1.一种基于去相关二值网络的协同目标识别方法，其特征在于，该方法包括：基于贝叶斯学习将二值网络模型训练过程中的目标量化误差最小化后分解为两部分，其中一部分通过最大似然估计表示，另一部分通过最大后验估计表示；所述目标量化误差是指所述二值网络模型训练过程中由正向传播和反向传播引起的误差；其中，所述最大似然估计通过下式表示： p表示概率，∑表示通过二值化激活张量形成的二值
化激活张量矩阵，X表示所述二值网络模型中指定卷积核信息，w表示原始权重张量，e表示
待得到的目标二值化权重张量；所述最大后验估计通过下式表示： )= )= ) ) ；其中，p表示概率，X表示所述二值网络模型中指定卷积核信息，w表示原始权重张量，e表示待得到的目标二值化权重张量；基于所述最大似然估计确定激活张量二值化误差Lc，以及基于所述最大后验估计确定权重张量二值化误差Ld；按照优化所述Lc、所述Ld、预测误差Ls的目标，训练二值网络模型；所述Ls是指在二值网络模型训练过程中将输入数据输入至二值网络模型得到的输出值与所述输入数据对应的真实值之间的误差；将所述二值网络模型部署在物联网终端设备；所述物联网终端设备在采集到用于目标识别的数据时，将采集的所述数据输入至所述二值网络模型得到初步输出结果；将所述数据和所述初步输出结果上报至中心服务器，以使所述中心服务器在依据所述初步输出结果确定需要验证所述初步输出结果时，将所述数据输入至已训练的目标网络模型以验证所述初步输出结果最终得到目标输出结果；所述目标网络模型是训练出的非二值网络模型。
2.根据权利要求1所述的方法，其特征在于，所述最小化目标量化误差通过下式表示：其中，w表示原始权重张量， 表示原始权重张量被二值化得到的二值化权重张量， 表示缩放参数。
3.根据权利要求1所述的方法，其特征在于，所述Lc通过下式表示：Lc ；其中，I表示通过原始激活张量形成的原始激活张量矩阵。
4.根据权利要求1所述的方法，其特征在于，所述Ld通过下式表示：其中， 表示原始权重张量被二值化得到的二值化权重张量， 表示原始权重张量
的方差， 表示 的维度， 表示缩放参数， 表示二值化权重张量中的正数， 表
示二值化权重张量中的负数。
5.根据权利要求3所述的方法，其特征在于，所述原始激活张量为所述目标网络模型的激活张量。
6.根据权利要求4所述的方法，其特征在于，所述原始权重张量为所述目标网络模型的权重张量。
7.根据权利要求1所述的方法，其特征在于，所述目标网络模型和所述二值化网络模型的训练数据和测试数据相同。
8.一种基于去相关二值网络的协同目标识别系统，其特征在于，该系统包括：物联网终端设备和中心服务器；物联网终端设备，部署了二值网络模型；其中，所述二值网络模型是按照优化激活张量二值化误差Lc、权重张量二值化误差Ld、预测误差Ls的目标训练出的；激活张量二值化误差Lc基于最大似然估计确定，权重张量二值化误差Ld基于最大后验估计确定，最大似然估计、最大后验估计是基于贝叶斯学习将二值网络模型训练过程中的目标量化误差最小化后分解得到的；所述目标量化误差是指所述二值网络模型训练过程中由正向传播和反向传播引起的误差；其中，所述最大似然估计通过下式表示： p表示概率，∑表示通过二值化激活张量形成的二
值化激活张量矩阵，X表示所述二值网络模型中指定卷积核信息，w表示原始权重张量，e表
示待得到的目标二值化权重张量；所述最大后验估计通过下式表示： )= )= ) ) ；其中，p表示概率，X表示所述二值网络模型中指定卷积核信息，w表示原始权重张量，e表示待得到的目标二值化权重张量；所述物联网终端设备，在采集到用于目标识别的数据时，将采集的所述数据输入至所述二值网络模型得到初步输出结果，将所述数据和所述初步输出结果上报至中心服务器；所述中心服务器，用于依据所述初步输出结果确定是否需要验证所述初步输出结果，如果否，确定所述初步输出结果作为目标输出结果，如果是，将所述数据输入至已训练的目标网络模型并输出目标最终结果；所述目标网络模型是训练出的非二值化网络模型。
9.根据权利要求8所述的系统，其特征在于，所述中心服务器依据所述初步输出结果确定是否需要验证所述初步输出结果包括：识别所述初步输出结果是否满足预设验证条件，所述预设验证条件至少包括：与所述物联网终端设备处于同一指定区域的其它各物联网终端设备在预设时间段内上报了与所述初步输出结果不匹配的其他输出结果，和/或，所述初步输出结果中目标识别结果的置信度小于设定置信度阈值；如果是，确定需要验证所述初步输出结果，如果否，确定不需要验证所述初步输出结果。
10.一种电子设备，其特征在于，该电子设备包括：处理器和机器可读存储介质；所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令；所述处理器用于执行机器可执行指令，以实现权利要求1-7任一项的方法步骤。
