[发明专利]应用于卷积神经网络的卷积处理方法、系统及相关组件

权利要求书

1.一种应用于卷积神经网络的卷积处理方法，其特征在于，包括：

获取目标操作对象；所述目标操作对象具体为输入特征；

对所述目标操作对象进行边窗卷积计算，得到多个方向的计算结果；

对所述多个方向的计算结果进行交叉熵的最优化处理，得到所述目标操作对象的卷积结果。

2.根据权利要求1所述卷积处理方法，其特征在于，所述对所述目标操作对象进行边窗卷积计算，得到多个方向的计算结果的过程，具体包括：

确定四个计算边窗的方向分别为左上、右上、左下、右下；

分别利用四个所述计算边窗对所述目标操作对象进行边窗卷积计算，得到四个方向的计算结果。

3.根据权利要求2所述卷积处理方法，其特征在于，当所述目标操作对象为多个，所述分别利用所述计算边窗对所述目标操作对象进行边窗卷积计算，得到四个方向的计算结果的过程，具体包括：

利用左上方向的所述计算边窗对多个所述目标操作对象进行统一的边窗卷积计算，得到左上方向的多个计算结果；

利用右上方向的所述计算边窗对多个所述目标操作对象进行统一的边窗卷积计算，得到右上方向的多个计算结果；

利用左下方向的所述计算边窗对多个所述目标操作对象进行统一的边窗卷积计算，得到左下方向的多个计算结果；

利用右下方向的所述计算边窗对多个所述目标操作对象进行统一的边窗卷积计算，得到右下方向的多个计算结果。

4.根据权利要求1至3任一项所述卷积处理方法，其特征在于，所述对所述多个方向的计算结果进行交叉熵的最优化处理，得到所述目标操作对象的卷积结果的过程，具体包括：

对所述多个方向的计算结果进行交叉熵的最优化处理，将交叉熵值最小的计算结果确定为所述目标操作对象的卷积结果。

5.根据权利要求4所述卷积处理方法，其特征在于，所述目标操作对象具体为边界输入特征和/或纹理输入特征。

6.根据权利要求5所述卷积处理方法，其特征在于，当卷积核为多个时，所述卷积处理方法还包括：

对每个所述卷积核对应的卷积结果进行加权平均，得到所述目标操作对象的最终卷积结果。

7.一种应用于卷积神经网络的卷积处理系统，其特征在于，包括：

获取模块，用于获取目标操作对象；所述目标操作对象具体为输入特征；

计算模块，用于对所述目标操作对象进行边窗卷积计算，得到多个方向的计算结果；

结果确定模块，用于对所述多个方向的计算结果进行交叉熵的最优化处理，得到所述目标操作对象的卷积结果。

8.根据权利要求7所述卷积处理系统，其特征在于，所述计算模块具体用于：

确定四个计算边窗的方向分别为左上、右上、左下、右下；

分别利用四个所述计算边窗对所述目标操作对象进行边窗卷积计算，得到四个方向的计算结果。

9.一种应用于卷积神经网络的卷积处理装置，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述应用于卷积神经网络的卷积处理方法的步骤。

10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述应用于卷积神经网络的卷积处理方法的步骤。