[发明专利]用于目标识别的神经网络终端运行方法和装置

说明书

本发明公开了一种用于目标识别的神经网络终端运行方法和装置，其中，该方法包括：获取已经训练好的深度卷积神经网络模型；将深度卷积神经网络的模型参数存储进外部存储器DDR，其中，该模型参数包括全连接层参数和经过预处理的卷积层参数；将深度卷积神经网络的模型架构存储进系统级芯片FPGA，其中，模型架构中的卷积层分配入编程逻辑模块PL，模型架构中的池化层、全连接层和激活层分配入控制单元模块PS；采用深度卷积神经网络模型对目标图像进行处理，识别目标。本发明解决了相关技术中处理器无法满足目标识别中深度卷积神经网络运行要求的技术问题。

技术领域

本发明属于智能算法领域，涉及一种用于目标识别的神经网络终端运行方法和装置。

背景技术

红外成像在军用导引头中的应用广泛应用，其中，针对航弹在移动靠近打击过程中目标的识别很重要。目标由远到近的过程中目标成像的结构外形有很大的变化，因此采用传统的图像处理很难提取出固有的特征进行识别处理。采用深度卷积神经网络的方法进行自动目标识别，可以获得很高的识别率，但是由于参数量很大，模型参数存储是很大的问题，且在终端移植上也存在巨大挑战。

相关技术中，大多是通过将深度卷积神经网络模型经过剪枝，进行参数压缩以适应目前硬件的条件。但是该优化方法存有极限，且随着深度卷积神经网络发展，网络模型的深度和宽度将会变大，但是编程逻辑模块PL(Programmable Logic)的资源，如块随机存取存储器BRAM(block random access memory)、触发器FF(Flip Flop)等增加的速度却远远跟不上。因此在目标识别过程中，将深度卷积神经网络在PL中完全实现是不现实的。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明提供了一种用于目标识别的神经网络终端运行方法和装置，以至少解决相关技术中硬件处理器无法满足目标识别中深度卷积神经网络运行要求的技术问题。

本发明的技术解决方案是：一种用于目标识别的神经网络终端运行方法，包括：获取已经训练好的深度卷积神经网络模型；将所述深度卷积神经网络的模型参数存储进外部存储器DDR，其中，所述模型参数包括全连接层参数和经过预处理的卷积层参数；将所述深度卷积神经网络的模型架构存储进系统级芯片FPGA，其中，所述模型架构中的卷积层分配入编程逻辑模块PL，所述模型架构中的池化层、全连接层和激活层分配入控制单元模块PS；采用所述深度卷积神经网络模型对目标图像进行处理，识别所述目标。

可选的，采用所述深度卷积神经网络模型对所述目标图像进行处理，识别所述目标，包括：提取所述卷积层参数到所述PL，根据所述卷积层和所述目标图像，在所述PL中进行卷积层计算，得到所述目标图像的特征数据；提取全连接层参数到所述PS，根据所述池化层、所述全连接层、所述激活层和所述特征数据，在所述PS中进行计算，得到并输出所述目标的识别结果。

可选的，提取所述卷积层参数到所述PL，根据所述卷积层和所述目标图像，在所述PL中进行卷积层计算，得到所述目标图像的特征数据，包括：设计卷积层计算模块，所述卷积层计算模块用于进行卷积核计算，其中，所述卷积层有多个，所述目标图像每一个卷积层中有多个卷积核，所述卷积层计算模块有多个；根据所述PL，分配不同的卷积层计算模块进行并行计算；根据所述目标图像和多个卷积层计算模块，得到所述目标图像的特征数据。

可选的，设计卷积层计算模块，包括：采用二维快速傅里叶变换2DFFT对所述目标图像进行计算，获取所述目标图像的频域图像数据；将所述频域图像数据与所述卷积层参数进行复数乘法计算；采用二维快速傅里叶逆变换2DIFFT对复数乘法计算后的数据进行处理，并对处理后的结果进行实部提取，并输出。

可选的，采用2DFFT对所述目标图像进行计算，包括：针对原图图像IMG(x,y)，依次选取各行中数据做1DFFT处理：

针对上一步计算结果，依次选取各列中数据再做1DFFT处理: