[发明专利]基于神经网络的分类方法及其分类装置

说明书

本发明提供了一种基于神经网络的分类方法，包括：获得神经网络以及第一分类器；将输入数据输入至神经网络以产生特征图；裁切特征图以产生特征图的第一裁切部位及第二裁切部位；输入第一裁切部位至第一分类器以产生第一概率向量；输入第二裁切部位至第二分类器以产生第二概率向量，其中第一分类器的权重被分享给第二分类器；以及对第一概率向量及第二概率向量进行概率融合，从而产生用以决定输入数据的分类的估测概率向量。

技术领域

本发明是有关于一种分类方法及分类装置，尤其涉及一种基于神经网络的分类方法及其分类装置。

背景技术

在图像辨识领域中，深层神经网络(deep neural network，DNN)已经成为常见的方法。通过增加神经网络(neural network，NN)的深度，并使用庞大的标签数据(labeleddata)训练各层的权重参数，深层神经网络可以达到准确的分类功效。然而，制作标签数据需要耗费庞大的人力。为了增加标签数据的多样性，提出了多重裁切评测(multi-cropevaluation)技术。多重裁切评测技术可以将单一图像裁切(crop)成多个裁切部位(cropped part)，并将所述多个裁切部位分别输入对应的分类器中。

应用多重裁切评测技术的分类装置虽可达到较低的错误率，但也会造成运算量增加并且耗费更多的时间成本。因此，如何降低使用多重裁切神经网络需耗用的运算量与时间成本，是本领域人员致力的目标之一。

发明内容

本发明提供一种基于神经网络的分类装置，包括：储存媒体以及处理器。储存媒体记录多个模块。处理器耦接储存媒体。处理器存取及执行储存媒体的多个模块，所述多个模块包括：神经网络，根据输入数据产生特征图；裁切层，裁切特征图以产生特征图的第一裁切部位及第二裁切部位；第一分类器，根据第一裁切部位产生第一概率向量；第二分类器，根据第二裁切部位产生第二概率向量，其中第一分类器的权重被分享给所述第二分类器；以及融合层，并对第一概率向量及第二概率向量进行概率融合，从而产生用以决定输入数据的分类的估测概率向量。

本发明提供一种基于神经网络的分类方法，包括：获得神经网络以及第一分类器；将输入数据输入至神经网络以产生特征图；裁切特征图以产生特征图的第一裁切部位及第二裁切部位；输入第一裁切部位至第一分类器以产生第一概率向量；输入第二裁切部位至第二分类器以产生第二概率向量，其中第一分类器的权重被分享给第二分类器；以及对第一概率向量及第二概率向量进行概率融合，从而产生用以决定输入数据的分类的估测概率向量。

本发明提供一种基于神经网络的分类装置，适用于对物品的外观瑕疵进行分类，包括：自动光学检测设备以及服务器。自动光学检测设备取得晶圆的图像数据。服务器包括储存媒体及处理器。服务器耦接自动光学检测设备并且接收图像数据，其中储存媒体记录多个模块，且处理器耦接储存媒体，并且存取及执行储存媒体的多个模块，多个模块包括：神经网络，根据图像数据产生特征图；裁切层，裁切特征图以产生特征图的第一裁切部位及第二裁切部位；第一分类器，根据第一裁切部位产生第一概率向量；第二分类器，根据第二裁切部位产生第二概率向量，其中第一分类器的权重被分享给所述第二分类器；以及融合层，对第一概率向量及第二概率向量进行概率融合，从而产生用以决定所述图像数据的分类的估测概率向量。

为让本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合所附图式作详细说明如下。

附图说明

图1绘示一种基于多重裁切神经网络的分类装置的示意图；

图2绘示一种基于十二重裁切神经网络的分类装置的示意图；

图3绘示另一种基于十二重裁切神经网络的分类装置的示意图；

图4A根据本发明的实施例中绘示具有单一裁切架构的基于神经网络的分类装置的示意图；

图4B根据本发明的实施例中绘示分类装置的储存媒体的示意图；