[发明专利]基于卷积神经网络的图像处理的方法和装置

权利要求书

1.一种基于卷积神经网络的图像处理的方法，其特征在于，所述方法包括：

将至少一个输入特征图载入至具有逻辑资源的硬件平台；

在所述硬件平台对每一输入特征图进行特征展开，得到输入特征图对应的矩阵，所述矩阵携带输入特征图的特征；

针对每一矩阵进行卷积处理，得到多个中间特征图；

根据所述中间特征图，获取输出特征图。

2.根据权利要求1所述的方法，其特征在于：所述硬件平台为嵌入式可编程逻辑FPGA平台。

3.根据权利要求2所述的方法，其特征在于：若载入至所述FPGA平台的输入特征图为多个，相应地，针对每一矩阵进行卷积处理，得到多个中间特征图的步骤具体为：

针对多个矩阵，并行执行卷积处理，其中，针对每一矩阵，得到多个中间特征图并暂存等待后续处理。

4.根据权利要求1所述的方法，其特征在于：在所述硬件平台对每一输入特征图进行特征展开，得到输入特征图对应的矩阵的步骤之后，所述方法还包括：

自第一移位寄存器组获取矩阵，自第二移位寄存器组获取卷积窗口的权重；

将所述矩阵和卷积窗口的权重缓存至输入缓存中；

自输入缓存中读取所述矩阵以及所述权重，并载入至所述FPGA平台内部的数字信号处理DSP中进行运算。

5.根据权利要求4所述的方法，其特征在于：所述输入缓存包括第一输入缓存和第二输入缓存，相应地，自输入缓存中读取所述矩阵以及所述权重，并载入至所述FPGA平台内部的数字信号处理DSP中进行运算的步骤具体为：

第一输入缓存接收矩阵和卷积窗口的权重，第二输入缓存输出矩阵和卷积窗口的权重至DSP；

若第一输入缓存的容量为满或者第二输入缓存的容量为空，第一输入缓存输出矩阵和卷积窗口的权重至DSP，第二输入缓存接收矩阵和卷积窗口的权重。

6.根据权利要求1所述的方法，其特征在于:针对每一矩阵进行卷积处理，得到多个中间特征图的步骤之后，所述方法还包括:

将多个中间特征图暂存在累加寄存器中；

通过累加寄存器对多个中间特征图进行累加，得到输出特征图；

将所述输出特征图缓存至输出缓存中。

7.根据权利要求6所述的方法，其特征在于:所述输出缓存包括第一输出缓存和第二输出缓存，相应地，将所述输出特征图缓存至输出缓存中的步骤具体为：

第一输出缓存接收DSP输出的特征图，第二输出缓存输出暂存的特征图；

若第一输出缓存的容量为满或者第二输出缓存的容量为空，第一输出缓存输出所述输出特征图，第二输出缓存接收DSP的输出特征图。

8.根据权利要求1所述的方法，其特征在于：所述硬件平台包括多个层结构；

第一层为物理层，包括DSP和双极随机存取存储器BRAM；

第二层为数据链路层，包括卷积数据与DSP的交互CONV2DSP，以及卷积数据与双极随机存取存储器的交互CONV2BRAM；

第三层为网络层，包括卷积CONV、池化采样POOLING、按元素操作ELTWISE和全连接FC；

第四层为控制软件，包括网络的配置信息。

9.根据权利要求1所述的方法，其特征在于：所述卷积处理的次数为多次，针对每一矩阵进行卷积处理，得到多个中间特征图的步骤之后，所述方法还包括：

判断得到的中间特征图经过的卷积处理的次数；

若次数小于预设的次数，则将中间特征图重新进行特征展开，直至达到预设的次数。

10.一种基于卷积神经网络的图像处理的装置，其特征在于，所述装置包括：

载入模块，用于将至少一个输入特征图载入至具有逻辑资源的硬件平台；

展开模块，用于在所述硬件平台对每一输入特征图进行特征展开，得到输入特征图对应的特征矩阵，所述矩阵携带输入特征图的特征；

卷积模块，用于针对每一矩阵进行卷积处理，得到多个中间特征图；

获取模块，用于根据所述中间特征图，获取输出特征图。