[发明专利]对象分类方法、装置和系统

说明书

本申请公开了神经元激活方法、装置和系统以及对象分类方法和系统。神经元激活方法包括：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，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；调整神经元组中各神经元被激活的概率；以及根据神经元组中各神经元调整后所得到的激活概率激活相应的神经元。本申请实施例提供的技术方案增强了卷积神经网络的分类能力。

技术领域

本申请涉及深度学习领域，具体地涉及对象分类方法、装置和系统。

背景技术

作为深度学习网络的典型代表，CNN(Convolutional Neural Network，卷积神经网络)具有强大的对象分类能力，因而在诸如图像识别等领域中得以广泛应用。

在CNN中，一般需要通过特定的神经元激活方法来为CNN提供非线性的建模能力以增强特征区分能力以及获得稀疏的分布式表达以增强信噪比。在常规的CNN激活方法中，一般仅在单个神经元的尺度上处理信息，从而基于单个神经元的状态对神经元进行激活。

发明内容

本申请提供了神经元激活的技术方案以及对象分类技术方案。

本申请实施例的一方面提供了一种神经元激活方法，该方法可包括：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，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；调整神经元组中各神经元被激活的概率；以及根据神经元组中各神经元调整后所得到的激活概率激活相应的神经元。

本申请实施例的另一方面提供了一种对象分类方法，该方法可包括：过滤图像以生成第一特征图；通过使用上述神经元激活方法激活卷积神经网络中的多个神经元；通过所激活的多个神经元从第一特征图生成第二特征图；以及根据第二特征图对图像中的对象进行分类。

本申请实施例的另一方面提供了一种神经元激活装置，该装置可包括：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，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，调整神经元组中各神经元被激活的概率；以及激活单元，根据神经元组中各神经元调整后所得到的激活概率激活相应的神经元。

本申请实施例的另一方面提供了一种对象分类系统，该系统可包括：滤波模块，过滤图像以生成第一特征图；上述神经元激活装置，激活卷积神经网络中的多个神经元，以通过所激活的多个神经元从第一特征图生成第二特征图；以及分类模块，根据第二特征图对图像中的对象进行分类。

本申请实施例的另一方面提供了一种神经元激活系统，该系统可包括：存储器，存储可执行指令；以及一个或多个处理器，与存储器通信以执行可执行指令从而完成以下操作：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，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；调整神经元组中各神经元被激活的概率；以及根据神经元组中各神经元调整后所得到的激活概率激活相应的神经元。

本申请实施例的另一方面提供了一种对象分类系统，该系统可包括：存储器，存储可执行指令；以及一个或多个处理器，与存储器通信以执行可执行指令从而完成以下操作：过滤图像以生成第一特征图；通过上述神经元激活方法激活卷积神经网络中的多个神经元；通过所激活的多个神经元从第一特征图生成第二特征图；以及根据第二特征图对图像中的对象进行分类。

本申请实施例的另一方面提供一种非暂时性计算机存储介质，该介质可存储计算机可读指令，当这些指令被执行时可使处理器执行以下操作：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，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；调整神经元组中各神经元被激活的概率；以及根据神经元组中各神经元调整后所得到的激活概率激活相应的神经元。