[发明专利]利用神经网络处理的方法和装置

说明书

提供了一种利用神经网络处理的方法和装置。该方法包括：基于计算神经网络的第一层中的通道的第一输出特征图中的像素值的区域和来针对第一层中的每个通道生成积分图；通过对针对各个通道生成的积分图执行累加运算来生成累加积分图；通过在第一层之后的第二层的输入特征图与权重核之间执行卷积运算，来获得第二层的预输出特征图；以及通过从预输出特征图的像素值中减去累加积分图的累加值来去除权重核中的偏移，以获得第二层的第二输出特征图。

相关申请的交叉引用

本申请基于要求于2019年12月16日在韩国知识产权局递交的韩国专利申请No.10-2019-0168142的权益，其全部公开内容通过引用被并入本文中以用于所有目的。

技术领域

以下描述涉及利用神经网络处理的方法和装置。

背景技术

神经网络是基于计算架构的计算系统。神经网络技术可以分析输入数据并从中提取有效信息。

神经网络设备通常需要对复杂的输入数据进行大量计算。为了使典型的神经网络设备处理大量计算，通常必须执行从存储器读取大量数据或向存储器写入大量数据的操作以便进行计算，因此由于频繁的存储器访问可能会消耗大量能源。低功率和高性能系统如移动设备或物联网(IoT)设备通常具有有限的资源，因此通常需要减少处理大量数据所需能耗的技术。

发明内容

提供本发明内容以便以简化的形式介绍一些构思，下面会在具体实施方式中进一步描述这些构思。本发明内容并非意在标识所请求保护的主题的关键特征或基本特征，也并非意在帮助确定所请求保护的主题的范围。

在一个总体方面，一种处理神经网络的方法包括：基于计算神经网络的第一层中的通道的第一输出特征图中的像素值的区域和，来针对第一层中的每个通道生成积分图；通过对针对各通道生成的积分图执行累加运算来生成累加积分图；通过在第一层之后的第二层的输入特征图与权重核之间执行卷积运算，来获得第二层的预输出特征图；以及通过从预输出特征图的像素值中减去累加积分图的累加值来去除权重核中的偏移，以获得第二层的第二输出特征图。

该方法还可以包括执行对第二输出特征图的识别。

权重核可以包括通过神经网络的非对称量化而获得的权重。

积分图可以包括通过以下操作而获得的数据：将通过对从第一输出特征图的参考像素到第一输出特征图的第一输出像素的区域中包括的像素值求和而得到的值设置为积分图中与第一输出像素相对应的像素的值。

参考像素可以被设置为第一输出特征图的四个角像素之一。

可以通过对针对各通道生成的积分图执行逐像素的累加运算来生成累加积分图。

从第一层生成的累加积分图可以对应于关于以下项的数据：通过神经网络的非对称量化而生成的第二层的权重核的偏移。

获得第二输出特征图可以包括：确定映射到权重核的输入特征图的边界框，以获得第二层的预输出特征图的预输出像素；获得被设置为与边界框的四个角像素相对应的累加积分图的像素的像素值；基于所获得的像素值来计算预输出像素的像素值中的偏移；通过从预输出像素的像素值中减去所计算出的偏移来获得第二输出特征图的第二输出像素。

边界框的四个角像素可以包括边界框的右上像素、左上像素、右下像素和左下像素。获得被设置为累加积分图的像素的像素值可以包括：从累加积分图获得与右上像素相对应的第一积分图像素的像素值、与左上像素相对应的第二积分图像素的像素值、与右下像素相对应的第三积分图像素的像素值、以及与左下像素相对应的第四积分图像素的像素值。

在用于生成累加积分图的参考像素是第一输出特征图的左下像素时，计算偏移可以包括：通过从第一积分图像素的像素值与第四积分图像素的像素值之和中减去第二积分图像素的像素值及第三积分图像素的像素值，来计算预输出像素的像素值中的偏移。