现方式中,第一AI芯片,被配置成将图像序列中的图像输入至目标检测模型,得到该图像中的目标的位置信息,基于该图像和该图像中的目标的位置信息,生成该图像的第一识别子结果,以及将该图像的第一识别子结果发送至第二AI芯片;第二AI芯片,被配置成将该图像的第一识别子结果输入至姿态检测模型,得到该图像中的目标的姿态信息,基于该图像的第一识别子结果和该图像中的目标的姿态信息,生成该图像的第二识别子结果,以及将该图像的第二识别子结果发送至第三AI芯片;第三AI芯片,被配置成将该图像的第二识别子结果输入至属性识别模型,得到该图像中的目标的属性信息,基于该图像的第二识别子结果和该图像中的目标的属性信息,生成该图像的识别结果。
在本实施例的一些可选的实现方式中,第一AI芯片,被配置成将该图像中的目标的位置信息封装进该图像,生成该图像的第一识别子结果;第二AI芯片,被配置成将该图像中的目标的姿态信息封装进该图像的第一识别子结果,生成该图像的第二识别子结果;第三AI芯片,被配置成整合该图像中的目标的位置信息、姿态信息和属性信息,生成该图像的识别结果。
在本实施例的一些可选的实现方式中,AI芯片集合中的AI芯片通过移动产业处理器接口串联。
本申请实施例还提出了一种AI芯片集合。该AI芯片集合包括至少两个AI芯片,至少两个AI芯片串联。每个AI芯片的结构可以参见图6,其示出了本申请的AI芯片的一个实施例的结构示意图。如图6所示,本实施例中的AI芯片可以包括存储部件601、调度部件602、至少一个通用执行部件603和至少一个专用执行部件604。
在本实施例中,存储部件601可以是能够实现信息存储功能的电路或器件。例如可以是静态随机存取存储器(Static Random-Access Memory,SRAM)、随机访问存储器(RAM)、内存条、安全数码卡(Secure Digital Memory Card,SD卡)或快闪存储器卡(TF卡,又称microSD)等。存储部件601中可以存储有一个或多个程序。
调度部件602可以是能够实现指令的调度分发功能的电路或器件。调度部件602可以对待执行指令进行解析,从而确定执行什么操作,即做什么。之后,可以将待执行指令发送给对应的通用执行部件603,即能够执行待执行指令所指示的操作的通用执行部件603。调度部件602可以设置在处理器中,也可以单独设置。
需要说明的是,待执行指令可以是其他电子设备或电子器件(如图1所示的服务器105中的CPU)发送给AI芯片的。也可以是AI芯片根据待处理数据而生成的。
通用执行部件603可以是能够实现常用操作功能的电路或器件。这里的常用操作功能可以(但不限于)包括AI应用中通常会使用的算法,如前向传播算法、反向传播算法等。这样,用户可以根据所需的操作功能,对各通用执行部件603进行组合。从而有助于降低芯片的开发周期和开发成本。
这里的常用操作功能也可以包括指令的调度分发功能。即通用执行部件603同样可以对调度部件602发送的指令(即待执行指令)进行解析。之后根据解析结果,可以生成至少一个子指令。并且可以将生成的至少一个子指令分别发送给对应的专用执行部件604。在这里,若某个专用执行部件604能够实现待执行指令所指示的操作,则通用执行部件603可以将待执行指令作为子指令。若需要多个专用执行部件604才能实现待执行指令所指示的操作,则通用执行部件603可以生成多个子指令。
也就是说,通用执行部件603既可以单独执行完成相应的操作,也可以协助调度部件602进行指令调度。这样有助于降低调度部件602的工作负荷,提高芯片整体的处理效率。
在本实施例中,专用执行部件604可以是能够实现指定操作功能的电路或器件。这里所说的指定操作功能可以与常用操作功能相对。即可以包括人工智能应用中不常使用的算法,如上述各实施例中所描述的用于识别图像的方法。因此,专用执行部件604往往要根据不同用户的需求来进行设计。
可选地,至少一个专用执行部件604可以是对各通用执行部件603能够实现的常用操作功能进行拆分,并根据拆分后的操作功能而设计得到的。此时,各通用执行部件603可以与各专用执行部件604均通信连接。这样,通过组合不同的专用执行部件604,可以实现更多的操作功能,并且有利于减少执行部件的数量。
需要说明的是,AI芯片中可以设置有一个或多个存储部件601。并且其上存储有其他各部件所需的程序等数据。此时,调度部件602、通用执行部件603和专用执行部件604可以通过串行总线或数据接口等,从存储部件601中读取程序等数据。
在一些应用场景中,为了提高图像识别效率,调度部件602、通用执行部件603和专用执行部件604中也可以分别设置有存储部件601。并且不同部件中的存储部件601可以存储该部件所需的数据。例如调度部件602中的存储部件601可以存储有指令调度程序。
本实施例中的AI芯片,针对深度学习训练和预测,能够满足高密度的计算和访存需求。从而可以改变传统CPU、GPU等通用处理器在深度学习场景下的处理性能。同时,对深度学习中的用于识别图像的方法进行了优化,这样有助于提高软、硬件整体的执行效率。
下面参考图7,其示出了适于用来实现本申请实施例的电子设备的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收传感器发送的图像序列;依次对图像序列中的图像进行图像识别,得到图像序列中的图像的识别结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码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电子设备上执行。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)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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、或代码的一部分,该模块、程序段、或代码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。也应当注意,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,两个接连地表示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操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。
作为又一方面,本申请实施例提供了另一种服务器,包括:接口;存储器,其上存储有一个或多个程序;以及一个或多个处理器,在操作上连接到上述接口和上述存储器,用于:接收传感器发送的图像序列;依次对图像序列中的图像进行图像识别,得到图像序列中的图像的识别结果。
作为又一方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中,当上述计算机程序被一个或多个处理器执行时,使得上述一个或多个处理器:接收传感器发送的图像序列;依次对图像序列中的图像进行图像识别,得到图像序列中的图像的识别结果。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (19)
1.一种用于识别图像的方法,应用于人工智能AI芯片集合,所述AI芯片集合中的AI芯片串联,包括:
接收传感器发送的图像序列;
依次对所述图像序列中的图像进行图像识别,得到所述图像序列中的图像的识别结果。
2.根据权利要求1所述的方法,其中,所述AI芯片集合运行图像识别过程中的所有深度学习模型,且不同AI芯片运行不同的深度学习模型。
3.根据权利要求2所述的方法,其中,所述AI芯片集合中的上游AI芯片的输入信息和输出信息一起作为下游AI芯片的输入信息。
4.根据权利要求3所述的方法,其中,对于所述图像序列中的图像,当所述上游AI芯片对该图像进行图像识别时,所述下游AI芯片对该图像的上一幅图像进行图像识别。
5.根据权利要求4所述的方法,其中,所述AI芯片集合包括第一AI芯片、第二AI芯片和第三AI芯片,所述第一AI芯片运行目标检测模型,所述第二AI芯片运行姿态检测模型,所述第三AI芯片运行属性识别模型。
6.根据权利要求5所述的方法,其中,所述依次对所述图像序列中的图像进行图像识别,得到所述图像序列中的图像的识别结果,包括:
所述第一AI芯片将所述图像序列中的图像输入至所述目标检测模型,得到该图像中的目标的位置信息,基于该图像和该图像中的目标的位置信息,生成该图像的第一识别子结果,以及将该图像的第一识别子结果发送至所述第二AI芯片;
所述第二AI芯片将该图像的第一识别子结果输入至所述姿态检测模型,得到该图像中的目标的姿态信息,基于该图像的第一识别子结果和该图像中的目标的姿态信息,生成该图像的第二识别子结果,以及将该图像的第二识别子结果发送至所述第三AI芯片;
所述第三AI芯片将该图像的第二识别子结果输入至所述属性识别模型,得到该图像中的目标的属性信息,基于该图像的第二识别子结果和该图像中的目标的属性信息,生成该图像的识别结果。
7.根据权利要求6所述的方法,其中,
所述基于该图像和该图像中的目标的位置信息,生成该图像的第一识别子结果,包括:
所述第一AI芯片将该图像中的目标的位置信息封装进该图像,生成该图像的第一识别子结果;
所述基于该图像的第一识别子结果和该图像中的目标的姿态信息,生成该图像的第二识别子结果,包括:
所述第二AI芯片将该图像中的目标的姿态信息封装进该图像的第一识别子结果,生成该图像的第二识别子结果;以及
所述基于该图像的第二识别子结果和该图像中的目标的属性信息,生成该图像的识别结果,包括:
所述第三AI芯片整合该图像中的目标的位置信息、姿态信息和属性信息,生成该图像的识别结果。
8.根据权利要求1-7之一所述的方法,其中,所述AI芯片集合中的AI芯片通过移动产业处理器接口串联。
9.一种用于识别图像的系统,包括:传感器和人工智能AI芯片集合,所述AI芯片集合中的AI芯片串联;
所述传感器,被配置成采集图像序列,以及将所述图像序列发送至所述AI芯片集合;
所述AI芯片集合,被配置成依次对所述图像序列中的图像进行图像识别,得到所述图像序列中的图像的识别结果。
10.根据权利要求9所述的系统,其中,所述AI芯片集合运行图像识别过程中的所有深度学习模型,且不同AI芯片运行不同的深度学习模型。
11.根据权利要求10所述的系统,其中,所述AI芯片集合中的上游AI芯片的输入信息和输出信息一起作为下游AI芯片的输入信息。
12.根据权利要求11所述的系统,其中,对于所述图像序列中的图像,当所述上游AI芯片对该图像进行图像识别时,所述下游AI芯片对该图像的上一幅图像进行图像识别。
13.根据权利要求12所述的系统,其中,所述AI芯片集合包括第一AI芯片、第二AI芯片和第三AI芯片,所述第一AI芯片运行目标检测模型,所述第二AI芯片运行姿态检测模型,所述第三AI芯片运行属性识别模型。
14.根据权利要求13所述的系统,其中,
所述第一AI芯片,被配置成将所述图像序列中的图像输入至所述目标检测模型,得到该图像中的目标的位置信息,基于该图像和该图像中的目标的位置信息,生成该图像的第一识别子结果,以及将该图像的第一识别子结果发送至所述第二AI芯片;
所述第二AI芯片,被配置成将该图像的第一识别子结果输入至所述姿态检测模型,得到该图像中的目标的姿态信息,基于该图像的第一识别子结果和该图像中的目标的姿态信息,生成该图像的第二识别子结果,以及将该图像的第二识别子结果发送至所述第三AI芯片;
所述第三AI芯片,被配置成将该图像的第二识别子结果输入至所述属性识别模型,得到该图像中的目标的属性信息,基于该图像的第二识别子结果和该图像中的目标的属性信息,生成该图像的识别结果。
15.根据权利要求14所述的系统,其中,
所述第一AI芯片,被配置成将该图像中的目标的位置信息封装进该图像,生成该图像的第一识别子结果;
所述第二AI芯片,被配置成将该图像中的目标的姿态信息封装进该图像的第一识别子结果,生成该图像的第二识别子结果;
所述第三AI芯片,被配置成整合该图像中的目标的位置信息、姿态信息和属性信息,生成该图像的识别结果。
16.根据权利要求9-15之一所述的系统,其中,所述AI芯片集合中的AI芯片通过移动产业处理器接口串联。
17.一种人工智能AI芯片集合,包括:至少两个AI芯片,所述至少两个AI芯片串联,每个AI芯片包括:
存储部件,其上存储有一个或多个程序;
调度部件,被配置成根据待执行指令进行指令调度;
至少一个通用执行部件,被配置成接收所述调度部件发送的指令,执行对应的程序;和/或根据所述调度部件发送的指令生成子指令,并将生成的子指令发送至对应的专用执行部件;
至少一个专用执行部件,被配置成接收所述至少一个通用执行部件发送的子指令,执行对应的程序,其中,一个或多个专用执行部件执行对应的程序时实现如权利要求1-8中任一所述的方法。
18.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-8中任一所述的方法。
19.一种电子设备,包括:处理器、存储装置和至少一个如权利要求17所述的人工智能AI芯片集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910361580.XA CN111860476A (zh) | 2019-04-30 | 2019-04-30 | 用于识别图像的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910361580.XA CN111860476A (zh) | 2019-04-30 | 2019-04-30 | 用于识别图像的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111860476A true CN111860476A (zh) | 2020-10-30 |
Family
ID=72965612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910361580.XA Pending CN111860476A (zh) | 2019-04-30 | 2019-04-30 | 用于识别图像的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860476A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180181797A1 (en) * | 2016-12-23 | 2018-06-28 | Samsung Electronics Co., Ltd. | Electronic apparatus and operation method thereof |
US20180181827A1 (en) * | 2016-12-22 | 2018-06-28 | Samsung Electronics Co., Ltd. | Apparatus and method for processing image |
WO2018212494A1 (ko) * | 2017-05-17 | 2018-11-22 | 삼성전자 주식회사 | 객체를 식별하는 방법 및 디바이스 |
CN109034159A (zh) * | 2018-05-28 | 2018-12-18 | 北京捷通华声科技股份有限公司 | 图像信息提取方法和装置 |
US20190065994A1 (en) * | 2017-08-23 | 2019-02-28 | Boe Technology Group Co., Ltd. | Deep learning-based image recognition method and apparatus |
-
2019
- 2019-04-30 CN CN201910361580.XA patent/CN111860476A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180181827A1 (en) * | 2016-12-22 | 2018-06-28 | Samsung Electronics Co., Ltd. | Apparatus and method for processing image |
US20180181797A1 (en) * | 2016-12-23 | 2018-06-28 | Samsung Electronics Co., Ltd. | Electronic apparatus and operation method thereof |
WO2018212494A1 (ko) * | 2017-05-17 | 2018-11-22 | 삼성전자 주식회사 | 객체를 식별하는 방법 및 디바이스 |
US20190065994A1 (en) * | 2017-08-23 | 2019-02-28 | Boe Technology Group Co., Ltd. | Deep learning-based image recognition method and apparatus |
CN109034159A (zh) * | 2018-05-28 | 2018-12-18 | 北京捷通华声科技股份有限公司 | 图像信息提取方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108509915B (zh) | 人脸识别模型的生成方法和装置 | |
CN108830235B (zh) | 用于生成信息的方法和装置 | |
CN111476871B (zh) | 用于生成视频的方法和装置 | |
JP7012689B2 (ja) | コマンド実行方法及び装置 | |
CN110751676A (zh) | 一种基于目标检测的异构计算系统、方法和可读存储介质 | |
CN110033423B (zh) | 用于处理图像的方法和装置 | |
CN110825436B (zh) | 应用于人工智能芯片的计算方法和人工智能芯片 | |
CN108491890B (zh) | 图像方法和装置 | |
US20200342292A1 (en) | Hardware-software co-design for accelerating deep learning inference | |
CN113505848A (zh) | 模型训练方法和装置 | |
CN110826706B (zh) | 用于神经网络的数据处理方法和装置 | |
WO2020000383A1 (en) | Systems and methods for low-power, real-time object detection | |
CN111260756B (zh) | 用于发送信息的方法和装置 | |
CN105095398B (zh) | 一种信息提供方法和装置 | |
CN111860851A (zh) | 用于识别图像的方法和系统 | |
CN109816791B (zh) | 用于生成信息的方法和装置 | |
CN111860476A (zh) | 用于识别图像的方法和系统 | |
CN111626398B (zh) | 运算方法、装置及相关产品 | |
CN110877332B (zh) | 机器人舞蹈文件生成方法、装置、终端设备及存储介质 | |
CN114254563A (zh) | 数据处理方法及装置、电子设备、存储介质 | |
CN111862107A (zh) | 用于处理图像的方法和系统 | |
CN108509895B (zh) | 用于检测人脸图像的方法和装置 | |
CN113599806B (zh) | 一种数据预处理方法、剧情显示方法、装置、介质及设备 | |
CN110083357A (zh) | 界面构建方法、装置、服务器及存储介质 | |
CN112115740A (zh) | 用于处理图像的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |