[发明专利]卷积神经网络处理方法、装置、设备、存储介质及模型

说明书

本发明适用于计算机技术领域，提供了一种卷积神经网络处理方法、装置、设备、存储介质及模型，所述卷积神经网络处理方法包括：获取待处理图像；基于预设的优化深度可分卷积神经网络模型对所述待处理图像进行处理，生成所述待处理图像的特征输出；所述优化深度可分卷积神经网络模型包含若干层卷积层，且每一层所述卷积层包括预设比例的特征提取卷积核和降参卷积核；特征提取卷积核的大小大于所述降参卷积核的大小；每一层所述卷积层包括的特征提取卷积核和降参卷积核的排序不同。本发明提供的卷积神经网络处理方法在能够保证图像特征提取鲁棒性的同时，能够进一步降低图像处理过程以及模型训练过程中的运算量，减少模型参数，降低模型内存占用。

技术领域

本发明属于计算机技术领域，尤其涉及一种卷积神经网络处理方法、装置、设备、存储介质及模型。

背景技术

深度卷积神经网络作为特征提取器以及分类器已被广泛应用于许多领域并获得显著成功。

然而研究表明，深度卷积神经网络通常具有成千上万的参数，而存储这些参数会占用设备的大部分存储和内存带宽。即使是对于不同的输入信道分别采用卷积核来进行卷积的深度可分卷积神经网络，也仅仅只是略微减少了模型参数，但仍需要大量的存储和内存带宽来进行处理。这也大大限制了深度卷积神经网络在如车载终端这样的内存有限的设备上的应用。

可见，现有的深度卷积神经网络处理算法仍然存在着模型参数多，占用内存大的技术问题。

发明内容

本发明实施例的目的在于提供一种卷积神经网络处理方法，旨在解决现有的深度卷积神经网络处理算法仍然存在的模型参数多，占用内存大的技术问题。

本发明实施例是这样实现的，一种卷积神经网络处理方法，包括：

获取待处理图像；

基于预设的优化深度可分卷积神经网络模型对所述待处理图像进行处理，生成所述待处理图像的特征输出；

其中，所述预设的优化深度可分卷积神经网络模型包含若干层卷积层，且每一层所述卷积层包括预设比例的特征提取卷积核和降参卷积核；所述特征提取卷积核的大小大于所述降参卷积核的大小；每一层所述卷积层包括的特征提取卷积核和降参卷积核的排序不同。

本发明实施例的另一目的在于提供一种卷积神经网络处理装置，包括：

图像获取单元，用于获取待处理图像；

处理单元，用于基于预设的优化深度可分卷积神经网络模型对所述图像进行处理，生成所述待处理图像的特征输出；

其中，所述预设的优化深度可分卷积神经网络模型包含若干层卷积层，且每一层所述卷积层包括预设比例的特征提取卷积核和降参卷积核；所述特征提取卷积核的大小大于所述降参卷积核的大小；每一层所述卷积层包括的特征提取卷积核和降参卷积核的排序不同。

本发明实施例的另一目的在于提供一种设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述所述的步骤。

本发明实施例的另一目的在于提供一种可读存储介质，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，使得所述处理器执行如上述所述的步骤。

本发明实施例的另一目的在于提供一种卷积神经网络模型，运行于移动设备端，用于对图像进行特征提取处理，包括若干层卷积层，且每一层所述卷积层包括预设比例的特征提取卷积核和降参卷积核；所述特征提取卷积核的大小大于所述降参卷积核的大小；每一层所述卷积层包括的特征提取卷积核和降参卷积核的排序不同。