一种图像中物体类别的识别方法、装置、设备及存储介质与流程

1.本发明涉及图像识别技术领域，特别是涉及一种图像中物体类别的识别方法、装置、设备及计算机可读存储介质。


背景技术：

2.由于深度学习理论的发展，卷积神经网络变得越来越深，应用也越来越广泛。目前关于卷积神经网络在图像识别上的研究得到越来越多的关注，卷积神经网络在图像识别领域展现出的巨大优势。但随着卷积神经网络在识别方面的性能提升，模型的深度和参数的增加，占用的空间和计算量也越来越大。因此，深度神经网络模型在资源受限的设备上，例如智能手机、医疗监控器等，部署变得困难。因此，人们对网络压缩进行了大量的研究，以适应存储容量有限的设备。
3.网络剪枝作为最常用的模型压缩方法，在主流硬件上得到了很好的应用，其目的是找出并删除网络模型中不重要的权值或过滤器，并生成更紧凑的子网，但使模型的性能损失尽可能的小。因此，确定权重和滤波器重要性的基础对于网络剪枝变得尤为重要。但是目前的过滤器剪枝方法在追求更高的剪枝率的同时，又受到机器运算时间、人力、以及随着剪枝率提高精度损失也随之提高的限制，从而使得剪枝率与模型精度之间不能得到很好的权衡，进而导致模型的图像识别性能差，对图像中物体的类型识别不准确，内存空间占用大，类别推理耗时长。
4.综上所述，如何有效地解决模型的图像识别性能差，对图像中物体的类型识别不准确，内存空间占用大，类别推理耗时长等问题，是目前本领域技术人员急需解决的问题。


技术实现要素：

5.本发明的目的是提供一种图像中物体类别的识别方法，该方法提升了模型的图像识别性能，提高了对图像中物体的类型识别的准确性，节省了内存空间，降低了推理耗时；本发明的另一目的是提供一种图像中物体类别的识别装置、设备及计算机可读存储介质。
6.为解决上述技术问题，本发明提供如下技术方案：
7.一种图像中物体类别的识别方法，包括：
8.接收待识别的目标图像；
9.利用基于特征图信息熵进行剪枝训练得到的目标物体类别识别模型对所述目标图像中的物体进行识别操作，得到目标物体类别；
10.对所述目标物体类别进行输出操作。
11.在本发明的一种具体实施方式中，还包括对所述目标物体类别识别模型的剪枝训练过程，所述对所述目标物体类别识别模型的剪枝训练过程包括：
12.利用预选取的训练图像集对预构建的神经网络模型进行训练，得到当前物体类别识别模型；
13.获取当前物体类别识别模型中各卷积层分别对应的剪枝率和原始输出通道数；
14.根据各所述剪枝率和各所述原始输出通道数计算各所述卷积层分别对应的剪枝后的目标通道数；
15.获取预设剪枝轮数；
16.结合所述预设剪枝轮数和所述目标通道数对当前物体类别识别模型进行逐轮剪枝操作，得到所述目标物体类别识别模型。
17.在本发明的一种具体实施方式中，结合所述预设剪枝轮数和所述目标通道数对当前物体类别识别模型进行逐轮剪枝操作，包括：
18.获取各所述卷积层输出的各特征图；
19.分别对各所述特征图进行信息熵计算，得到各所述特征图分别对应的信息熵；
20.针对每个卷积层，对各所述信息熵进行大小排序，得到排序结果；
21.对所述原始输出通道数和所述目标通道数进行差值计算，得到剪枝通道数；
22.根据所述排序结果，从信息熵小的一端选取所述剪枝通道数的特征图，并将选取到的各所述特征图确定为目标特征图；
23.获取当前物体类别识别模型的模型权重；其中，所述模型权重包括过滤器权重；
24.分别对各所述目标特征图对应的过滤器权重进行置零操作；
25.判断是否达到所述预设剪枝轮数；
26.若否，则利用所述训练图像集对过滤器权重置零操作得到的当前物体类别识别模型进行训练操作，得到重置后的各过滤器权重，并重复执行所述获取各所述卷积层输出的各特征图的步骤；
27.若是，则对各所述卷积层中过滤器权重为零的通道进行剪枝操作。
28.在本发明的一种具体实施方式中，分别对各所述特征图进行信息熵计算，得到各所述特征图分别对应的信息熵，包括：
29.针对每个卷积层，获取各所述特征图对应的过滤器权重中的最大值和最小值；
30.获取预设分区数；
31.根据所述最大值、所述最小值以及所述预设分区数计算各所述卷积层分别对应的权重跨度；
32.分别对各所述特征图对应的过滤器权重进行向量展平操作，得到各目标向量；
33.按照所述预设分区数分别对各所述目标向量进行平均分区操作，得到各权重分区；
34.根据所述权重跨度计算各所述特征图对应的过滤器权重处于每个权重分区的概率，得到各概率计算结果；
35.根据各所述概率计算结果计算各所述特征图分别对应的信息熵。
36.一种图像中物体类别的识别装置，包括：
37.图像接收模块，用于接收待识别的目标图像；
38.物体类别识别模块，用于利用基于特征图信息熵进行剪枝训练得到的目标物体类别识别模型对所述目标图像中的物体进行识别操作，得到目标物体类别；
39.物体类别输出模块，用于对所述目标物体类别进行输出操作。
40.在本发明的一种具体实施方式中，还包括剪枝训练模块，所述剪枝训练模块包括：
41.模型训练子模块，用于利用预选取的训练图像集对预构建的神经网络模型进行训
练，得到当前物体类别识别模型；
42.剪枝率及通道数获取子模块，用于获取当前物体类别识别模型中各卷积层分别对应的剪枝率和原始输出通道数；
43.通道数计算子模块，用于根据各所述剪枝率和各所述原始输出通道数计算各所述卷积层分别对应的剪枝后的目标通道数；
44.剪枝轮数获取子模块，用于获取预设剪枝轮数；
45.模型剪枝子模块，用于结合所述预设剪枝轮数和所述目标通道数对当前物体类别识别模型进行逐轮剪枝操作，得到所述目标物体类别识别模型。
46.在本发明的一种具体实施方式中，所述模型剪枝子模块包括：
47.特征图获取单元，用于获取各所述卷积层输出的各特征图；
48.信息熵计算单元，用于分别对各所述特征图进行信息熵计算，得到各所述特征图分别对应的信息熵；
49.排序结果获得单元，用于针对每个卷积层，对各所述信息熵进行大小排序，得到排序结果；
50.剪枝通道数计算单元，用于对所述原始输出通道数和所述目标通道数进行差值计算，得到剪枝通道数；
51.特征图选取单元，用于根据所述排序结果，从信息熵小的一端选取所述剪枝通道数的特征图，并将选取到的各所述特征图确定为目标特征图；
52.模型权重获取单元，用于获取当前物体类别识别模型的模型权重；其中，所述模型权重包括过滤器权重；
53.权重置零单元，用于分别对各所述目标特征图对应的过滤器权重进行置零操作；
54.判断单元，用于判断是否达到所述预设剪枝轮数；
55.权重重置单元，用于当确定未达到所述预设剪枝轮数时，利用所述训练图像集对过滤器权重置零操作得到的当前物体类别识别模型进行训练操作，得到重置后的各过滤器权重，并重复执行所述获取各所述卷积层输出的各特征图的步骤；
56.通道剪枝单元，用于当确定达到所述预设剪枝轮数时，对各所述卷积层中过滤器权重为零的通道进行剪枝操作。
57.在本发明的一种具体实施方式中，所述信息熵计算单元包括：
58.最大值和最小值获取子单元，用于针对每个卷积层，获取各所述特征图对应的过滤器权重中的最大值和最小值；
59.分区数获取子单元，用于获取预设分区数；
60.权重跨度计算子单元，用于根据所述最大值、所述最小值以及所述预设分区数计算各所述卷积层分别对应的权重跨度；
61.向量获得子单元，用于分别对各所述特征图对应的过滤器权重进行向量展平操作，得到各目标向量；
62.权重分区获得子单元，用于按照所述预设分区数分别对各所述目标向量进行平均分区操作，得到各权重分区；
63.概率计算子单元，用于根据所述权重跨度计算各所述特征图对应的过滤器权重处于每个权重分区的概率，得到各概率计算结果；
64.信息熵计算子单元，用于根据各所述概率计算结果计算各所述特征图分别对应的信息熵。
65.一种图像中物体类别的识别设备，包括：
66.存储器，用于存储计算机程序；
67.处理器，用于执行所述计算机程序时实现如前所述图像中物体类别的识别方法的步骤。
68.一种计算机可读存储介质，所述计算机可读存储介质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前所述图像中物体类别的识别方法的步骤。
69.本发明所提供的图像中物体类别的识别方法，包括：接收待识别的目标图像；利用基于特征图信息熵进行剪枝训练得到的目标物体类别识别模型对目标图像中的物体进行识别操作，得到目标物体类别；对目标物体类别进行输出操作。
70.由上述技术方案可知，通过利用信息熵来表征特征图的信息量，有效衡量神经网络各层输出特征图所含信息量的大小，基于信息熵进行模型剪枝训练得到目标物体类别识别模型，使得模型剪枝操作更具理论依据，较大地降低了模型剪枝出错的概率。使得剪枝率与模型精度之间得到很好的权衡，提升了模型的图像识别性能，提高了对图像中物体的类型识别的准确性，节省了内存空间，降低了推理耗时。
71.相应的，本发明还提供了与上述图像中物体类别的识别方法相对应的图像中物体类别的识别装置、设备和计算机可读存储介质，具有上述技术效果，在此不再赘述。
附图说明
72.为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。
73.图1为本发明实施例中图像中物体类别的识别方法的一种实施流程图；
74.图2为本发明实施例中图像中物体类别的识别方法的另一种实施流程图；
75.图3为本发明实施例中一种图像中物体类别的识别装置的结构框图；
76.图4为本发明实施例中一种图像中物体类别的识别设备的结构框图；
77.图5为本实施例提供的一种图像中物体类别的识别设备的具体结构示意图。
具体实施方式
78.为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
79.参见图1，图1为本发明实施例中图像中物体类别的识别方法的一种实施流程图，该方法可以包括以下步骤：
80.s101：接收待识别的目标图像。
81.当需要对图像中物体的类别进行识别时，向物体类别识别控制中心发送待识别的
目标图像，物体类别识别控制中心接收待识别的目标图像。
82.物体类别识别控制中心可以为预先设置的能够接收待识别图像，并能够对预先部署有用于对图像中物体类型进行识别的模型的处理器进行控制的一个控制器。
83.s102：利用基于特征图信息熵进行剪枝训练得到的目标物体类别识别模型对目标图像中的物体进行识别操作，得到目标物体类别。
84.对预先建立的物体类别识别模型基于特征图信息熵进行剪枝训练，得到目标物体类别识别模型，在接收到待识别的目标图像之后，利用基于特征图信息熵进行剪枝训练得到的目标物体类别识别模型对目标图像中的物体进行识别操作，得到目标物体类别。
85.物体类别识别模型可以为vgg-16神经网络模型。
86.s103：对目标物体类别进行输出操作。
87.在识别得到目标图像中的物体的目标物体类别之后，对目标物体类别进行输出操作，从而用户可以清楚地获知目标图像中的物体的目标物体类别。通过基于特征图信息熵预先对物体类别识别模型进行剪枝操作，节省了物体类别识别模型占用的内存空间，降低了物体类别推理运算的耗费时间。
88.由上述技术方案可知，通过利用信息熵来表征特征图的信息量，有效衡量神经网络各层输出特征图所含信息量的大小，基于信息熵进行模型剪枝训练得到目标物体类别识别模型，使得模型剪枝操作更具理论依据，较大地降低了模型剪枝出错的概率。使得剪枝率与模型精度之间得到很好的权衡，提升了模型的图像识别性能，提高了对图像中物体的类型识别的准确性，节省了内存空间，降低了推理耗时。
89.需要说明的是，基于上述实施例，本发明实施例还提供了相应的改进方案。在后续实施例中涉及与上述实施例中相同步骤或相应步骤之间可相互参考，相应的有益效果也可相互参照，在下文的改进实施例中不再一一赘述。
90.参见图2，图2为本发明实施例中图像中物体类别的识别方法的另一种实施流程图，该方法可以包括以下步骤：
91.s201：利用预选取的训练图像集对预构建的神经网络模型进行训练，得到当前物体类别识别模型。
92.预先构建神经网络模型，选取对神经网络模型进行训练所需的训练图像集，如可以选用cifar-10。利用预选取的训练图像集对预构建的神经网络模型进行训练，得到当前物体类别识别模型，即得到未进行过模型剪枝操作的物体类别识别模型。
93.s202：获取当前物体类别识别模型中各卷积层分别对应的剪枝率和原始输出通道数。
94.预先为当前物体类别识别模型的每一层卷积层li设置剪枝率pi∈[0,1)，其中，i为当前物体类别识别模型的卷积层数。在训练得到未进行过模型剪枝操作的当前物体类别识别模型之后，获取当前物体类别识别模型中各卷积层分别对应的剪枝率和原始输出通道数n
i 1
。
[0095]
s203：根据各剪枝率和各原始输出通道数计算各卷积层分别对应的剪枝后的目标通道数。
[0096]
在获取到当前物体类别识别模型中各卷积层分别对应的剪枝率和原始输出通道数之后，根据各剪枝率和各原始输出通道数计算各卷积层分别对应的剪枝后的目标通道
数，即为n
i 1
×
(1-pi)。
[0097]
s204：获取预设剪枝轮数。
[0098]
预先设置对预训练的物体类别识别模型的剪枝轮数，在计算出各卷积层分别对应的剪枝后的目标通道数之后，获取预设剪枝轮数。
[0099]
s205：结合预设剪枝轮数和目标通道数对当前物体类别识别模型进行逐轮剪枝操作，得到目标物体类别识别模型。
[0100]
在计算出各卷积层分别对应的剪枝后的目标通道数，并获取到预设剪枝轮数之后，结合预设剪枝轮数和目标通道数对当前物体类别识别模型进行逐轮剪枝操作，得到目标物体类别识别模型。在进行模型剪枝操作的过程中可以参照每轮训练得到的各卷积层中各通道输出的特征图的信息熵进行待剪枝通道确定操作。
[0101]
在本发明的一种具体实施方式中，结合预设剪枝轮数和目标通道数对当前物体类别识别模型进行逐轮剪枝操作，包括以下步骤：
[0102]
步骤一：获取各卷积层输出的各特征图；
[0103]
步骤二：分别对各特征图进行信息熵计算，得到各特征图分别对应的信息熵；
[0104]
步骤三：针对每个卷积层，对各信息熵进行大小排序，得到排序结果；
[0105]
步骤四：对原始输出通道数和目标通道数进行差值计算，得到剪枝通道数；
[0106]
步骤五：根据排序结果，从信息熵小的一端选取剪枝通道数的特征图，并将选取到的各特征图确定为目标特征图；
[0107]
步骤六：获取当前物体类别识别模型的模型权重；其中，模型权重包括过滤器权重；
[0108]
步骤七：分别对各目标特征图对应的过滤器权重进行置零操作；
[0109]
步骤八：判断是否达到预设剪枝轮数，若否，则执行步骤九，若是，则执行步骤十；
[0110]
步骤九：利用训练图像集对过滤器权重置零操作得到的当前物体类别识别模型进行训练操作，得到重置后的各过滤器权重，并重复执行步骤一；
[0111]
步骤十：对各卷积层中过滤器权重为零的通道进行剪枝操作。
[0112]
为方便描述，可以将上述十个步骤结合起来进行说明。
[0113]
在获取到预设剪枝轮数和各卷积层分别对应的剪枝后的目标通道数之后，获取各卷积层输出的各特征图，分别对各特征图进行信息熵计算，得到各特征图分别对应的信息熵。针对每个卷积层，对各信息熵进行大小排序，得到排序结果。对原始输出通道数和目标通道数进行差值计算，得到剪枝通道数，即为n
i 1
×
pi。根据排序结果，从信息熵小的一端选取剪枝通道数的特征图，并将选取到的各特征图确定为目标特征图。获取当前物体类别识别模型的模型权重，模型权重中包括过滤器权重，分别对各目标特征图对应的过滤器权重进行置零操作，即对各目标特征图对应的通道进行预剪枝但不是真正的剪枝。判断是否达到预设剪枝轮数epoch，若否，则说明模型剪枝训练轮数还未达到原先设定的轮数，需要继续进行剪枝训练，利用训练图像集对过滤器权重置零操作得到的当前物体类别识别模型进行训练操作，得到重置后的各过滤器权重，并获取各卷积层输出的各特征图继续进行下一轮的剪枝训练，若是，则说明模型剪枝训练轮数已经达到原先设定的轮数，剪枝训练完成，对各卷积层中过滤器权重为零的通道进行剪枝操作。通过在每一轮剪枝训练过程中是将过滤器权重置零，而不是移除，使得每一轮剪枝之前的模型训练过程中，在上一轮置零的过滤
器权重将有机会重置权重为非零权重，只在最后一轮剪枝后对得到的模型移除每个卷积成中此时权重置零的n
i 1
×
pi个过滤器，得到剪枝后的压缩模型。
[0114]
本发明实施例所提供的基于特征图信息熵的神经网络剪枝方法，通过利用信息熵的概念来衡量特征图所含信息量的多少，该方法在剪枝过程中，采用动态剪枝的方法，在加载预训练模型的权重后，每一轮都对模型进行权重重训练与不重要通道过滤器权重置零的操作，在经过预设置好的训练与剪枝轮数后，将在最后一轮对此时权重置零的过滤器进行移除。在剪枝率提高与模型精度损失中取得了很好的折衷，有效缓解了传统剪枝算法中剪枝率提高对模型精度的影响，节省了内存空间，降低了推理耗时。
[0115]
需要说明的是，对各信息熵进行大小排序的方法可以选用从小到大方式进行排序，也可以选用从大到小方式排序，本发明实施例对此不做限定。
[0116]
在本发明的一种具体实施方式中，分别对各特征图进行信息熵计算，得到各特征图分别对应的信息熵，可以包括以下步骤：
[0117]
步骤一：针对每个卷积层，获取各特征图对应的过滤器权重中的最大值和最小值；
[0118]
步骤二：获取预设分区数；
[0119]
步骤三：根据最大值、最小值以及预设分区数计算各卷积层分别对应的权重跨度；
[0120]
步骤四：分别对各特征图对应的过滤器权重进行向量展平操作，得到各目标向量；
[0121]
步骤五：按照预设分区数分别对各目标向量进行平均分区操作，得到各权重分区；
[0122]
步骤六：根据权重跨度计算各特征图对应的过滤器权重处于每个权重分区的概率，得到各概率计算结果；
[0123]
步骤七：根据各概率计算结果计算各特征图分别对应的信息熵。
[0124]
为方便描述，可以将上述七个步骤结合起来进行说明。
[0125]
在获取到各卷积层输出的尺寸为hi×
wi的各特征图之后，针对每个卷积层，获取各特征图对应的过滤器权重，并获取各过滤器权重中的最大值和最小值获取预设分区数n，设n＝10，根据最大值、最小值以及预设分区数计算各卷积层分别对应的权重跨度分别对各特征图对应的过滤器权重进行向量展平操作，得到各目标向量根据权重跨度计算各特征图对应的过滤器权重处于每个权重分区的概率，得到各概率计算结果，可以通过以下公式计算各特征图对应的过滤器权重处于每个权重分区的概率：
[0126][0127]
在得到各概率计算结果之后，根据各概率计算结果计算各特征图分别对应的信息熵。可以通过以下公式计算各特征图分别对应的信息熵：
[0128][0129]
从而完成对各特征图的信息熵的计算。
[0130]
本发明实施例通过对预建立的物体类别识别模型进行动态剪枝，在epoch轮的训
练与剪枝阶段对模型的通道大小没有改变，使得模型每一层剪枝都建立在完整的原始模型上，更有利于模型的训练与最终压缩模型的选择。仅在最后一轮对此时权重置零的过滤器进行移除得到最终的压缩模型，无需进一步在数据集上重训练恢复精度损失，节省了时间。且本发明实施例采取的是过滤器级剪枝，属于结构性剪枝方法，经过结构性剪枝得到的剪枝模型只需要基本线性代数子程序库就可以实现性能的提高，在实际实现中更加灵活。
[0131]
s206：接收待识别的目标图像。
[0132]
s207：利用基于特征图信息熵进行剪枝训练得到的目标物体类别识别模型对目标图像中的物体进行识别操作，得到目标物体类别。
[0133]
s208：对目标物体类别进行输出操作。
[0134]
相应于上面的方法实施例，本发明还提供了一种图像中物体类别的识别装置，下文描述的图像中物体类别的识别装置与上文描述的图像中物体类别的识别方法可相互对应参照。
[0135]
参见图3，图3为本发明实施例中一种图像中物体类别的识别装置的结构框图，该装置可以包括：
[0136]
图像接收模块31，用于接收待识别的目标图像；
[0137]
物体类别识别模块32，用于利用基于特征图信息熵进行剪枝训练得到的目标物体类别识别模型对目标图像中的物体进行识别操作，得到目标物体类别；
[0138]
物体类别输出模块33，用于对目标物体类别进行输出操作。
[0139]
由上述技术方案可知，通过利用信息熵来表征特征图的信息量，有效衡量神经网络各层输出特征图所含信息量的大小，基于信息熵进行模型剪枝训练得到目标物体类别识别模型，使得模型剪枝操作更具理论依据，较大地降低了模型剪枝出错的概率。使得剪枝率与模型精度之间得到很好的权衡，提升了模型的图像识别性能，提高了对图像中物体的类型识别的准确性，节省了内存空间，降低了推理耗时。
[0140]
在本发明的一种具体实施方式中，还包括剪枝训练模块，剪枝训练模块包括：
[0141]
模型训练子模块，用于利用预选取的训练图像集对预构建的神经网络模型进行训练，得到当前物体类别识别模型；
[0142]
剪枝率及通道数获取子模块，用于获取当前物体类别识别模型中各卷积层分别对应的剪枝率和原始输出通道数；
[0143]
通道数计算子模块，用于根据各剪枝率和各原始输出通道数计算各卷积层分别对应的剪枝后的目标通道数；
[0144]
剪枝轮数获取子模块，用于获取预设剪枝轮数；
[0145]
模型剪枝子模块，用于结合预设剪枝轮数和目标通道数对当前物体类别识别模型进行逐轮剪枝操作，得到目标物体类别识别模型。
[0146]
在本发明的一种具体实施方式中，模型剪枝子模块包括：
[0147]
特征图获取单元，用于获取各卷积层输出的各特征图；
[0148]
信息熵计算单元，用于分别对各特征图进行信息熵计算，得到各特征图分别对应的信息熵；
[0149]
排序结果获得单元，用于针对每个卷积层，对各信息熵进行大小排序，得到排序结果；
[0150]
剪枝通道数计算单元，用于对原始输出通道数和目标通道数进行差值计算，得到剪枝通道数；
[0151]
特征图选取单元，用于根据排序结果，从信息熵小的一端选取剪枝通道数的特征图，并将选取到的各特征图确定为目标特征图；
[0152]
模型权重获取单元，用于获取当前物体类别识别模型的模型权重；其中，模型权重包括过滤器权重；
[0153]
权重置零单元，用于分别对各目标特征图对应的过滤器权重进行置零操作；
[0154]
判断单元，用于判断是否达到预设剪枝轮数；
[0155]
权重重置单元，用于当确定未达到预设剪枝轮数时，利用训练图像集对过滤器权重置零操作得到的当前物体类别识别模型进行训练操作，得到重置后的各过滤器权重，并重复执行获取各卷积层输出的各特征图的步骤；
[0156]
通道剪枝单元，用于当确定达到预设剪枝轮数时，对各卷积层中过滤器权重为零的通道进行剪枝操作。
[0157]
在本发明的一种具体实施方式中，信息熵计算单元包括：
[0158]
最大值和最小值获取子单元，用于针对每个卷积层，获取各特征图对应的过滤器权重中的最大值和最小值；
[0159]
分区数获取子单元，用于获取预设分区数；
[0160]
权重跨度计算子单元，用于根据最大值、最小值以及预设分区数计算各卷积层分别对应的权重跨度；
[0161]
向量获得子单元，用于分别对各特征图对应的过滤器权重进行向量展平操作，得到各目标向量；
[0162]
权重分区获得子单元，用于按照预设分区数分别对各目标向量进行平均分区操作，得到各权重分区；
[0163]
概率计算子单元，用于根据权重跨度计算各特征图对应的过滤器权重处于每个权重分区的概率，得到各概率计算结果；
[0164]
信息熵计算子单元，用于根据各概率计算结果计算各特征图分别对应的信息熵。
[0165]
相应于上面的方法实施例，参见图4，图4为本发明所提供的图像中物体类别的识别设备的示意图，该设备可以包括：
[0166]
存储器332，用于存储计算机程序；
[0167]
处理器322，用于执行计算机程序时实现上述方法实施例的图像中物体类别的识别方法的步骤。
[0168]
具体的，请参考图5，图5为本实施例提供的一种图像中物体类别的识别设备的具体结构示意图，该图像中物体类别的识别设备可因配置或性能不同而产生比较大的差异，可以包括处理器(central processing units，cpu)322(例如，一个或一个以上处理器)和存储器332，存储器332存储有一个或一个以上的计算机应用程序342或数据344。其中，存储器332可以是短暂存储或持久存储。存储在存储器332的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，处理器322可以设置为与存储器332通信，在图像中物体类别的识别设备301上执行存储器332中的一系列指令操作。
[0169]
图像中物体类别的识别设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341。
[0170]
上文所描述的图像中物体类别的识别方法中的步骤可以由图像中物体类别的识别设备的结构实现。
[0171]
相应于上面的方法实施例，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现如下步骤：
[0172]
接收待识别的目标图像；利用基于特征图信息熵进行剪枝训练得到的目标物体类别识别模型对所述目标图像中的物体进行识别操作，得到目标物体类别；对所述目标物体类别进行输出操作。
[0173]
该计算机可读存储介质可以包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0174]
对于本发明提供的计算机可读存储介质的介绍请参照上述方法实施例，本发明在此不做赘述。
[0175]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0176]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。