[发明专利]基于卷积神经网络模型的图像数据分类方法及设备

说明书

本发明是关于一种基于卷积神经网络模型的图像数据分类方法及设备，涉及深度学习技术领域，该卷积神经网络模型包括：输入层、至少一层第一卷积层、特征融合层以及输出层，所述第一卷积层包括深度卷积子层以及逐点卷积子层，所述深度卷积子层包含m个通道组，每个所述通道组包含至少两个输入通道以及至少两个输出通道。通过第一卷积层，将对多个输入通道输入的数据特征划分为多个分组，每个分组中各个输入通道输入的特征数据可以被同组的输出通道共享，使得卷积过程中的数据特征提取更加全面，从而提高卷积神经网络模型的准确性。

技术领域

本发明涉及深度学习技术领域，特别涉及一种卷积神经网络模型、数据处理方法及装置。

背景技术

近年来，卷积神经网络(Convolutional Neural Network，CNN)取得了快速发展，并在图像识别等领域取得了显著成绩。

在相关技术中，为了降低卷积神经网络的复杂度，提高计算效率，可以将卷积神经网络中的卷积层划分为卷积核大小为h×w的深度卷积子层和卷积核大小为1×1的逐点卷积子层，其中，图1示出了该卷积层的结构示意图。

如图1所示，深度卷积子层中包含若干组一一对应的输入通道和输出通道，该深度卷积子层中的输出通道同时作为逐点卷积子层的输入通道，深度卷积子层中的每个输出通道对应一个h×w的卷积核，逐点卷积子层中包含若干组输出通道，且逐点卷积子层中的每个输出通道对应一个1×1的卷积核。在进行卷积计算时，深度卷积子层中的一个h×w的卷积核只需要与一个输入通道中输入的特征数据进行卷积计算并经由对应的输出通道输出，随后通过大小为1×1的卷积核将深度卷积子层中的各个输出通道输出的特征数据进行融合。上述卷积层将尺寸较大的h×w卷积核与单个输入通道中输入的特征数据进行卷积，并通过尺寸较小的1×1卷积核将深度卷积子层的各个输出通道输出的卷积结果进行融合，以降低卷积层的计算量。

然而，在上述的卷积层中，深度卷积子层的一个输出通道只受到一个输入通道中的特征数据的影响，导致卷积过程中的数据特征的提取不够全面，影响卷积神经网络的准确性。

发明内容

本发明实施例提供了一种卷积神经网络模型、数据处理方法及装置，可以解决相关技术中深度卷积子层的一个输出通道只受到一个输入通道中的特征数据的影响，导致卷积过程中的数据特征的提取不够全面，影响卷积神经网络的准确性的问题，技术方案如下：

一方面，提供了一种卷积神经网络模型，所述卷积神经网络模型包括：输入层、至少一层第一卷积层、特征融合层以及输出层，所述第一卷积层包括深度卷积子层以及逐点卷积子层，所述深度卷积子层包含m个通道组，每个所述通道组包含至少两个输入通道以及至少两个输出通道，所述逐点卷积子层包含至少两个输出通道，m为大于或者等于2的整数；

所述输入层，用于接收所述卷积神经网络模型的输入数据；

所述至少一层第一卷积层，用于通过所述深度卷积子层以及所述逐点卷积子层对所述输入数据的特征数据逐层进行卷积计算，且每层所述第一卷积层在进行卷积计算时，所述深度卷积子层的每个所述通道组中的至少两个输出通道共享从所述通道组中的至少两个输入通道输入的特征数据，且所述逐点卷积子层中的至少两个输出通道共享从所述m个通道组中的各个输出通道分别输入的特征数据；

所述特征融合层，用于对经过所述至少一层第一卷积层卷积处理后的特征数据进行特征融合；

所述输出层，用于对特征融合后的特征数据进行数据分类或回归，并输出分类或回归结果。

另一方面，提供一种基于卷积神经网络模型的数据处理方法，所述卷积神经网络模型包括输入层、至少一层第一卷积层、特征融合层以及输出层，所述第一卷积层包括深度卷积子层以及逐点卷积子层，所述深度卷积子层包含m个通道组，每个所述通道组包含至少两个输入通道以及至少两个输出通道，所述逐点卷积子层包含至少两个输出通道，m为大于或者等于2的整数；所述方法包括：