[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

说明书

本申请公开了一种应用于卷积神经网络的卷积处理方法，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。本发明解决了原有卷积神经网络中以卷积核为中心点做卷积操作时带来的性能损失，通过综合分析多个方向上的边窗卷积操作，提高了卷积操作获取数据更泛化特征的能力，以此提高了卷积神经网络的性能。相应的，本申请还公开了一种应用于卷积神经网络的卷积处理系统、装置及可读存储介质。

技术领域

本发明涉及深度学习领域，特别涉及一种应用于卷积神经网络的卷积处理方法、系统及相关组件。

背景技术

在深度学习中，卷积神经网络是一类比较重要的神经网络，其最大特点是卷积运算，常用于在训练过程中，通过卷积提取不同的特征，然后将所有这些特征有机组合起来做相应决策。

但是由于传统的卷积操作时选择了卷积核中心点作相应的乘加运算，当某个像素在边界上，将窗口中心放在像素上做卷积操作会模糊边缘，这样会降低特征的可分辨性，再加上卷积神经网络通常有很多层，每层有多个卷积核filter，层与层之间连接成有向无环图，这样的以中心位置的卷积会加剧可分辨性下降的情况，从而降低卷积神经网络的性能。

因此，如何提供一种解决上述技术问题的方案是目前本领域技术人员需要解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种应用于卷积神经网络的卷积处理方法、系统及相关组件，以便解决模糊边缘的技术问题。其具体方案如下：

一种应用于卷积神经网络的卷积处理方法，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。