[发明专利]一种基于脉动阵列的图像识别方法、装置和介质

说明书

本发明实施例公开了一种基于脉动阵列的图像识别方法、装置和介质，将获取的图像特征信息转换为一维特征向量；将获取的权重矩阵转换为一维权重向量，并对训练好的三维脉动阵列模型中每个节点分配对应的权重组。利用三维脉动阵列模型，对一维特征向量并行进行特征向量与权重值的乘累加，以得到每个节点对应的特征值。不同取值的特征值可以反映图像中包含的物品类别，依据每个节点对应的特征值以及预先建立的特征值与物品种类的对应关系，确定出图像中包含的物品类别。将待计算的图像特征信息与权重值经过一维转化之后，采用脉动阵列模型进行加速计算的架构对一维特征向量进行计算，充分扩展了向量计算的并行度，有效的提升了图像的分类处理效率。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种基于脉动阵列的图像识别方法、装置和计算机可读存储介质。

背景技术

目前深度学习方面的研究主要以卷积神经网络(Convolutional NeuralNetwork，CNN)为研究对象。而由于处理场景的不同，对CNN的性能要求也不相同，从而发展出多种网络结构。但是CNN的基本组成是固定的，分别为输入层、卷积层、激活层、池化层和全连接层。

全连接层(fully connected layers，FC)在整个卷积神经网络中起到“分类器”的作用。卷积层、池化层和激活层等操作是将原始数据映射到隐藏层特征空间，而全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。在实际使用中，全连接层可由卷积操作实现。在CNN中，全连接常出现在最后几层，用于对前面设计的特征做加权和，前面的卷积和池化相当于做特征处理，后面的全连接相当于做特征加权。

目前对于全连接层计算的方法主要有两种，一是将全连接层按照卷积核尺寸为1*1的卷积来进行计算，但是需要非常快速地更换卷积核即权重值的数据，造成数据传输的带宽压力很大。二是采用特征值与权重值对应元素全部或局部并行计算的方法，由于是并行计算，需要额外的中间结果处理环节，因此不能连续计算，降低了硬件资源的使用效率，影响了图像的分类处理效率。

可见，如何提升图像的分类处理效率，是本领域技术人员需要解决的问题。

发明内容

本发明实施例的目的是提供一种基于脉动阵列的图像识别方法、装置和计算机可读存储介质，可以提升图像的分类处理效率。

为解决上述技术问题，本发明实施例提供一种基于脉动阵列的图像识别方法，包括：

将获取的图像特征信息转换为一维特征向量；

将获取的权重矩阵转换为一维权重向量，并对训练好的三维脉动阵列模型中每个节点分配对应的权重组；

利用所述三维脉动阵列模型，对所述一维特征向量并行进行特征向量与权重值的乘累加，以得到每个节点对应的特征值；

依据每个节点对应的特征值以及预先建立的特征值与物品种类的对应关系，确定出图像中包含的物品类别。

可选地，所述利用所述三维脉动阵列模型，对所述一维特征向量并行进行特征向量与权重值的乘累加，以得到每个节点对应的特征值包括：

将所述一维特征向量与所述三维脉动阵列模型中的第一节点的当前特征值进行乘累加，并将得到的乘累加值作为所述第一节点的特征值；

按照所述三维脉动阵列模型的节点传输方向，将所述一维特征向量分别传输至与所述第一节点直接相连的至少三个第二节点；

将所述一维特征向量分别与各所述第二节点的当前特征值进行乘累加，将得到的乘累加值作为各所述第二节点各自对应的特征值；将各所述第二节点作为所述第一节点，并返回所述将所述一维特征向量与所述三维脉动阵列模型中的第一节点的当前特征值进行乘累加，并将得到的乘累加值作为所述第一节点的特征值的步骤，直至完成对所述三维脉动阵列模型中所有节点的特征值的计算。