[发明专利]对象分类方法、装置和系统

权利要求书

1.一种对图像的对象进行分类的方法，其特征在于，包括：

将卷积神经网络的同一层中的至少部分神经元划分成至少一个神经元组，所述至少一个神经元组中的每个神经元组包括相邻的至少二个神经元；

调整所述神经元组中各神经元被激活的概率；

根据所述神经元组中所述各神经元调整后所得到的激活概率激活相应的神经元，其中，不同神经元组的神经元被激活的概率彼此统计独立；以及

通过所激活的多个神经元对所述图像中的对象进行分类。

2.根据权利要求1所述的方法，其特征在于，所述调整所述神经元组中各神经元被激活的概率包括：

增大部分神经元被激活的概率而降低其余神经元被激活的概率，其中，所述神经元组中所述各神经元被激活的概率之和为常数。

3.根据权利要求1所述的方法，其特征在于，所述调整所述神经元组中各神经元被激活的概率包括：

根据所述卷积神经网络的所述神经元组所在层的输入与所述神经元所包括的滤波器的关联程度，增大部分神经元被激活的概率而降低其余神经元被激活的概率，其中，所述神经元组中所述各神经元被激活的概率之和为常数。

4.根据权利要求1所述的方法，其特征在于，所述根据各神经元调整后所得到的激活概率激活相应的神经元包括：

将所述神经元组中所述各神经元调整后所得到的激活概率作为所述神经元组的输出输入至所述卷积神经网络中所述神经元组所在层的下一层。

5.根据权利要求1所述的方法，其特征在于，

所述卷积神经网络的同一层中的所有神经元划分为多个神经元组；或者，

所述卷积神经网络的同一层中的至少一个神经元未划分入所述至少一个神经元组中。

6.根据权利要求1所述的方法，其特征在于，所述神经元组所在层为所述卷积神经网络的中间层。

7.根据权利要求1所述的方法，其特征在于，所述神经元组所在层为所述卷积神经网络的非线性层。

8.一种对象分类方法，其特征在于，包括：

过滤图像以生成第一特征图；

将卷积神经网络的同一层中的至少部分神经元划分成至少一个神经元组，所述至少一个神经元组中的每个神经元组包括相邻的至少二个神经元；

调整所述神经元组中各神经元被激活的概率；

根据所述神经元组中所述各神经元调整后所得到的激活概率激活相应的神经元，其中，不同神经元组的神经元被激活的概率彼此统计独立；

通过所激活的多个神经元从所述第一特征图生成第二特征图；以及

根据所述第二特征图对所述图像中的对象进行分类。

9.根据权利要求8所述的方法，其特征在于，所述根据所述第二特征图对所述图像中的对象进行分类包括：

根据所述第二特征图评估所述图像中的对象分别属于预定种类的概率值；以及

将所述图像中的对象划分到具有最大概率值的预定种类中。

10.一种用于对图像的对象进行分类的装置，其特征在于，包括：

神经元激活装置，包括：

分组单元，将卷积神经网络的同一层中的至少部分神经元划分成至少一个神经元组，所述至少一个神经元组中的每个神经元组包括相邻的至少二个神经元；

调整单元，调整所述神经元组中各神经元被激活的概率；以及

激活单元，根据所述神经元组中所述各神经元调整后所得到的激活概率激活相应的神经元，其中，不同神经元组的神经元被激活的概率彼此统计独立，以及

分类模块，通过所激活的多个神经元对所述图像中的对象进行分类。

11.根据权利要求10所述的装置，其特征在于，所述调整单元增大部分神经元被激活的概率而降低其余神经元被激活的概率，其中，所述神经元组中所述各神经元被激活的概率之和为常数。