(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210395806.X (22)申请日 2022.04.15 (71)申请人 浪潮 （北京） 电子信息产业有限公司 地址 100085 北京市海淀区上地信息路2号 2-1号C栋1层 (72)发明人 梁玲燕　温东超　董刚　赵雅倩　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 吕鑫 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种图像识别方法、 装置及电子设备和存储 介质 (57)摘要 本申请公开了一种图像识别方法、 装置及一 种电子设备和存储介质， 该方法包括： 利用训练 图像和对应的类别标签对卷积神经网络的模型 参数进行训练； 卷积神经网络包括多个串联的堆 叠基本单元， 每个堆叠基本单元包括多个并联的 分支， 模型参数包括每个分支对应的加权参数和 卷积层参数； 对训练完成的卷积神经网络中的每 个堆叠基本单元中的每个分支对应的加权参数 和卷积层参数进行融合得到每个堆叠基本单元 中的每个分支对应的融合参数； 在训练完成的卷 积神经网络的基础上基于每个堆叠基本单元中 的每个分支对应的融合参数部署目标卷积神经 网络； 获取目标图像， 将目标图像输入目标卷积 神经网络中进行图像识别， 提高了卷积神经网络 进行图像识别的准确度。 权利要求书3页 说明书14页 附图8页 CN 114758191 A 2022.07.15 CN 114758191 A 1.一种图像识别方法， 其特 征在于， 包括： 获取训练图像， 并确定所述训练图像对应的类别标签； 利用所述训练图像和对应的类别标签对卷积神经网络的模型参数进行训练， 得到训练 完成的卷积神经网络； 其中， 所述卷积神经网络包括多个串联的堆叠基本单元， 每个所述堆 叠基本单元包括多个并联的分支， 所述模型参数至少包括每个所述分支对应的加权参数和 卷积层参数； 对训练完成的卷积神经网络中的每个堆叠基本单元中的每个分支对应的加权参数和 卷积层参数进行融合， 以得到每 个所述堆叠基本单 元中的每 个分支对应的融合 参数； 在所述训练完成的卷积神经网络的基础上基于每个所述堆叠基本单元中的每个分支 对应的融合 参数部署目标 卷积神经网络； 获取目标图像， 将所述目标图像输入所述目标 卷积神经网络中进行图像识别。 2.根据权利要求1所述图像识别方法， 其特征在于， 所述卷积神经网络中的不同堆叠基 本单元中对应分支的加权参数相同； 相应的， 所述利用所述训练图像和对应的类别标签对卷积神经网络的模型参数进行训 练， 得到训练完成的卷积神经网络， 包括： 构建训练卷积神经网络； 其中， 所述训练卷积神经网络包括n个串联的堆叠基本单元， n 为小于预设值的正整数， 每个所述堆叠基本单元包括多个并联的分支， 不同堆叠基本单元 中对应分支的加权参数相同； 利用所述训练图像和对应的类别标签对所述训练卷积神经网络中不同分支对应的加 权参数进行训练； 将训练得到的所述训练卷积神经网络中不同分支对应的加权参数作为所述卷积神经 网络中不同分支对应的加权参数； 利用所述训练图像和对应的类别标签对所述卷积神经网络中不同分支对应的卷积层 参数进行训练， 得到训练完成的卷积神经网络 。 3.根据权利要求1所述图像识别方法， 其特征在于， 在所述训练完成的卷积神经网络的 基础上基于每个所述堆叠基本单元中的每个分支对应的融合参数部署目标卷积神经网络， 包括： 对所述训练完成的卷积神经网络中每个堆叠基本单元中的多个分支进行卷积核的融 合， 得到融合后的目标 卷积神经网络； 对每个所述堆叠基本单元中每个分支对应位置上的融合参数进行融合， 得到所述目标 卷积神经网络中每 个堆叠基本单 元中的融合后的卷积核对应位置上的融合 参数。 4.根据权利要求3所述图像识别方法， 其特征在于， 对所述卷积神经网络 中每个堆叠基 本单元中的多个分支进行 卷积核的融合， 得到融合后的目标 卷积神经网络， 包括： 在所述卷积神经网络中的每个堆叠基本单元中选取参考卷积核； 其中， 所述参考卷积 核为所述 堆叠基本单 元中的所有分支中的最大 卷积核； 将每个所述堆叠基本单元中所有分支的卷积核扩展为与所属堆叠基本单元中的参考 卷积核面积相等的卷积核； 对每个所述堆叠基本单元中所有分支的扩展后的卷积核进行融合， 得到 融合后的目标 卷积神经网络 。权　利　要　求　书 1/3 页 2 CN 114758191 A 25.根据权利要求4所述图像识别方法， 其特征在于， 所述分支包括卷积核分支和/或直 接残差连接分支； 所述将每个所述堆叠基本单元中所有分支 的卷积核扩展为与所属堆叠基本单元中的 参考卷积核面积相等的卷积核， 包括： 确定每个所述堆叠基本单元中的卷积核分支中卷积核面积小于所属堆叠基本单元中 的参考卷积核的卷积核面积的目标卷积核， 通过零值填充将所述目标卷积核扩展为与所属 堆叠基本单 元中的参 考卷积核面积相等的卷积核； 和/或， 对每个所述堆叠基本单元中的直接残差连接分支 的输出通道上的卷积核中心 值采用非零值填充、 其他部分采用零值填充， 以将所述直接残差连接分支扩展为与所属 堆 叠基本单 元中的参 考卷积核面积相等的卷积核。 6.根据权利要求1所述图像识别方法， 其特征在于， 所述模型参数还包括每个所述分支 对应的批量标准 化层参数； 相应的， 所述对训练完成的卷积神经网络中的每个所述堆叠基本单元中的每个分支对 应的加权参数和卷积层参数进 行融合， 以得到每个所述堆叠基本单元中的每个分支对应的 融合参数， 包括： 将训练完成的卷积神经网络中的每个所述堆叠基本单元中每个分支对应的加权参数 融合到卷积层参数中， 得到每 个所述分支对应的融合后的卷积层参数； 将每个所述堆叠基本单元中每个分支对应的融合后的卷积层参数与批量标准化层参 数进行融合， 得到每 个所述堆叠基本单 元中的每 个分支对应的融合 参数。 7.根据权利要求6所述图像识别方法， 其特征在于， 所述卷积层参数包括卷积核权重参 数和偏置单 元参数； 相应的， 所述将训练完成的卷积神经网络中的每个所述堆叠基本单元中每个分支对应 的加权参数融合到卷积层参数中， 得到每 个所述分支对应的融合后的卷积层参数， 包括： 将训练完成的卷积神经网络中的每个所述堆叠基本单元中每个分支对应的加权参数 与卷积核权 重参数的乘积作为每 个所述分支对应的融合后的卷积核权 重参数； 将训练完成的卷积神经网络中的每个所述堆叠基本单元中每个所述分支对应的加权 参数与偏置单 元参数的乘积作为每 个所述分支对应的融合后的偏置单 元参数； 相应的， 将每个所述堆叠基本单元中每个分支对应的融合后的卷积层参数与批量标准 化层参数进行融合， 得到每 个所述堆叠基本单 元中的每 个分支对应的融合 参数， 包括： 利用第一融合公式将每个所述堆叠基本单元中每个分支对应的融合后的卷积核权重 参数与批量标准化层参数进行融合， 得到每个所述堆叠基本单元中的每个分支对应的第一 融合参数； 利用第二融合公式将每个所述堆叠基本单元中每个分支对应的融合后的偏置单元参 数与批量标准化层参数进 行融合， 得到每个所述堆叠基本单元中的每个分支对应的第二融 合参数； 其中， 所述第一融合公式为： 第二融合公式为：权　利　要　求　书 2/3 页 3 CN 114758191 A 3