CN112541549A - 商品分类识别方法及装置 - Google Patents
商品分类识别方法及装置 Download PDFInfo
- Publication number
- CN112541549A CN112541549A CN202011480975.0A CN202011480975A CN112541549A CN 112541549 A CN112541549 A CN 112541549A CN 202011480975 A CN202011480975 A CN 202011480975A CN 112541549 A CN112541549 A CN 112541549A
- Authority
- CN
- China
- Prior art keywords
- commodity
- input data
- result
- preset
- fixed point
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 54
- 238000013139 quantization Methods 0.000 claims description 47
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 description 12
- 238000003062 neural network model Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例涉及目标分类识别技术领域,提供了一种商品分类识别方法及装置,商品分类识别方法包括:获取待识别商品图像;将待识别商品图像输入至商品分类识别模型,得到由商品分类识别模型输出的待识别商品图像中的商品类别。由于Eltwise层的输入数据以及输出数据均为定点型数据,使得通过商品分类识别模型,可以占用较少的计算机资源即可进行商品分类识别,而且消耗时间短,可以提高商品分类识别速度。卷积神经网络中包含Eltwise层,通过Eltwise层的两项输入数据对应的第一类定点系数的第一乘积结果、每项输入数据对应的第一类定点系数以及第二类定点系数,Eltwise层可以实现对两项定点型的输入数据进行运算。
Description
技术领域
本申请涉及目标分类识别技术领域,尤其涉及一种商品分类识别方法及装置。
背景技术
在开放式智能零售货柜中,采用鱼眼摄像头对放置在货柜中的商品进行图像采集,从而对商品进行分类识别操作。对于货柜运营商而言,较高的分类识别准确率是必不可少的。鱼眼摄像头对商品拍摄成像时存在遮挡,其拍摄的图像更多展现了顶部及靠近顶部区域的局部的图像,缺乏商品其他部分的较为显著的特征信息。因此,这种情况会对分类识别算法的准确性造成影响,导致分类识别的准确率降低。
目前,为提高商品分类识别的准确性,通常采用神经网络实现,但在利用神经网络模型进行商品分类识别的过程中,存在着大量复杂的数据运算,如各个网络层的浮点型模型参数与可能为小数形式的图像数据之间的运算,导致商品分类识别时占用的计算机资源多、消耗时间长。而且,在利用神经网络模型处理任务时,经常需要重新构建神经网络模型,此时对各个网络层的参数处理的复杂度会导致构建模型效率低下,进而极大地降低了神经网络模型进行商品分类识别的效率。
综上所述,在利用神经网络模型进行商品分类识别时,利用复杂数据类型的参数构建神经网络模型的过程复杂且占用资源较多,且构建的神经网络模型处理任务时占用计算资源多,消耗时间长,处理任务效率低下。
发明内容
本申请提供一种商品分类识别方法及装置,以实现占用较少的计算机资源即可商品分类识别,而且消耗时间短,可以提高商品分类识别速度。
本申请提供一种商品分类识别方法,包括:
获取待识别商品图像;
将所述待识别商品图像输入至商品分类识别模型,得到由所述商品分类识别模型输出的所述待识别商品图像中的商品类别;
其中,所述商品分类识别模型基于卷积神经网络构建,所述卷积神经网络包括Eltwise层,所述Eltwise层的每项输入数据各自对应有预先确定的第一类定点系数,所述Eltwise层的输出数据对应有预先确定的第二类定点系数,所述Eltwise层用于基于两项输入数据对应的第一类定点系数的第一乘积结果、每项输入数据对应的第一类定点系数以及所述第二类定点系数,对所述两项输入数据进行运算,以得到输出数据;
所述输入数据以及所述输出数据均为定点型数据,所述商品分类识别模型基于携带有商品类别标签的样本图像训练得到。
根据本申请提供的一种商品分类识别方法,所述Eltwise层具体用于:
确定所述两项输入数据中第一项输入数据对应的第一类定点系数与第二项输入数据的第二乘积结果,以及所述第二项输入数据对应的第一类定点系数与所述第一项输入数据的第三乘积结果;
对所述第二乘积结果与所述第三乘积结果进行运算,得到备用运算结果;
基于所述备用运算结果,以及所述第二类定点系数与所述第一乘积结果的第一比值,确定所述输出数据。
根据本申请提供的一种商品分类识别方法,所述基于所述备用运算结果,以及所述第二类定点系数与所述第一乘积结果的第一比值,确定所述输出数据,之前还包括:
确定所述备用运算结果大于目标取值范围中的最大值,则令所述备用运算结果等于所述最大值;或者,
确定所述备用运算结果小于所述目标取值范围中的最小值,则令所述备用运算结果等于所述最小值;
其中,所述目标取值范围为所述卷积神经网络中允许的定点型数据取值范围。
根据本申请提供的一种商品分类识别方法,所述基于所述备用运算结果,以及所述第二类定点系数与所述第一乘积结果的第一比值,确定所述输出数据,具体包括:
基于所述第一比值,以及所述备用运算结果对应的预设移位信息,确定所述备用运算结果对应的预设量化系数;
基于所述预设量化系数以及所述预设移位信息,确定所述输出数据。
根据本申请提供的一种商品分类识别方法,所述预设移位信息包括移位方向和移位位数;相应地,
所述基于所述第一比值,以及所述备用运算结果对应的预设移位信息,确定所述备用运算结果对应的预设量化系数,具体包括:
计算所述第一比值与2的预设指数次幂的乘积,得到第四乘积结果;所述预设指数为所述移位位数;
将所述第四乘积结果进行取整操作,得到所述预设量化系数。
根据本申请提供的一种商品分类识别方法,所述预设移位信息包括移位方向和移位位数;相应地,
所述基于所述预设量化系数以及所述预设移位信息,确定所述输出数据,具体包括:
计算所述备用运算结果与所述预设量化系数的乘积,得到第五乘积结果;
基于所述预设移位信息,对所述第五乘积结果进行移位处理,得到所述输出数据。
本申请还提供一种商品分类识别装置,包括:图像获取模块和商品类别识别模块。其中,
图像获取模块用于获取待识别商品图像;
商品类别识别模块用于将所述待识别商品图像输入至商品分类识别模型,得到由所述商品分类识别模型输出的所述待识别商品图像中的商品类别;
其中,所述商品分类识别模型基于卷积神经网络构建,所述卷积神经网络包括Eltwise层,所述Eltwise层的每项输入数据各自对应有预先确定的第一类定点系数,所述Eltwise层的输出数据对应有预先确定的第二类定点系数,所述Eltwise层用于基于两项输入数据对应的第一类定点系数的第一乘积结果、每项输入数据对应的第一类定点系数以及所述第二类定点系数,对所述两项输入数据进行运算,以得到输出数据;
所述输入数据以及所述输出数据均为定点型数据,所述商品分类识别模型基于携带有商品类别标签的样本图像训练得到。
根据本申请提供的一种商品分类识别装置,所述商品类别识别模块包括Eltwise单元,所述Eltwise单元包括乘积结果确定单元、运算单元和输出数据确定单元;
所述乘积结果确定单元用于确定所述两项输入数据中第一项输入数据对应的第一类定点系数与第二项输入数据的第二乘积结果,以及所述第二项输入数据对应的第一类定点系数与所述第一项输入数据的第三乘积结果;
所述运算单元用于对所述第二乘积结果与所述第三乘积结果进行运算,得到备用运算结果;
所述输出数据确定单元用于基于所述备用运算结果,以及所述第二类定点系数与所述第一乘积结果的第一比值,确定所述输出数据。
根据本申请提供的一种商品分类识别装置,所述Eltwise单元还包括截取模块,用于:
确定所述备用运算结果大于目标取值范围中的最大值,则令所述备用运算结果等于所述最大值;或者,
确定所述备用运算结果小于所述目标取值范围中的最小值,则令所述备用运算结果等于所述最小值;
其中,所述目标取值范围为所述卷积神经网络中允许的定点型数据取值范围。
根据本申请提供的一种商品分类识别装置,所述输出数据确定单元包括预设量化系数确定子单元和输出数据确定子单元;
所述预设量化系数确定子单元用于基于所述第一比值,以及所述备用运算结果对应的预设移位信息,确定所述备用运算结果对应的预设量化系数;
所述输出数据确定子单元用于基于所述预设量化系数以及所述预设移位信息,确定所述输出数据。
根据本申请提供的一种商品分类识别装置,所述预设移位信息包括移位方向和移位位数;相应地,
所述预设量化系数确定子单元,具体用于:
计算所述第一比值与2的预设指数次幂的乘积,得到第四乘积结果;所述预设指数为所述移位位数;
将所述第四乘积结果进行取整操作,得到所述预设量化系数。
根据本申请提供的一种商品分类识别装置,所述预设移位信息包括移位方向和移位位数;相应地,
所述输出数据确定子单元,具体用于:
计算所述备用运算结果与所述预设量化系数的乘积,得到第五乘积结果;
基于所述预设移位信息,对所述第五乘积结果进行移位处理,得到所述输出数据。
本申请还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述商品分类识别方法的步骤。
本申请还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述商品分类识别方法的步骤。
本申请提供的商品分类识别方法及装置,商品分类识别方法包括:获取待识别商品图像;将所述待识别商品图像输入至商品分类识别模型,得到由所述商品分类识别模型输出的所述待识别商品图像中的商品类别;其中,所述商品分类识别模型基于卷积神经网络构建,所述卷积神经网络包括Eltwise层,所述Eltwise层的每项输入数据各自对应有预先确定的第一类定点系数,所述Eltwise层的输出数据对应有预先确定的第二类定点系数,所述Eltwise层用于基于两项输入数据对应的第一类定点系数的第一乘积结果、每项输入数据对应的第一类定点系数以及所述第二类定点系数,对所述两项输入数据进行运算,以得到输出数据;所述输入数据以及所述输出数据均为定点型数据,所述商品分类识别模型基于携带有商品类别标签的样本图像训练得到。通过商品分类识别模型,可以占用较少的计算机资源即可进行商品分类识别,而且消耗时间短,可以提高商品分类识别速度。而且,卷积神经网络中包含Eltwise层,通过两项输入数据对应的第一类定点系数的第一乘积结果、每项输入数据对应的第一类定点系数以及所述第二类定点系数,可以使Eltwise层实现对两项输入数据进行运算,得到的输出数据也为定点型数据,保证了卷积神经网络中Eltwise层后面的其它层的输入数据也为定点型数据。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请提供的商品分类识别方法的流程示意图;
图2是本申请提供的商品分类识别方法中商品分类识别模型中的Eltwise层的操作流程示意图;
图3是本申请提供的商品分类识别方法中商品分类识别模型中的Eltwise层的操作流程示意图;
图4是本申请提供的商品分类识别装置的结构示意图;
图5是本申请提供的商品分类识别装置中商品类别识别模块的结构示意图;
图6是本申请提供的商品分类识别装置中商品类别识别模块的结构示意图;
图7是本申请提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
目前,在利用神经网络模型进行商品分类识别的过程中,存在着大量复杂的数据运算,如各个网络层的浮点型模型参数与可能为小数形式的图像数据之间的运算,导致商品分类识别时占用的计算机资源多、消耗时间长。而且,在利用神经网络模型处理任务时,经常需要重新构建神经网络模型,此时对各个网络层的参数处理的复杂度会导致构建模型效率低下,进而极大地降低了神经网络模型进行商品分类识别的效率,严重影响实时性,不利于商品分类识别速度的提高。为此,本申请实施例中提供了一种商品分类识别方法,以解决现有技术中存在的问题。
图1为本申请实施例中提供的一种商品分类识别方法,包括:
S11,获取待识别商品图像;
S12,将所述待识别商品图像输入至商品分类识别模型,得到由所述商品分类识别模型输出的所述待识别商品图像中的商品类别;
其中,所述商品分类识别模型基于卷积神经网络构建,所述卷积神经网络包括Eltwise层,所述Eltwise层的每项输入数据各自对应有预先确定的第一类定点系数,所述Eltwise层的输出数据对应有预先确定的第二类定点系数,所述Eltwise层用于基于两项输入数据对应的第一类定点系数的第一乘积结果、每项输入数据对应的第一类定点系数以及所述第二类定点系数,对所述两项输入数据进行运算,以得到输出数据;
所述输入数据以及所述输出数据均为定点型数据,所述商品分类识别模型基于携带有商品类别标签的样本图像训练得到。
具体地,本申请实施例中提供的商品分类识别方法,其执行主体为服务器,具体可以是服务器,例如即可以是云端服务器也可以是本地服务器,本地服务器具体可以是计算机、平板电脑以及智能手机等,本申请实施例中对此不作具体限定。
在进行商品分类识别时,首先执行步骤S11,获取待识别商品图像,待识别商品图像是指需要识别其中商品类别的图像。待识别商品图像可以通过平面上的二维像素点和RGB通道构成的三维矩阵进行表示,该矩阵中各元素的取值均为整数,取值范围可以是[0,255]。
然后执行步骤S12,在将步骤S11获取的待识别商品图像输入至商品分类识别模型之前,还包括对待识别商品图像进行预处理,预处理操作可以包括调整待识别商品图像的尺寸,并对待识别商品图像进行归一化处理,可以将图像尺寸调整为64*256,将待识别商品图像中的像素值调整到-1至1之间。然后,将预处理后的待识别商品图像输入至商品分类识别模型,商品分类识别模型对待识别商品图像进行识别,并输出待识别商品图像中的商品类别。商品分类识别模型具体是基于卷积神经网络构建的,卷积神经网络(ConvolutionalNeural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力,能够按其阶层结构对输入信息进行平移不变分类(shift-invariant classification),因此也被称为“平移不变人工神经网络(Shift-Invariant Artificial Neural Networks,SIANN)”。
卷积神经网络可以包括输入层、隐藏层和输出层,输入层用于接收待识别商品图像,隐藏层用于对待识别商品图像进行识别,输出层用于将识别得到的待识别商品图像中的商品类别进行输出。隐藏层可以包括卷积层、池化层和全连接层,卷积层用于进行特征提取,得到特征图,并将得到的特征图输入至池化层进行特征选择和信息过滤,全连接层位于隐含层的最后部分,用于对特征进行非线性组合。特征图在全连接层中会失去空间拓扑结构,被展开为向量。卷积层中包含有Eltwise层,以对特征按元素进行运算,即Eltwise层的输入数据均为特征矩阵,输出数据为按元素进行运算后得到的特征矩阵,也即两项输入数据的运算结果。Eltwise层实现的运算可以包括相加(add)运算、点乘(product)运算、相减运算或者取最大值(max)运算等。相加(add)运算或相减运算可以统称为sum运算。
本申请实施例中采用的卷积神经网络中的模型参数以及处理的数据均为定点型数据,因此Eltwise层的输入数据为定点型数据,但是现有的Eltwise层均是针对于输入数据是浮点型数据实现的按元素进行运算功能,并没有针对于输入数据是定点型数据实现按元素进行运算的功能,因此本申请实施例中Eltwise层通过两项输入数据对应的第一类定点系数的第一乘积结果、每项输入数据对应的第一类定点系数以及输出数据对应的第二类定点系数,对两项输入数据按元素进行运算,使得到的输出数据也为定点型数据。需要说明的是,本申请实施例中提及的Eltwise层通过两项输入数据对应的第一类定点系数的第一乘积结果、每项输入数据对应的第一类定点系数以及输出数据对应的第二类定点系数,对两项输入数据按元素进行运算的过程,可以理解为是对Eltwise层进行定点计算的过程。
其中,Eltwise层的输入数据可以有两项,每项输入数据分别对应有一第一类定点系数,每项输入数据对应的第一类定点系数是每项输入数据的定点型数据与浮点型数据之间的转换系数,输出数据对应的第二类定点系数是输出数据的定点型数据与浮点型数据之间的转换系数。第一类定点系数和第二类定点系数均可以预先通过统计得到,本申请实施例中对其确定方式在此不作具体限定。由于每项输入数据均对应一第一类定点系数,因此可以确定出两项输入数据对应的第一类定点系数的第一乘积结果。
本申请实施例中,商品分类识别模型由卷积神经网络构建,并基于携带有商品类别标签的样本图像,对卷积神经网络进行训练得到商品分类识别模型。商品类别纹标签是指样本图像中已知的商品类别。在对卷积神经网络进行训练时,将样本图像作为输入,得到卷积神经网络输出的识别结果,然后通过该识别结果与商品类别标签计算损失函数,若损失函数最小则训练结束。将样本图像输入至卷积神经网络之前,还可以对样本图像进行预处理。
在通过商品分类识别模型对待识别商品图像进行分类识别时,由于商品分类识别模型基于卷积神经网络构建,进行运算的数据均为定点型数据,可以占用较少的计算机资源即可实现商品分类识别,而且消耗时间短,可以提高商品分类识别速度。而且,卷积神经网络中包含Eltwise层,通过两项输入数据对应的第二类定点系数的第一乘积结果、每项输入数据对应的第一类定点系数以及第一类定点系数,可以使Eltwise层实现对两项输入数据按元素进行运算,运算得到的数据也为定点型数据,保证了卷积神经网络中拼接层后面的其它层的输入数据也为定点型数据。
本申请实施例中提供的商品分类识别方法,包括:获取待识别商品图像;将所述待识别商品图像输入至商品分类识别模型,得到由所述商品分类识别模型输出的所述待识别商品图像中的商品类别;其中,所述商品分类识别模型基于卷积神经网络构建,所述卷积神经网络包括Eltwise层,所述Eltwise层的每项输入数据各自对应有预先确定的第一类定点系数,所述Eltwise层的输出数据对应有预先确定的第二类定点系数,所述Eltwise层用于基于两项输入数据对应的第一类定点系数的第一乘积结果、每项输入数据对应的第一类定点系数以及所述第二类定点系数,对所述两项输入数据进行运算,以得到输出数据;所述商品分类识别模型基于携带有商品类别标签的样本图像训练得到。由于输入数据以及输出数据均为定点型数据,使得通过商品分类识别模型,可以占用较少的计算机资源即可进行商品分类识别,而且消耗时间短,可以提高商品分类识别速度。而且,卷积神经网络中包含Eltwise层,通过Eltwise层的两项输入数据对应的第一类定点系数之间的大小关系、每项输入数据对应的第一类定点系数以及输出数据对应的第二类定点系数,可以使Eltwise层实现对两项定点型的输入数据进行运算,得到定点型的输出数据,保证了卷积神经网络中Eltwise层后面的其它层的输入数据也为定点型数据。
如图2所示,在上述实施例的基础上,本申请实施例中提供的商品分类识别方法,所述Eltwise层具体用于:
S21,确定所述两项输入数据中第一项输入数据对应的第一类定点系数与第二项输入数据的第二乘积结果,以及所述第二项输入数据对应的第一类定点系数与所述第一项输入数据的第三乘积结果;
S22,对所述第二乘积结果与所述第三乘积结果进行运算,得到备用运算结果;
S23,基于所述备用运算结果,以及所述第二类定点系数与所述第一乘积结果的第一比值,确定所述输出数据。
具体地,Eltwise层在对各项输入数据按元素进行运算时,以运算是相加运算为例进行说明。首先确定两项输入数据中第一项输入数据对应的第一类定点系数与第二项输入数据的第二乘积结果,以及第二项输入数据对应的第一类定点系数与所述第一项输入数据的第三乘积结果。例如,两项输入数据中第一项输入数据为y1,第二项输入数据为y2,y1对应的第一类定点系数为q1,y2对应的第一类定点系数为q2,则第二乘积结果为y1*q2,第三乘积结果为y2*q1。
然后,对第二乘积结果y1*q2与第三乘积结果y2*q1进行运算,得到备用运算结果。以运算是相加运算为例,则备用运算结果为y1*q2+y2*q1。
最后,计算第二类定点系数与第一乘积结果的第一比值,第一比值为q3/(q1*q2)。根据备用运算结果,以及第二类定点系数与第一乘积结果的第一比值,确定输出数据。例如,输出数据可以表示为:
如图3所示,在上述实施例的基础上,本申请实施例中提供的商品分类识别方法,所述基于所述备用运算结果,以及所述第二类定点系数与所述第一乘积结果的第一比值,确定所述输出数据,之前还包括:
S31,确定所述备用运算结果大于目标取值范围中的最大值,则令所述备用运算结果等于所述最大值;或者,
S32,确定所述备用运算结果小于所述目标取值范围中的最小值,则令所述备用运算结果等于所述最小值;
其中,所述目标取值范围为所述卷积神经网络中允许的定点型数据取值范围。
具体地,本申请中在得到备用运算结果之后,需要判断备用运算结果是否需要进行截取,即判断备用运算结果是否在目标取值范围内,目标取值范围为卷积神经网络中允许的定点型数据取值范围。如果备用运算结果在目标取值范围内则符合卷积神经网络中的数据取值要求。如果备用运算结果大于目标取值范围中的最大值,则令备用运算结果等于该最大值。例如,目标取值范围可以是-128~127,则如果备用运算结果大于127,令备用运算结果等于127,以保证备用运算结果符合卷积神经网络的数据取值要求。
如果备用运算结果小于目标取值范围中的最小值,则令备用运算结果等于最小值。例如,如果备用运算结果小于-128,令备用运算结果等于-128,以保证备用运算结果符合卷积神经网络的数据取值要求。
在上述实施例的基础上,本申请实施例中提供的商品分类识别方法,所述基于所述备用运算结果,以及所述第二类定点系数与所述第一乘积结果的第一比值,确定所述输出数据,具体包括:
基于所述第一比值,以及所述备用运算结果对应的预设移位信息,确定所述备用运算结果对应的预设量化系数;
基于所述预设量化系数以及所述预设移位信息,确定所述输出数据。
具体地,在确定输出数据时,还可以先根据第一比值q3/(q1*q2),以及备用运算结果对应的预设移位信息,确定备用运算结果对应的预设量化系数。预设移位信息可以包括移位方向和移位位数,移位方向既可以固定为左移或者右移,也可以根据备用运算结果的真实值进行确定,移位位数既可以为定值,也可以根据备用运算结果的绝对值进行确定,本申请实施例中对此不作具体限定。需要说明的是,移位位数为大于0的正整数。备用运算结果对应的预设移位信息可以与第一输入数据对应的预设移位信息相同,即移位位数相同,移位方向相同。本申请实施例中对此不作具体限定。
通过将预设量化系数与备用运算结果进行相乘,通过预设移位信息可以对预设量化系数与备用运算结果的相乘结果进行移位操作。通过预设量化系数以及预设移位信息,可以共同实现对备用运算结果进行大小调整。通过备用运算结果对应的预设移位信息实现对备用运算结果的移位操作时,移位操作可以通过备用运算结果与2的指数次幂的乘积或者比值表示,其中的指数表示移位位数,乘积表示左移,比值表示右移。备用运算结果经过与预设量化系数相乘及移位操作后,即可得到输出数据。
在上述实施例的基础上,本申请实施例中提供的商品分类识别方法,所述预设移位信息包括移位方向和移位位数;相应地,
所述基于所述第一比值,以及所述备用运算结果对应的预设移位信息,确定所述备用运算结果对应的预设量化系数,具体包括:
计算所述第一比值与2的预设指数次幂的乘积,得到第四乘积结果;所述预设指数为所述移位位数;
将所述第四乘积结果进行取整操作,得到所述预设量化系数。
具体地,在确定预设量化系数时,可以先计算出第一比值q3/(q1*q2)与2的预设指数次幂的乘积,得到第四乘积结果;预设指数为备用运算结果对应的移位位数。若备用运算结果对应的移位位数为n,则第四乘积结果s1′可以表示为:
然后,将第四乘积结果s1′进行取整操作,得到备用运算结果对应的预设量化系数s1。其中,取整操作可以是向下取整、向上取整或者四舍五入取整,本申请实施例中对此不作具体限定。
在上述实施例的基础上,本申请实施例中提供的商品分类识别方法,所述预设移位信息包括移位方向和移位位数;相应地,
所述基于所述预设量化系数以及所述预设移位信息,确定所述输出数据,具体包括:
计算所述备用运算结果与所述预设量化系数的乘积,得到第五乘积结果;
基于所述预设移位信息,对所述第五乘积结果进行移位处理,得到所述输出数据。
具体地,在确定输出数据时,可以先计算备用运算结果y1*q2+y2*q1与预设量化系数s1的乘积,得到第五乘积结果s1*(y1*q2+y2*q1);然后,根据预设移位信息,对第五乘积结果进行移位处理,得到输出数据。
例如,输出数据可以表示为:
其中,n为备用运算结果对应的预设移位信息中的移位位数,备用运算结果对应的预设移位信息中的移位方向为右移。
设y1对应的浮点型数据为y1′,y2对应的浮点型数据为y2′,Eltwise层可以直接对y1′和y2′按元素进行运算,得到的输出数据为浮点型数据y3′,以运算是相加运算为例,即有:
y3′=y1′+y2′
对上式进行变换可以得到:
输出数据y3的计算公式证明了本申请中的拼接层的功能的可实现性。
如图4所示,在上述实施例的基础上,本申请实施例中提供了一种商品分类识别装置,包括:图像获取模块41和商品类别识别模块42。其中,
图像获取模块41用于获取待识别商品图像;
商品类别识别模块42用于将所述待识别商品图像输入至商品分类识别模型,得到由所述商品分类识别模型输出的所述待识别商品图像中的商品类别;
其中,所述商品分类识别模型基于卷积神经网络构建,所述卷积神经网络包括Eltwise层,所述Eltwise层的每项输入数据各自对应有预先确定的第一类定点系数,所述Eltwise层的输出数据对应有预先确定的第二类定点系数,所述Eltwise层用于基于两项输入数据对应的第一类定点系数的第一乘积结果、每项输入数据对应的第一类定点系数以及所述第二类定点系数,对所述两项输入数据按元素进行运算,以得到输出数据;
所述输入数据以及所述输出数据均为定点型数据,所述商品分类识别模型基于携带有商品类别标签的样本图像训练得到。
如图5所示,在上述实施例的基础上,本申请实施例中提供的商品分类识别装置,所述商品类别识别模块42包括Eltwise单元421,所述Eltwise单元421包括乘积结果确定单元4211、运算单元4212和输出数据确定单元4213。其中,
所述乘积结果确定单元4211用于确定所述两项输入数据中第一项输入数据对应的第一类定点系数与第二项输入数据的第二乘积结果,以及所述第二项输入数据对应的第一类定点系数与所述第一项输入数据的第三乘积结果;
所述运算单元4212用于对所述第二乘积结果与所述第三乘积结果进行运算,得到备用运算结果;
所述输出数据确定单元4213用于基于所述备用运算结果,以及所述第二类定点系数与所述第一乘积结果的第一比值,确定所述输出数据。
如图6所示,在上述实施例的基础上,本申请实施例中提供的商品分类识别装置,所述Eltwise单元421还包括截取模块4214,用于:
确定所述备用运算结果大于目标取值范围中的最大值,则令所述备用运算结果等于所述最大值;或者,
确定所述备用运算结果小于所述目标取值范围中的最小值,则令所述备用运算结果等于所述最小值;
其中,所述目标取值范围为所述卷积神经网络中允许的定点型数据取值范围。
在上述实施例的基础上,本申请实施例中提供的商品分类识别装置,所述输出数据确定单元包括预设量化系数确定子单元和输出数据确定子单元;
所述预设量化系数确定子单元用于基于所述第一比值,以及所述备用运算结果对应的预设移位信息,确定所述备用运算结果对应的预设量化系数;
所述输出数据确定子单元用于基于所述预设量化系数以及所述预设移位信息,确定所述输出数据。
在上述实施例的基础上,本申请实施例中提供的商品分类识别装置,所述预设移位信息包括移位方向和移位位数;相应地,
所述预设量化系数确定子单元,具体用于:
计算所述第一比值与2的预设指数次幂的乘积,得到第四乘积结果;所述预设指数为所述移位位数;
将所述第四乘积结果进行取整操作,得到所述预设量化系数。
在上述实施例的基础上,本申请实施例中提供的商品分类识别装置,所述预设移位信息包括移位方向和移位位数;相应地,
所述输出数据确定子单元,具体用于:
计算所述备用运算结果与所述预设量化系数的乘积,得到第五乘积结果;
基于所述预设移位信息,对所述第五乘积结果进行移位处理,得到所述输出数据。
在上述实施例的基础上,本申请实施例中提供的商品分类识别装置,所述运算具体包括:相加运算、相减运算或者相乘运算。
本申请实施例提供的商品分类识别装置用于执行上述商品分类识别方法,其实施方式与本申请提供的商品分类识别方法的实施方式一致,且可以达到相同的有益效果,此处不再赘述。
图7示例了一种电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行商品分类识别方法,该方法包括:获取待识别商品图像;将所述待识别商品图像输入至商品分类识别模型,得到由所述商品分类识别模型输出的所述待识别商品图像中的商品类别;其中,所述商品分类识别模型基于卷积神经网络构建,所述卷积神经网络包括Eltwise层,所述Eltwise层的每项输入数据各自对应有预先确定的第一类定点系数,所述Eltwise层的输出数据对应有预先确定的第二类定点系数,所述Eltwise层用于基于两项输入数据对应的第一类定点系数的第一乘积结果、每项输入数据对应的第一类定点系数以及所述第二类定点系数,对所述两项输入数据进行运算,以得到输出数据;所述输入数据以及所述输出数据均为定点型数据,所述商品分类识别模型基于携带有商品类别标签的样本图像训练得到。
此外,上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例提供的电子设备中的处理器710可以调用存储器730中的逻辑指令,实现上述商品分类识别方法,其实施方式与本申请提供的商品分类识别方法的实施方式一致,且可以达到相同的有益效果,此处不再赘述。
另一方面,本申请还提供一种计算机程序产品,下面对本申请提供的计算机程序产品进行描述,下文描述的计算机程序产品与上文描述的商品分类识别方法可相互对应参照。
所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的商品分类识别方法,该方法包括:获取待识别商品图像;将所述待识别商品图像输入至商品分类识别模型,得到由所述商品分类识别模型输出的所述待识别商品图像中的商品类别;其中,所述商品分类识别模型基于卷积神经网络构建,所述卷积神经网络包括Eltwise层,所述Eltwise层的每项输入数据各自对应有预先确定的第一类定点系数,所述Eltwise层的输出数据对应有预先确定的第二类定点系数,所述Eltwise层用于基于两项输入数据对应的第一类定点系数的第一乘积结果、每项输入数据对应的第一类定点系数以及所述第二类定点系数,对所述两项输入数据进行运算,以得到输出数据;所述输入数据以及所述输出数据均为定点型数据,所述商品分类识别模型基于携带有商品类别标签的样本图像训练得到。
本申请实施例提供的计算机程序产品被执行时,实现上述商品分类识别方法,其实施方式与本申请提供的商品分类识别方法的实施方式一致,且可以达到相同的有益效果,此处不再赘述。
又一方面,本申请还提供一种非暂态计算机可读存储介质,下面对本申请提供的非暂态计算机可读存储介质进行描述,下文描述的非暂态计算机可读存储介质与上文描述的商品分类识别方法可相互对应参照。
本申请还提供一种非暂态计算机可读存储介质,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以执行上述各提供的商品分类识别方法,该方法包括:获取待识别商品图像;将所述待识别商品图像输入至商品分类识别模型,得到由所述商品分类识别模型输出的所述待识别商品图像中的商品类别;其中,所述商品分类识别模型基于卷积神经网络构建,所述卷积神经网络包括Eltwise层,所述Eltwise层的每项输入数据各自对应有预先确定的第一类定点系数,所述Eltwise层的输出数据对应有预先确定的第二类定点系数,所述Eltwise层用于基于两项输入数据对应的第一类定点系数的第一乘积结果、每项输入数据对应的第一类定点系数以及所述第二类定点系数,对所述两项输入数据进行运算,以得到输出数据;所述输入数据以及所述输出数据均为定点型数据,所述商品分类识别模型基于携带有商品类别标签的样本图像训练得到。
本申请实施例提供的非暂态计算机可读存储介质上存储的计算机程序被执行时,实现上述商品分类识别方法,其实施方式与本申请提供的商品分类识别方法的实施方式一致,且可以达到相同的有益效果,此处不再赘述。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (14)
1.一种商品分类识别方法,其特征在于,包括:
获取待识别商品图像;
将所述待识别商品图像输入至商品分类识别模型,得到由所述商品分类识别模型输出的所述待识别商品图像中的商品类别;
其中,所述商品分类识别模型基于卷积神经网络构建,所述卷积神经网络包括Eltwise层,所述Eltwise层的每项输入数据各自对应有预先确定的第一类定点系数,所述Eltwise层的输出数据对应有预先确定的第二类定点系数,所述Eltwise层用于基于两项输入数据对应的第一类定点系数的第一乘积结果、每项输入数据对应的第一类定点系数以及所述第二类定点系数,对所述两项输入数据进行运算,以得到输出数据;
所述输入数据以及所述输出数据均为定点型数据,所述商品分类识别模型基于携带有商品类别标签的样本图像训练得到。
2.根据权利要求1所述的商品分类识别方法,其特征在于,所述Eltwise层具体用于:
确定所述两项输入数据中第一项输入数据对应的第一类定点系数与第二项输入数据的第二乘积结果,以及所述第二项输入数据对应的第一类定点系数与所述第一项输入数据的第三乘积结果;
对所述第二乘积结果与所述第三乘积结果进行运算,得到备用运算结果;
基于所述备用运算结果,以及所述第二类定点系数与所述第一乘积结果的第一比值,确定所述输出数据。
3.根据权利要求2所述的商品分类识别方法,其特征在于,所述基于所述备用运算结果,以及所述第二类定点系数与所述第一乘积结果的第一比值,确定所述输出数据,之前还包括:
确定所述备用运算结果大于目标取值范围中的最大值,则令所述备用运算结果等于所述最大值;或者,
确定所述备用运算结果小于所述目标取值范围中的最小值,则令所述备用运算结果等于所述最小值;
其中,所述目标取值范围为所述卷积神经网络中允许的定点型数据取值范围。
4.根据权利要求2所述的商品分类识别方法,其特征在于,所述基于所述备用运算结果,以及所述第二类定点系数与所述第一乘积结果的第一比值,确定所述输出数据,具体包括:
基于所述第一比值,以及所述备用运算结果对应的预设移位信息,确定所述备用运算结果对应的预设量化系数;
基于所述预设量化系数以及所述预设移位信息,确定所述输出数据。
5.根据权利要求4所述的商品分类识别方法,其特征在于,所述预设移位信息包括移位方向和移位位数;相应地,
所述基于所述第一比值,以及所述备用运算结果对应的预设移位信息,确定所述备用运算结果对应的预设量化系数,具体包括:
计算所述第一比值与2的预设指数次幂的乘积,得到第四乘积结果;所述预设指数为所述移位位数;
将所述第四乘积结果进行取整操作,得到所述预设量化系数。
6.根据权利要求4所述的商品分类识别方法,其特征在于,所述预设移位信息包括移位方向和移位位数;相应地,
所述基于所述预设量化系数以及所述预设移位信息,确定所述输出数据,具体包括:
计算所述备用运算结果与所述预设量化系数的乘积,得到第五乘积结果;
基于所述预设移位信息,对所述第五乘积结果进行移位处理,得到所述输出数据。
7.一种商品分类识别装置,其特征在于,包括:
图像获取模块,用于获取待识别商品图像;
商品类别识别模块,用于将所述待识别商品图像输入至商品分类识别模型,得到由所述商品分类识别模型输出的所述待识别商品图像中的商品类别;
其中,所述商品分类识别模型基于卷积神经网络构建,所述卷积神经网络包括Eltwise层,所述Eltwise层的每项输入数据各自对应有预先确定的第一类定点系数,所述Eltwise层的输出数据对应有预先确定的第二类定点系数,所述Eltwise层用于基于两项输入数据对应的第一类定点系数的第一乘积结果、每项输入数据对应的第一类定点系数以及所述第二类定点系数,对所述两项输入数据进行运算,以得到输出数据;
所述输入数据以及所述输出数据均为定点型数据,所述商品分类识别模型基于携带有商品类别标签的样本图像训练得到。
8.根据权利要求7所述的商品分类识别装置,其特征在于,所述商品类别识别模块包括Eltwise单元,所述Eltwise单元包括乘积结果确定单元、运算单元和输出数据确定单元;
所述乘积结果确定单元用于确定所述两项输入数据中第一项输入数据对应的第一类定点系数与第二项输入数据的第二乘积结果,以及所述第二项输入数据对应的第一类定点系数与所述第一项输入数据的第三乘积结果;
所述运算单元用于对所述第二乘积结果与所述第三乘积结果进行运算,得到备用运算结果;
所述输出数据确定单元用于基于所述备用运算结果,以及所述第二类定点系数与所述第一乘积结果的第一比值,确定所述输出数据。
9.根据权利要求8所述的商品分类识别装置,其特征在于,所述Eltwise单元还包括截取模块,用于:
确定所述备用运算结果大于目标取值范围中的最大值,则令所述备用运算结果等于所述最大值;或者,
确定所述备用运算结果小于所述目标取值范围中的最小值,则令所述备用运算结果等于所述最小值;
其中,所述目标取值范围为所述卷积神经网络中允许的定点型数据取值范围。
10.根据权利要求8所述的商品分类识别装置,其特征在于,所述输出数据确定单元包括预设量化系数确定子单元和输出数据确定子单元;
所述预设量化系数确定子单元用于基于所述第一比值,以及所述备用运算结果对应的预设移位信息,确定所述备用运算结果对应的预设量化系数;
所述输出数据确定子单元用于基于所述预设量化系数以及所述预设移位信息,确定所述输出数据。
11.根据权利要求10所述的商品分类识别装置,其特征在于,所述预设移位信息包括移位方向和移位位数;相应地,
所述预设量化系数确定子单元,具体用于:
计算所述第一比值与2的预设指数次幂的乘积,得到第四乘积结果;所述预设指数为所述移位位数;
将所述第四乘积结果进行取整操作,得到所述预设量化系数。
12.根据权利要求10所述的商品分类识别装置,其特征在于,所述预设移位信息包括移位方向和移位位数;相应地,
所述输出数据确定子单元,具体用于:
计算所述备用运算结果与所述预设量化系数的乘积,得到第五乘积结果;
基于所述预设移位信息,对所述第五乘积结果进行移位处理,得到所述输出数据。
13.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述商品分类识别方法的步骤。
14.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述商品分类识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011480975.0A CN112541549B (zh) | 2020-12-15 | 2020-12-15 | 商品分类识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011480975.0A CN112541549B (zh) | 2020-12-15 | 2020-12-15 | 商品分类识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112541549A true CN112541549A (zh) | 2021-03-23 |
CN112541549B CN112541549B (zh) | 2024-04-26 |
Family
ID=75018840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011480975.0A Active CN112541549B (zh) | 2020-12-15 | 2020-12-15 | 商品分类识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541549B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102197649A (zh) * | 2008-08-29 | 2011-09-21 | 皇家飞利浦电子股份有限公司 | 三维图像数据的动态传送 |
CN109522967A (zh) * | 2018-11-28 | 2019-03-26 | 广州逗号智能零售有限公司 | 一种商品定位识别方法、装置、设备以及存储介质 |
CN110008952A (zh) * | 2019-03-26 | 2019-07-12 | 深兰科技(上海)有限公司 | 一种目标识别方法及设备 |
CN110175641A (zh) * | 2019-05-22 | 2019-08-27 | 中国科学院苏州纳米技术与纳米仿生研究所 | 图像识别方法、装置、设备和存储介质 |
CN111191783A (zh) * | 2018-11-15 | 2020-05-22 | 北京嘉楠捷思信息技术有限公司 | 一种自适应量化方法及装置、设备、介质 |
CN111582432A (zh) * | 2019-02-19 | 2020-08-25 | 北京嘉楠捷思信息技术有限公司 | 一种网络参数处理方法及装置 |
US20200293824A1 (en) * | 2019-05-29 | 2020-09-17 | Beijing Dajia Internet Information Technology Co., Ltd. | Method and apparatus for recognizing image and storage medium |
US20200388029A1 (en) * | 2017-11-30 | 2020-12-10 | The Research Foundation For The State University Of New York | System and Method to Quantify Tumor-Infiltrating Lymphocytes (TILs) for Clinical Pathology Analysis Based on Prediction, Spatial Analysis, Molecular Correlation, and Reconstruction of TIL Information Identified in Digitized Tissue Images |
-
2020
- 2020-12-15 CN CN202011480975.0A patent/CN112541549B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102197649A (zh) * | 2008-08-29 | 2011-09-21 | 皇家飞利浦电子股份有限公司 | 三维图像数据的动态传送 |
US20200388029A1 (en) * | 2017-11-30 | 2020-12-10 | The Research Foundation For The State University Of New York | System and Method to Quantify Tumor-Infiltrating Lymphocytes (TILs) for Clinical Pathology Analysis Based on Prediction, Spatial Analysis, Molecular Correlation, and Reconstruction of TIL Information Identified in Digitized Tissue Images |
CN111191783A (zh) * | 2018-11-15 | 2020-05-22 | 北京嘉楠捷思信息技术有限公司 | 一种自适应量化方法及装置、设备、介质 |
CN109522967A (zh) * | 2018-11-28 | 2019-03-26 | 广州逗号智能零售有限公司 | 一种商品定位识别方法、装置、设备以及存储介质 |
CN111582432A (zh) * | 2019-02-19 | 2020-08-25 | 北京嘉楠捷思信息技术有限公司 | 一种网络参数处理方法及装置 |
CN110008952A (zh) * | 2019-03-26 | 2019-07-12 | 深兰科技(上海)有限公司 | 一种目标识别方法及设备 |
CN110175641A (zh) * | 2019-05-22 | 2019-08-27 | 中国科学院苏州纳米技术与纳米仿生研究所 | 图像识别方法、装置、设备和存储介质 |
US20200293824A1 (en) * | 2019-05-29 | 2020-09-17 | Beijing Dajia Internet Information Technology Co., Ltd. | Method and apparatus for recognizing image and storage medium |
Non-Patent Citations (1)
Title |
---|
卢鑫: "基于FPGA实现的定点FIR数字滤波器优化设计", 《全国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112541549B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4156017A1 (en) | Action recognition method and apparatus, and device and storage medium | |
CN109478144B (zh) | 一种数据处理装置和方法 | |
CN109325589B (zh) | 卷积计算方法及装置 | |
CN112651438A (zh) | 多类别图像的分类方法、装置、终端设备和存储介质 | |
CN107292352B (zh) | 基于卷积神经网络的图像分类方法和装置 | |
CN113326930B (zh) | 数据处理方法、神经网络的训练方法及相关装置、设备 | |
CN111488985A (zh) | 深度神经网络模型压缩训练方法、装置、设备、介质 | |
CN112613581A (zh) | 一种图像识别方法、系统、计算机设备和存储介质 | |
US20200389182A1 (en) | Data conversion method and apparatus | |
CN112819007B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN115220833A (zh) | 优化神经网络模型的方法和提供图形用户界面的方法 | |
CN111274422A (zh) | 模型训练方法、图像特征提取方法、装置及电子设备 | |
CN115081588A (zh) | 一种神经网络参数量化方法和装置 | |
US20230143985A1 (en) | Data feature extraction method and related apparatus | |
CN113902010A (zh) | 分类模型的训练方法和图像分类方法、装置、设备和介质 | |
CN111401294A (zh) | 基于自适应特征融合的多任务人脸属性分类方法及系统 | |
CN116721460A (zh) | 手势识别方法、装置、电子设备以及存储介质 | |
CN114600126A (zh) | 一种卷积运算电路和卷积运算方法 | |
CN112561933A (zh) | 图像分割方法及装置 | |
CN112541438A (zh) | 文本识别方法及装置 | |
CN112541549B (zh) | 商品分类识别方法及装置 | |
CN112580492A (zh) | 车辆检测方法及装置 | |
CN114897147B (zh) | 骨干网络的生成方法、装置、设备以及存储介质 | |
CN115953651A (zh) | 一种基于跨域设备的模型训练方法、装置、设备及介质 | |
CN113436292B (zh) | 图像处理方法、图像处理模型的训练方法、装置及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |