[发明专利]基于集成学习的图像分类系统

说明书

一种基于集成学习的图像分类系统，包含多个基于细胞神经网络(CNN)的集成电路(IC)，所述多个基于细胞神经网络的集成电路操作联接在一起作为用于图像分类任务的一组基础学习器。每个基于CNN的IC配置有以过滤器系数形式的至少一个有区别的深度学习模型。基于集成学习的图像分类系统还包含：被配置为该集成的元学习器的控制器；以及用于保持由所述控制器和基于CNN的IC在该集成中使用的各种数据的基于存储器的数据缓冲器。各种数据可以包括待分类的输入图像数据。各种数据还可以包括来自所述一组基础学习器的经提取的特征向量或图像分类输出。然后，所述经提取的特征向量或图像分类输出被元学习器使用以进一步执行该图像分类任务。

技术领域

本专利文件大体上涉及机器学习领域。更具体地，本文件涉及基于集成学习的图像分类系统。

背景技术

细胞神经网络或细胞非线性网络(CNN)已经应用于许多不同的领域和问题，包括但不限于自1988年以来的图像处理。然而，大多数现有技术CNN方法或者基于软件解决方案(例如，卷积神经网络、递归神经网络等)，或者基于为其他目的(例如，图形处理、通用计算等)而设计的硬件。因此，CNN现有技术方法在计算速度方面太慢和/或太昂贵，因此对于处理大量图像数据是不切实际的。图像数据可以来自任何二维数据(例如，静止照片、图片、视频流的帧、语音数据的经转换的形式等)。

集成学习是一种机器学习范例，其中多个学习器被训练以解决相同的问题。与试图从经训练的数据中学习一个假设的普通机器学习方法相反，集成方法试图构造一组假设并将它们组合起来使用。集成包括若干基础学习器，其中每个学习器使用不同的假设。然后，元学习器用于组合从基础学习器获得的结果(例如，特征)。

发明内容

本部分的目的是总结本发明的一些方面并简要介绍一些优选实施方式。可以对本部分以及本文的摘要和标题进行简化或省略，以避免使本部分的目的模糊。这种简化或省略不旨在限制本发明的范围。

描述了基于集成学习的图像分类系统。在本公开的一个方面，基于集成学习的图像分类系统包含多个基于细胞神经网络(CNN)的集成电路(IC)，所述多个基于细胞神经网络的集成电路操作联接在一起作为用于图像分类任务的集成的一组基础学习器。每个基于CNN的IC配置有过滤器系数形式的至少一个有区别的深度学习模型。所述基于集成学习的图像分类系统还包含：控制器，所述控制器被配置为所述集成的元学习器；以及基于存储器的数据缓冲器，所述基于存储器的数据缓冲器用于保持由所述控制器和基于CNN的IC在所述集成中使用的各种数据。各种数据可以包括待分类的输入图像数据。所述各种数据还可以包括来自所述一组基础学习器的经提取的特征向量或图像分类输出。然后，所述经提取的特征向量或类别被所述元学习器使用以进一步执行图像分类任务。此外，所述各种数据可以包括分类标记，其直接从基础学习器馈送到元学习器。

在本公开的另一方面，基于集成学习的图像分类系统包含一组基于细胞神经网络(CNN)的集成电路(IC)，所述基于细胞神经网络的集成电路包括一个被配置为集成的元学习器的基于细胞神经网络的集成电路，而其余的基于细胞神经网络的集成电路操作联接在一起作为用于图像分类任务的一组基础学习器。每个基础学习器配置有至少一个有区别的深度学习模型。基于集成学习的图像分类系统还包含：用于管理数据流的控制器；以及用于保持待分类的输入图像的基于存储器的数据缓冲器。

通过结合随附附图检查下文对本发明实施方式的详细描述，本发明的目的、特征和优点将变得显而易见。

附图说明

参考以下描述、所附权利要求和随附附图将更好地理解本发明的这些和其他特征、方面和优点，附图如下所示：

图1A至图1B是示出根据本发明的一个实施方式的示例性集成电路的框图，所述集成电路被设计用于从输入图像数据中提取特征；

图2是显示根据本发明的一实施方式的示例性控制器的功能框图；所述控制器被配置成用于控制一个或多个CNN处理引擎的操作；