[发明专利]用于图像处理的装置

说明书

本申请提供一种用于图像处理的装置，该装置包括：第一物理计算单元，用于接收图像传感器输出的多个第一模拟信号，并对该多个第一模拟信号进行卷积运算，以得到第二模拟信号，该多个第一模拟信号与待识别图像的多个像素数据一一对应，其中，第一物理计算单元由至少一个乘法电路阵列和至少一个减法电路组成，该至少一个乘法电路阵列与该至少一个减法电路一一对应，每个乘法电路阵列中的乘法电路由差分对管构成，每个乘法电路阵列通过该多个乘法电路和所对应的减法电路实现对该多个第一模拟信号的卷积运算，其中，每个乘法电路阵列中包括的多个差分对管的差模输入电压作为该乘法电路阵列进行卷积运算的卷积核，该至少一个乘法电路阵列的卷积核互异。

技术领域

本申请涉及图像处理领域，并且更具体地，涉及一种用于图像处理的装置。

背景技术

随着人工智能的发展，机器学习(Machine Learning，ML)相关算法及理论广泛应用到各个领域，并取得令人惊讶的效果。在众多的机器学习算法中，神经网络算法模仿生物神经系统的行为特征对原始信息进行处理，并提取出高维特征，在模式识别领域受到了广泛的关注。自从1957年前馈神经网络——感知机提出以来，经过半个多世纪的发展，神经算法在不同的领域发展出很多不同结构的算法。例如，深度神经网络算法(Deep NeuralNetwork，DNN)、递归神经网络(Recurrent neural Network，RNN)以及卷积神经网路(Convolutional Neural Network，CNN)等，它们各自在不同的领域发挥着越来越重要的作用。

卷积神经网络算法由于其算法结构更接近于生物视觉系统的网络结构、独特的卷积运算以及良好的分类效果，已逐渐发展成为图像识别领域关注的焦点。不同的学者在不同的图像识别领域发展出了不同结构的CNN网络模型。例如，用于手写字符识别的lenet-5、用于人脸识别的CFF、用于文本识别的convNN等。它们将图片分类的精度推到了传统算法无法达到的高度。

随着深度学习训练方法的不断优化改进，CNN网络深度越来越深，网络结构越来越复杂，使得CNN在各种图片分类器上的准确率越来越高。然而，随着CNN识别准确率的不断提升，其运算代价也随之不算增大。传统的运算平台已经无法满足卷积神经网络对于运算速度和功耗的要求。

发明内容

本申请提供一种用于图像处理的装置，能够实现卷积神经网络算法在模拟域的加速，并能够满足卷积神经网络对于运算速度和功耗的要求。

第一方面，本申请提供一种识别图像的装置，该装置包括：第一物理计算单元，用于接收图像传感器输出的多个第一模拟信号，并对该多个第一模拟信号进行卷积运算，以得到第二模拟信号，该多个第一模拟信号与待识别图像的多个像素数据一一对应，其中，第一物理计算单元由至少一个乘法电路阵列和至少一个减法电路组成，该至少一个乘法电路阵列与该至少一个减法电路一一对应，每个乘法电路阵列中包括多个乘法电路，每个乘法电路由差分对管构成，每个乘法电路阵列通过该多个乘法电路和所对应的减法电路实现对该多个第一模拟信号的卷积运算，其中，每个乘法电路阵列中包括的多个差分对管的差模输入电压作为该乘法电路阵列进行卷积运算的卷积核，该至少一个乘法电路阵列的卷积核互异；识别单元，用于对第二模拟信号进行识别处理，以得到待识别图像的识别结果信息。

在一种可能的实现方式中，每个差分对管包括第一金属氧化物半导体MOS管和第二MOS管，第一MOS管和第二MOS管工作在亚阈值区。