[发明专利]在CNN中从多个模块内的输入图像提取特征的方法及装置

说明书

本发明提供一种在CNN中利用第1至第n模块而从输入图像提取特征的方法，其特征在于，包括：学习装置使第k模块的第1卷积层，将第1_1特征图至第k_1特征图或由其经既定运算的各个特征图逐要素合算，使第k模块的第2卷积层生成第k_2特征图的步骤；使池化层，在从第n模块输出的第n_2特征图或由其经既定运算的特征图上对ROI区域进行池化，将生成的池化特征图输入到特征分类器的步骤；使损失层参照特征分类器的输出值和与其对应的GT而算出损失的步骤，该方法可以优化硬件，提高CNN处理量，本发明的学习方法及测试方法可以适当地就用于小型网络、移动装置等，能够满足关键绩效指标。

技术领域

本发明涉及一种在CNN(Convolutional Neural Network，卷积神经网络)中利用多个模块内的卷积层从输入图像提取特征的学习方法、学习装置、以及利用其的测试方法及测试装置，其能够实现满足关键绩效指标(Key Performance Index，KPI)的硬件优化。

背景技术

深层卷积神经网络(Deep Convolutional Neural Network，Deep CNN)是在深度学习领域发生的惊人发展的核心。为了解决文字识别问题，CNN早在90年代就已经被使用了，而像现在如此广泛应用，得益于最近的研究成果。这样的深度CNN在2012年ImageNet图像分类大赛中战胜其他竞争者而赢得了冠军。之后，卷积神经网络成为了机器学习(Machine Learning)领域中非常有用的工具。

这种CNN可以包括：特征提取器，所述特征提取器从图像提取特征(Feature)；特征分类器，所述特征分类器参照特征提取器提取的特征，识别图像或检测图像内的客体。

在以往CNN中，为了从图像提取特征，可以使用包括卷积层的多个卷积模块。例如，各个模块使用3x3大小的过滤器卷积核，针对图像或与之对应的特征图，应用3x3卷积运算，从图像提取特征。

但是，根据以往CNN的卷积运算，如果将输入图像的大小设为(X、Y)、将输入图像的通道数设为Z，将过滤器卷积核的大小设为(M、M)，将过滤器数设为L，则运算量为XYZM²L，参数的个数为L(ZM²+1)个，由于诸如通道数、过滤器数、卷积核大小等的众多要素，存在运算量与参数的数个增加的缺点。由于这种运算量的增加，为了防止计算性能低下，可以使用比输入图像的尺寸缩小的，即二次采样的特征图。但是，由于这种二次采样，特征图的尺寸缩小，因而存在图像识别或客体检测所需的特征提取性能低下的问题。

因此，本发明人旨在提出一种在减小运算量的同时准确地提取特征的方法。

发明内容

本发明的目的在于全部解决上述问题。

本发明另一目的是减小在CNN中提取特征所需的运算量。

本发明又一目的是减小运算量并提高特征提取性能。

本发明的目的是通过以下技术方案实现的：