[发明专利]一种图像预测方法和装置

说明书

本申请公开了一种图像预测方法和装置，该方法包括确定预测图像的第1特征图，第1特征图是用于描述预测图像的矩阵；从N＝1起至N＝M为止循环执行以下方法：根据第N特征图和D值卷积神经网络确定D个第N索引图，根据D值卷积神经网络的权重矩阵和D个第N索引图确定第N+1特征图，其中，M为D值卷积神经网络的卷积层数，M大于1，D值卷积神经网络包括多个分类器，每个分类器对应一种权重矩阵；根据第M+1特征图进行预测。本申请实施例根据所述多个第N索引图和权重矩阵，通过求和的方式确定第N+1索引图，以将乘法计算转换为加法计算，从而能够提高计算效率。

技术领域

本申请涉及图像处理领域，尤其涉及一种图像预测方法和装置。

背景技术

当下，深度神经网络被广泛的使用于机器学习的各个领域。在通过深度神经网络对结果进行预测时，计算量较大导致预测的时间较长，因此，很难做到产品级的效果。

为了解决深度神经网络实用性的问题，现有技术提出了半精度卷积神经网络、二值卷积神经网络和三值卷积神经网络。在半精度卷积神经网络中，通过将被训练的模型的大小减小一半，从而将预测速度提高一倍。二值卷积神经网络，把卷积神经网络的参数训练成只有两种取值，-1和1。使用1bit便可以储存模型，把模型的大小减小到了原本的32分之一，从而进一步的提高处理的速度。三值卷积神经网络，与二值卷积神经网络类似，权重有-1，0,1，三种取值。可以使用2bits来保存权重。由于三值卷积神经网通通过三个权重来进行标识，因此三值卷积神经网络拥有比二值卷积神经网络更强的表达能力。

但是，在上述二值、三值卷积网络中，需要使用传统的矩阵乘法进行计算。例如，使用caffe im2col的方法把特征图和权重过滤器扩展成两个矩阵，将两个矩阵相乘得到特征图，并通过最终得到的特征图对结果进行预测。在矩阵相乘的计算过程中，需要使用多次乘法和加法，在矩阵很大的时候，计算量会成倍的增加，计算时间长，计算效率较差。

发明内容

本申请实施例提供一种图像预测方法和装置，能够通过加法的计算确定用于预测图像的特征图，提高计算效率。

本申请实施例采用下述技术方案：

一方面，本申请具体实施例提供一种图像预测方法，所述方法包括确定预测图像的第1特征图，所述第1特征图是用于描述输入信息的矩阵。从N＝1起至N＝M为止循环执行以下方法:根据第N特征图和D值卷积神经网络确定D个第N索引图，根据所述D值卷积神经网络的权重矩阵和所述D个第N索引图确定第N+1特征图，其中，M为D值卷积神经网络的卷积层数，M大于1，所述D值卷积神经网络包括多个分类器，每个分类器一种权重矩阵，D为2或3；根据第M+1特征图进行预测；

其中，根据所述D值卷积神经网络的权重矩阵和D个第N索引图确定第N+1特征图包括：

确定所述权重矩阵中第j列的X个元素在所述第N特征图的索引图中对应的X个索引图；

分别确定所述X个索引图中第x个索引图的第i行第x列的元素，x取值为0至X-1；

确定所述X个元素之和为第N特征图中的第i行第j列的元素。

在一个可能的设计中，所述根据所述D值卷积神经网络的权重矩阵和所述D个第N索引图确定第N＝1特征图包括，通过如下公式确定第N+1特征图中的元素C(i，j)：

其中所述k表示权重矩阵的行数，B[t][j]用于表示权重矩阵在第t行第j列的元素，对应于所述D个第N索引图之一，A[B[t][j]][i][t]表述根据权重矩阵的元素B[t][j]确定的索引图中的第i行第t列的元素。

在一个可能的设计中，所述根据所述第N特征图和D值卷积神经网络，确定D个第N索引图包括：