[发明专利]一种卷积神经网络感受野量化的方法及其应用

权利要求书

1.一种卷积神经网络感受野量化的方法，其特征在于：包括如下步骤：

(1)在网络初始化的过程中通过前向传播的方式计算各个网络层输出的stride值，其中，Stride值表示原输入尺度与该网络层feature map的尺度的比例大小；

(2)计算不同层输出的感受野尺度大小，申请相应大小的内存并设置初始化的值，其中，不同类型的网络层对输出感受野尺度的计算方法是不同的；

(3)对不同网络层输出的感受野进行初始化后就可以利用网络中卷积参数通过前向计算对不同层的感受野进行量化。

2.根据权利要求1所述的卷积神经网络感受野量化的方法，其特征在于：所述网络层包括Data数据层、卷积层、池化层、Eltwise层以及激活函数中的一种或多种；

其中，所述卷积层和所述池化层输出感受野尺度的计算方法相同的，均通过公式获取：

fout_h＝(k_h-1)×fin_stride_h+fin_h

fout_w＝(k_w-1)×fin_stride_w+fin_w

其中，fout_h表示输出感受野的高度，fout_w表示输出感受野宽度，fin_h表示输入感受野的高度，fin_w表示所述卷积层和所述池化层的输入感受野的宽度，k_h表示该卷积核的高度或池化的高度，k_w表示该卷积核的宽度或池化的宽度，fin_stride_h和fin_stride_w分别表示所述卷积层和所述池化层输入感受野的高度和宽度，且计算出尺度大小后申请相应大小的空间初始值全部设置为0；

Eltwise层，对不同的输入进行合并，其通过公式：

fout_h＝max(fini_h)i∈(1,...,n)

fout_w＝max(fini_w)i∈(1,...,n)

计算该层输出感受野的尺度：其中，fini_h表示Eltwise层输入感受野fini的高度，fini_w表示Eltwise层输入感受野fini的宽度。

3.根据权利要求2所述的卷积神经网络感受野量化的方法，其特征在于：在进行感受野进行量化时，将输入设为B，输出设为T，输入B对应的感受野为fin，输出T对应的感受野为fout，其采用公式：

fout[istart:istart+fin_h,jstart:jstart+w]+＝k_ij×fin

istart＝i×stride_h(for i in(0,k_h))

jstart＝j×stride_w(for j in(0,k_w))

来对卷积层的卷积核的进行计算，其中，k_ij表示卷积核第i,j位置上的元素值，fout[istart:istart+fin_h,jstart:jstart+w]表示fout上从(istarth，istartw)到(istarth+fin_h，istartw+fin_w)的整个区域，是由k_h×k_w个fin在不同位置叠加得到；

而采用公式：

fout[istart:istart+fin_h,jstart:jstart+w]+＝k_mean×fin

k_mean＝1/(k_h×k_w)

istart＝i×stride_h(for i in(0,k_h))

jstart＝j×stride_w(for j in(0,k_w))

来计算池化层输出感受野，其中，池化层对fout的计算k_mean是一个固定的值，fin_h与fin_w表示输入感受野的宽度和高度。

4.根据权利要求2所述的卷积神经网络感受野量化的方法，其特征在于：在进行感受野进行量化时，Eltwise层将尺度大小的不同的输入进行叠加，通过设(B1,…,Bn)为eltwise层的所有输入，对应的(fin1,…,finn)为不同输入对应的感受野，T为eltwise层的输出，fout为输出T的感受野，采用公式：

fo ut[istart_h:istart_h+fin_h,istart_w:istart_w+w]+＝fin i∈(1,n)

istart_h＝(fout_h-fini_h)/2

istart_w＝(fout_w-fini_w)/2

对其量化进行计算。

5.卷积神经网络感受野量化的方法的应用，其特征在于：VGG、GoogleNet、ResNet中的一种或多种卷积神经网络感受野应用权利要求1或2任一所述的卷积神经网络感受野量化的方法进行量化计算。