[发明专利]在深度卷积网络中降低图像分辨率

说明书

一种在深度卷积网络(DCN)中降低图像分辨率的方法，包括动态地选择要应用于输入图像的降低因子。可在DCN的每一层处选择降低因子。该方法还包括基于为每一层选择的降低因子来调整DCN。

相关申请的交叉引用

本申请根据35 U.S.C.§119(e)要求于2015年4月28日提交的题为“REDUCINGIMAGE RESOLUTION IN DEEP CONVOLUTIONAL NETWORKS(在深度卷积网络中降低图像分辨率)”的美国临时专利申请No.62/154,084的权益，其公开通过引用整体明确地纳入于此。

背景技术

领域

本公开的某些方面一般涉及神经系统工程，更具体地涉及用于在保持性能的同时在深度卷积网络中降低图像分辨率的系统和方法。

背景技术

可包括一群互连的人工神经元(例如，神经元模型)的人工神经网络是一种计算设备或者表示将由计算设备执行的方法。

卷积神经网络是一种前馈人工神经网络。卷积神经网络可包括神经元集合，其中每一个神经元具有感受野并且共同地拼出一输入空间。卷积神经网络(CNN)具有众多应用。具体地，CNN已被广泛使用于模式识别和分类领域。

深度学习架构(诸如，深度置信网络和深度卷积网络)是分层神经网络架构，其中第一层神经元的输出变成第二层神经元的输入，第二层神经元的输出变成第三层神经元的输入，以此类推。深度神经网络可被训练以识别特征阶层并因此它们被越来越多地用于对象识别应用。类似于卷积神经网络，这些深度学习架构中的计算可分布在处理节点群体上，其可被配置在一个或多个计算链中。这些多层架构可每次训练一层并可使用后向传播微调。

其他模型也可用于对象识别。例如，支持向量机(SVM)是可被应用于分类的学习工具。支持向量机包括对数据进行归类的分离超平面(例如，决策边界)。该超平面由监督式学习来定义。期望的超平面增加训练数据的裕量。换言之，超平面应该具有到训练示例的最大的最小距离。

尽管这些解决方案在数个分类基准上取得了优异的结果，但它们的计算复杂度可能极其高。另外，模型的训练可能是有挑战性的。

概述

在本公开的一个方面，公开了一种在深度卷积网络(DCN)中降低图像分辨率的方法。该方法包括在DCN的每一层处，动态地选择要应用于输入图像的降低因子。该方法还包括基于为每一层选择的降低因子来调整DCN。

本公开的另一方面涉及一种装备，包括用于在DCN的每一层处，动态地选择要应用于输入图像的降低因子的装置。该装备还包括基于为每一层选择的降低因子来调整DCN的装置。

在本公开的另一方面，公开了一种其上记录有非瞬态程序代码的非瞬态计算机可读介质。用于在DCN中降低图像分辨率的程序代码由处理器执行，并且包括用于在DCN的每一层处动态地选择要应用于输入图像的降低因子的程序代码。该程序代码还包括用于基于为每一层选择的降低因子来调整DCN的程序代码。

本公开的另一方面涉及一种用于在DCN中降低图像分辨率的装置，该装置具有存储器以及耦合至该存储器的一个或多个处理器。(诸)处理器被配置为在DCN的每一层处，动态地选择要应用于输入图像的降低因子。(诸)处理器还被配置为基于为每一层选择的降低因子来调整DCN。

本公开的附加特征和优点将在下文描述。本领域技术人员应该领会，本公开可容易地被用作修改或设计用于实施与本公开相同的目的的其他结构的基础。本领域技术人员还应认识到，这样的等效构造并不脱离所附权利要求中所阐述的本公开的教导。被认为是本公开的特性的新颖特征在其组织和操作方法两方面连同进一步的目的和优点在结合附图来考虑以下描述时将被更好地理解。然而，要清楚理解的是，提供每一幅附图均仅用于解说和描述目的，且无意作为对本公开的限定的定义。

附图简要说明