CN119358626B 面向边缘计算的自适应零售行为识别模型优化方法 （杭州宇泛智能科技股份有限公司）

WO2022213336A1,2022.10.13面向边缘计算的自适应零售行为识别模型本申请实施例提供一种面向边缘计算的自2基于初始零售行为识别模型构建权重评估矩阵，所述初始零售行对所述初始零售行为识别模型中每层卷积核与全连接层的权重参数进用稀疏矩阵表示法将所述权重参数重构为MXN维评估矩阵，M表示输入特征通道数，N表示将输入的零售场景图像数据通过共享主干网络提取底层特征，在所利用L2范数计算每层神经元权重的重要性基于所述多维度评估指标计算每层的期望压缩率，将所述期望压在所述轻量化模型的训练过程中构建量化感知层，将所述量化布向量计算香农熵H=_∑pilog(pi)作为特征信息熵，使用构建验证样本集合，所述验证样本集合包含自助结算根据所述自适应权重函数计算所述梯度敏感度与所述特征信息3在边缘设备采集实时零售场景数据，提取商品操作、顾2.根据权利要求1所述的面向边缘计算的自适应零售行为识别模型优化方法，其特征在所述轻量化模型的每层网络结构中插入量化运算单元，所在训练过程中对所述量化感知层的权重参数施加高斯噪声扰3.根据权利要求1所述的面向边缘计算的自适应零售行为识别模型优化方法，其特征在于，所述根据所述自适应权重函数计算所述梯度敏感度与所述特征信息熵的权重比例，浮点数精度，对非关键层执行8位定点数量化，引入噪声扰动与补偿机制优化所述量化误将所述自适应权重函数输出的权重系数分别与对应层的梯度敏感度和特征信息熵相将层重要性评分高于动态阈值的网络层确定为关键层并保持16非关键层采用均匀量化方法将参数映射为8位定点数表示，在量化过程中对参数分布注入4.根据权利要求1所述的面向边缘计算的自适应零售行为识别模型优化方法，其特征通过边缘设备的视频传感器采集零售场景数据流，对所述数据流执计算样本缓存池中特征序列的类内方差与类间距离，4基于初始零售行为识别模型构建权重评估矩阵，所述初始零售行对所述初始零售行为识别模型中每层卷积核与全连接层的权重参数进用稀疏矩阵表示法将所述权重参数重构为MXN维评估矩阵，M表示输入特征通道数，N表示将输入的零售场景图像数据通过共享主干网络提取底层特征，在所利用L2范数计算每层神经元权重的重要性基于所述多维度评估指标计算每层的期望压缩率，将所述期望压在所述轻量化模型的训练过程中构建量化感知层，将所述量化布向量计算香农熵H=_∑pilog(pi)作为特征信息熵，使用构建验证样本集合，所述验证样本集合包含自助结算根据所述自适应权重函数计算所述梯度敏感度与所述特征信息5模型进行选择性在线更新，通过异步参数聚合与增量学习相结合的方式实现模型持续优6.一种电子设备，包括存储器、处理器及存储在缘计算的自适应零售行为识别模型优化方法理器执行时实现权利要求1至4任一项所述的面向边缘计算的自适应零售行为识别模型优6法往往采用统一的剪枝标准和固定的量化策略，缺乏对不同层级重要性的差异化处理能[0007]第一方面，本申请提供一种面向边缘计算的自适应零售7[0012]对所述初始零售行为识别模型中每层卷积核与全连接层的权重参数进行量化映8[0021]对量化感知层输出的特征图执行像素值统计，将像素值分布离散化为K个等间隔概率分布向量计算香农熵H=_∑pilog(pi)作为特征信息熵，使用指数滑动平均法对所述[0024]将所述自适应权重函数输出的权重系数分别与对应层的梯度敏感度和特征信息所述非关键层采用均匀量化方法将参数映射为8位定点数表示，在量化过程中对参数分布[0029]第二方面，本申请提供一种面向边缘计算的自适应零售每层神经元权重的重要性分数，结合所述重要性分数与层间连接密度生成多维度评估指枝后的模型执行参数重构与梯度补偿得到轻量9机程序被处理器执行时实现所述的面向边缘计算的自适应零售行为识别模型优化方法的序/指令被处理器执行时实现所述的面向边缘计算的自适应零售行为识别模型优化方法的[0038]图1为本申请实施例中的面向边缘计算的自适应零售行为识别模型优化方法的流[0039]图2为本申请实施例中的面向边缘计算的自适应零售行为识别模型优化方法的流[0040]图3为本申请实施例中的面向边缘计算的自适应零售行为识别模型优化方法的流[0041]图4为本申请实施例中的面向边缘计算的自适应零售行为识别模型优化方法的流[0042]图5为本申请实施例中的面向边缘计算的自适应零售行为识别模型优化方法的流[0043]图6为本申请实施例中的面向边缘计算的自适应零售行为识别模型优化方法的流[0044]图7为本申请实施例中的面向边缘计算的自适应零售行为识别模型优化方法的流[0045]图8为本申请实施例中的面向边缘计算的自适应零售行为识别模型优化装置的结这种自适应阈值设定方法能够根据不同层的特征提取重要性自动调整述特征信息熵，利用不同零售场景下的验证样本计算性能指标变化率建立自适应权重函法能够有效评估不同网络层对量化操作的敏[0064]本实施例对量化感知层输出的特征图进行像素值分布分析，将像素值离散化为K[0066]本实施例根据自适应权重函数，动态调整梯度敏感度权重比例α和特征信息熵权[0067]本实施例基于综合评分结果，将重要性得分高于动态阈值的网络层确定为关键迹数据以及购物过程中的行为序列数据。边缘设备首先对采集到的原始数据进行预处理，[0081]可选的，本实施例首先针对初始零售行为识别模型的网络结构进行系统化分[0082]本实施例创新性地采用稀疏矩阵表示法构建权重评估矩阵。该矩阵的行数M对应算操作分支网络侧重于识别支付场景中的关键动作，使用注意力机制突出重要区域的特[0096]本实施例采用从输入层到输出层的递归遍历策略执行网[0102]可选的，本实施例首先在轻量化模型的网络层中设计并插入专用的量化运算单[0106]本实施例通过记录权重扰动前后的层输出特征差异，建立了量化敏感度评估机基于所述概率分布向量计算香农熵H=_∑pilog(pi)作为特征信息熵，使用指数滑动平均上执行模型推理得到各类任务的识别准确率，计算量化参数变化对识别准确率的影响程[0118]本实施例创新性地分析量化参数变化对识别准确率的影响程度。通过控制变量[0120]本实施例通过信息熵分析和验证样本评估，有效解决了量化精度分配的优化问特征信息熵相乘，基于任务难度系数对所述梯度敏感度的权重比例α与特征信息熵的权重[0126]本实施例创新性地引入任务难度系数来动态调整梯度敏感度和特征信息熵的权[0132]本实施例在边缘计算设备上的部署效果显著。通过合理的模型能够同时处理多路视频流的行为分析任务，支持复杂场景下的实时监控和分析需助结算区域和商品货架区域部署的视频传感器能够全方位捕捉顾客的购物行为和商品操[0142]本实施例创新性地设计了量化模型的增量更新策略。利别模型优化方法的全部或部分内容的面向边缘计算的自适应零售行为识别模型优化装置枝后的模型执行参数重构与梯度补偿得到轻量述特征信息熵，利用不同零售场景下的验证样本计算性能指标变化率建立自适应权重函其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个[0167]该存储器9140可以是固态存储器，例如，只读存储器（ROM）、随机存取存储器功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能（如[0169]通信模块9110即为经由天线9111发送和接收信号的发送机/接收机。通信模块[0171]本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的面向边缘计算的自适应零售行为识别模型优化方法中全部步骤的一种计算机可读存储介述实施例中的执行主体为服务器或客户端的面向边缘计算的自适应零售行为识别模型优述特征信息熵，利用不同零售场景下的验证样本计算性能指标变化率建立自适应权重函[0176]本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的计算机程序/指令被处理器执行时实现所述的面向边缘计算的自适应零售行为识别模型优述特征信息熵，利用不同零售场景下的验证样本计算性能指标变化率建立自适应权重函现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0183]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装