本申请涉及图像处理，尤其涉及一种基于裁剪量化的图像分类方法、装置及设备。
背景技术：
1、图像分类技术可以用于图像检索、图像识别、图像分类、目标检测、图像分割等任务，能够有效地提高效率、减少人力成本、提高识别准确率，为人们提供更加智能化和便捷的服务。然而，图像分类技术在实际应用中还面临着一些挑战，其中之一就是网络参数量过于巨大，导致图像分类技术很难部署在资源受限的移动设备上。传统的图像分类技术通常需要大量的标注数据和复杂的算法模型来实现目标的准确识别，而这些方法往往需要大量的计算资源和时间成本，且在处理大规模数据时效率较低。因此，如何在不影响图像分类性能的情况下加速图像分类模型的推理速度、减少存储空间需求，使得图像分类在嵌入式系统、移动应用、自动驾驶等领域得以广泛应用已经成为当前的研究热点。量化方法被认为是可以有效地压缩与加速神经网络的技术。
2、现有的神经网络量化存在两个方面的误差，一方面是裁剪误差，也是量化误差，另一方面是表示误差；最重要的是量化误差与表示误差之间呈反比的关系。当量化误差减小时，裁剪值减小，被裁减的范围扩大，裁剪范围内的数据可以分配到更加精细量化的区间，所以误差变小；但是裁剪的表示误差增加。而现有技术并不能良好的平衡裁剪误差与表示误差之间关系，导致实际的分类模型难以实现高速推理，快速得到精准的分类结果。
技术实现思路
1、本申请提供了一种基于裁剪量化的图像分类方法、装置及设备，用于解决现有技术难以平衡裁剪误差和表示误差的关系，导致实际分类模型难以同时满足高精确度和高处理速度的技术问题。
2、有鉴于此，本申请第一方面提供了一种基于裁剪量化的图像分类方法，包括：
3、对获取到的目标图像进行预处理操作，得到待分类图像；
4、将所述待分类图像输入预设残差分类网络中分类预测，得到目标分类结果；
5、所述预设残差分类网络基于裁剪阈值进行裁剪量化得到，所述裁剪阈值基于线性差值定理优化更新。
6、优选地，所述对获取到的目标图像进行预处理操作，得到待分类图像，包括：
7、对获取到的目标图像进行缩放处理，得到预置尺寸的缩放图像；
8、将所述缩放图像的像素值进行归一化处理，得到归一化图像；
9、将所述归一化图像进行数据格式转换，得到待分类图像。
10、优选地，所述将所述缩放图像的像素值进行归一化处理，得到归一化图像，之后还包括：
11、采用预设增强技术对所述归一化图像进行图像增强操作，得到增强图像，所述预设增强技术包括随机裁剪、随机翻转和随机旋转。
12、优选地，所述将所述待分类图像输入预设残差分类网络中分类预测，得到目标分类结果，之前还包括：
13、基于resnet框架构建初始残差网络；
14、在所述初始残差网络中引入基于裁剪阈值，并基于线性插值定理更新所述裁剪阈值，得到裁剪分类网络；
15、对所述裁剪分类网络进行量化处理，得到量化分类网络；
16、基于预设学习变量，根据预置图像训练集训练所述量化分类网络，得到预设残差分类网络。
17、优选地，所述基于预设学习变量，根据预置图像训练集训练所述量化分类网络，得到预设残差分类网络，之后还包括：
18、对所述预设残差分类网络进行性能评估，得到评估结果，所述性能评估包括准确率评估、压缩率评估和推理加速度评估。
19、本申请第二方面提供了一种基于裁剪量化的图像分类装置，包括：
20、图像处理单元，用于对获取到的目标图像进行预处理操作，得到待分类图像；
21、图像分类单元，用于将所述待分类图像输入预设残差分类网络中分类预测，得到目标分类结果；
22、所述预设残差分类网络基于裁剪阈值进行裁剪量化得到，所述裁剪阈值基于线性差值定理优化更新。
23、优选地，所述图像处理单元，具体用于：
24、对获取到的目标图像进行缩放处理，得到预置尺寸的缩放图像；
25、将所述缩放图像的像素值进行归一化处理，得到归一化图像；
26、将所述归一化图像进行数据格式转换，得到待分类图像。
27、优选地，还包括：
28、图像增强单元，用于采用预设增强技术对所述归一化图像进行图像增强操作，得到增强图像，所述预设增强技术包括随机裁剪、随机翻转和随机旋转。
29、优选地，还包括：
30、网络构建单元，用于基于resnet框架构建初始残差网络；
31、阈值配置单元，用于在所述初始残差网络中引入基于裁剪阈值，并基于线性插值定理更新所述裁剪阈值，得到裁剪分类网络；
32、量化处理单元，用于对所述裁剪分类网络进行量化处理，得到量化分类网络；
33、网络训练单元，用于基于预设学习变量，根据预置图像训练集训练所述量化分类网络，得到预设残差分类网络。
34、本申请第三方面提供了一种基于裁剪量化的图像分类设备，所述设备包括处理器以及存储器；
35、所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
36、所述处理器用于根据所述程序代码中的指令执行第一方面所述的基于裁剪量化的图像分类方法。
37、从以上技术方案可以看出，本申请实施例具有以下优点：
38、本申请中，提供了一种基于裁剪量化的图像分类方法，包括：对获取到的目标图像进行预处理操作，得到待分类图像；将待分类图像输入预设残差分类网络中分类预测，得到目标分类结果；所述预设残差分类网络基于裁剪阈值进行裁剪量化得到，所述裁剪阈值基于线性差值定理优化更新。
39、本申请提供的基于裁剪量化的图像分类方法，基于裁剪阈值对用于图像分类的残差网络进行网络裁剪和量化，由于裁剪阈值可以不断学习优化，所以可以在既满足图像分类准确度，又满足网络高速处理需求的情况下更新出最优的裁剪阈值，确保网络的量化可靠性，实现高速准确的图像分类；本质就是通过更新裁剪阈值平衡裁剪误差与表示误差，同时确保分类网络的精度和速度。因此，本申请能够解决现有技术难以平衡裁剪误差和表示误差的关系，导致实际分类模型难以同时满足高精确度和高处理速度的技术问题。
1.一种基于裁剪量化的图像分类方法，其特征在于，包括：
2.根据权利要求1所述的基于裁剪量化的图像分类方法，其特征在于，所述对获取到的目标图像进行预处理操作，得到待分类图像，包括：
3.根据权利要求2所述的基于裁剪量化的图像分类方法，其特征在于，所述将所述缩放图像的像素值进行归一化处理，得到归一化图像，之后还包括：
4.根据权利要求1所述的基于裁剪量化的图像分类方法，其特征在于，所述将所述待分类图像输入预设残差分类网络中分类预测，得到目标分类结果，之前还包括：
5.根据权利要求4所述的基于裁剪量化的图像分类方法，其特征在于，所述基于预设学习变量，根据预置图像训练集训练所述量化分类网络，得到预设残差分类网络，之后还包括：
6.一种基于裁剪量化的图像分类装置，其特征在于，包括：
7.根据权利要求6所述的基于裁剪量化的图像分类装置，其特征在于，所述图像处理单元，具体用于：
8.根据权利要求7所述的基于裁剪量化的图像分类装置，其特征在于，还包括：
9.根据权利要求6所述的基于裁剪量化的图像分类装置，其特征在于，还包括：
10.一种基于裁剪量化的图像分类设备，其特征在于，所述设备包括处理器以及存储器；
