[发明专利]基于多核处理器的多元深度网络模型重构方法及装置

权利要求书

1.一种基于多核处理器的多元深度网络模型重构方法，其特征在于，所述方法包括：

获取摄像头采集的视频流图像；

选择逻辑组合关系，依据所述逻辑组合关系确定深度网络模组中各个深度网络模型之间的级联关系以及相应的输出动作；

依据所述逻辑组合关系，加载相应的深度网络模型；

调用多核动态分配管理指令，计算加载的所述深度网络模型的复杂度，依据所述复杂度为每一深度网络模型分配相应的内存和预定数量的核处理器；

将采集的所述视频流图像输入对应的深度网络模型；

依据经级联的各个深度网络模型处理后得到的指定输出信息解析出所述视频流图像中的场景信息，并执行相应的输出动作；

所述逻辑组合关系至少包括以下一种：指定的各深度网络模型之间的级联关系、选定的视频流图像区域、指定的任务以及指定的深度网络模型。

2.如权利要求1所述的基于多核处理器的多元深度网络模型重构方法，其特征在于，所述视频流图像包括主码流视频图像和多个子码流视频图像，将所述主码流视频图像和多个子码流视频图像分别输入各自对应的深度网络模型。

3.如权利要求1所述的基于多核处理器的多元深度网络模型重构方法，其特征在于，所述调用多核动态分配管理指令，计算加载的所述深度网络模型的复杂度，依据所述复杂度为每一深度网络模型分配相应的内存和预定数量的核处理器进一步包括：

调用多核动态分配管理指令，依据所加载的深度网络模型的参数文件计算相应的深度网络模型的时间复杂度和空间复杂度；依据所述时间复杂度和所述空间复杂度，确定动态分配给所述相应的深度网络模型的内存空间以及核处理器数量。

4.如权利要求3所述的基于多核处理器的多元深度网络模型重构方法，其特征在于，所述空间复杂度的计算公式为：

所述时间复杂度的计算公式分为：

(1)先计算单个卷积层的时间复杂度公式如下：

Time～O(M²·K²·C_in·C_out)

(2)计算整个深度网络模型时间复杂度公式如下：

其中，M是输出特征图的尺寸，K为卷积核的尺寸，C_in是输入通道数，C_out是输出通道数，D是深度网络模型所具有的总卷积层数；l是深度网络模型第l个卷积层,C_l是深度网络模型第l个卷积层的输出通道数，也是所述卷积层的卷积核个数；C_l-1是第l个所述卷积层的输入通道数。

5.如权利要求3或4所述的基于多核处理器的多元深度网络模型重构方法，其特征在于，所述依据所述时间复杂度和所述空间复杂度，确定动态分配给所述相应的深度网络模型的内存空间以及核处理器数量进一步包括：

依据所述逻辑组合关系指定的N个深度网络模型，计算出每一个深度网络模型的空间复杂度为M_i(K)，为每一个深度网络模型分配相应的内存空间；计算出的每一个深度网络模型的时间复杂度为T_i(G)；设定所述多核处理器中每一个核处理器的计算能力为H(G)，G为衡量计算时间复杂度的单位，则所述深度网络模型所需要的核处理器总数为sum＝T_i(G)/H(G)，其中N为大于0的整数。