买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉游隼微电子(南京)有限公司申请的专利基于图像识别的目标检测卷积神经网络的量化方法及设备获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120430353B 。

龙图腾网通过国家知识产权局官网在2026-03-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510582303.7，技术领域涉及：G06N3/0495；该发明授权基于图像识别的目标检测卷积神经网络的量化方法及设备是由王鑫雨;王彬;程银;熊傲然;孙萌;啜凯迪设计研发完成，并于2025-05-07向国家知识产权局提交的专利申请。

本基于图像识别的目标检测卷积神经网络的量化方法及设备在说明书摘要公布了：本发明公开了一种基于图像识别的目标检测卷积神经网络的量化方法及设备，方法包括：构建一组副网络模型，在对基于图像识别的目标检测卷积神经网络模型进行预训练过程中，对模型中的各卷积层和池化层的输出进行处理后，分别输出三个权重参数；根据三个权重参数分别计算各层对应的量化梯度值；根据各层的量化梯度值与量化阈值的关系，对模型的各卷积层和池化层分别进行量化；用量化后的权重替换模型的原有权重后重新进行训练。本方法通过副网络将主网络结构中的权重参数按重要程度进行分类得到量化梯度值，然后将主网络中一部分FP32格式的权重参数按梯度转换为低精度数据，从而实现了在降低模型大小和计算量的同时，保持一定的精度。

本发明授权基于图像识别的目标检测卷积神经网络的量化方法及设备在权利要求书中公布了：1.一种基于图像识别的目标检测卷积神经网络的量化方法，其特征在于，包括： 步骤1：获得待量化的基于图像识别的目标检测卷积神经网络模型，并构建一组用于辅助训练的副网络模型； 步骤2：采集用于所述基于图像识别的目标检测卷积神经网络模型训练用的图像数据，对所述图像数据进行预处理后得到训练所用的数据集； 步骤3：利用所述数据集对所述目标检测卷积神经网络模型进行预训练，过程中通过所述副网络模型对所述目标检测卷积神经网络模型中的各卷积层和池化层的输出分别进行处理，对应输出各层的三个权重参数，即变异系数的权重参数、空间自相关系数的权重参数、稀疏性度量的权重参数； 步骤4：根据所述目标检测卷积神经网络模型各层对应的三个权重参数，分别计算各层的量化梯度值； 步骤5：设定量化阈值，根据各层的所述量化梯度值与所述量化阈值的关系，对所述目标检测卷积神经网络模型的各卷积层和池化层分别进行量化； 步骤6：用量化后的权重替换步骤1中所述目标检测卷积神经网络模型的原有权重后，利用所述数据集重新进行模型训练； 步骤4中，所述目标检测卷积神经网络中第n层对应的量化梯度值Qn的计算公式为： ；其中：αn为所述目标检测卷积神经网络第n层输出特征图的变异系数的权重参数，σnμn为所述目标检测卷积神经网络第n层输出特征图的变异系数，σn为所述目标检测卷积神经网络第n层输出特征图中所有元素的平均值，μn为所述目标检测卷积神经网络第n层输出特征图中所有元素的标准差； βn为所述目标检测卷积神经网络第n层输出特征图的空间自相关系数的权重参数，为所述目标检测卷积神经网络第n层输出特征图的空间自相关系数，Hn、Wn、Zn分别表示所述目标检测卷积神经网络第n层输出特征图的高度、宽度、深度，Nin表示所述目标检测卷积神经网络第n层输出特征图的第i个元素in的邻域元素集合，是元素in的值，是元素in的邻域元素jn的值； γn为所述目标检测卷积神经网络第n层输出特征图的稀疏性度量的权重参数，1-ZnTn为所述目标检测卷积神经网络第n层输出特征图的稀疏性度量，Zn为所述目标检测卷积神经网络第n层输出特征图中所有零值元素的数量，Tn为所述目标检测卷积神经网络第n层输出特征图中所有元素的数量。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人游隼微电子(南京)有限公司，其通讯地址为：211135 江苏省南京市栖霞区麒麟科技创新园启迪大街188号二楼启迪之星南京众创空间G41；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。