[发明专利]基于卷积神经网络模型的图像数据分类方法及设备有效
| 申请号： | 201711191182.5 | 申请日： | 2017-11-24 |
| 公开（公告）号： | CN109840584B | 公开（公告）日： | 2023-04-18 |
| 发明（设计）人： | 李峰;左小祥;陈家君;李昊沅;曾维亿 | 申请（专利权）人： | 腾讯科技（深圳）有限公司 |
| 主分类号： | G06V10/764 | 分类号： | G06V10/764;G06V10/82;G06V10/80 |
| 代理公司： | 北京三高永信知识产权代理有限责任公司 11138 | 代理人： | 刘映东 |
| 地址： | 518057 广东省深圳*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明是关于一种基于卷积神经网络模型的图像数据分类方法及设备，涉及深度学习技术领域，该卷积神经网络模型包括：输入层、至少一层第一卷积层、特征融合层以及输出层，所述第一卷积层包括深度卷积子层以及逐点卷积子层，所述深度卷积子层包含m个通道组，每个所述通道组包含至少两个输入通道以及至少两个输出通道。通过第一卷积层，将对多个输入通道输入的数据特征划分为多个分组，每个分组中各个输入通道输入的特征数据可以被同组的输出通道共享，使得卷积过程中的数据特征提取更加全面，从而提高卷积神经网络模型的准确性。 | ||
| 搜索关键词： | 基于 卷积 神经网络 模型 图像 数据 分类 方法 设备 | ||
【主权项】：
1.一种卷积神经网络模型，其特征在于，所述卷积神经网络模型包括：输入层、至少一层第一巻积层、特征融合层以及输出层，所述第一巻积层包括深度巻积子层以及逐点卷积子层，所述深度巻积子层包含m个通道组，每个通道组包含至少两个输入通道以及至少两个输出通道，所述逐点巻积子层包含至少两个输出通道，m为大于或者等于2的整数；所述输入层，用于接收所述卷积神经网络模型的输入数据；所述至少一层第一巻积层，用于通过所述深度巻积子层以及所述逐点卷积子层对所述输入数据的数据特征逐层进行卷积计算，且每层第一巻积层在进行卷积计算时，所述深度巻积子层的每个通道组中的至少两个输出通道共享从所述通道组中的至少两个输入通道输入的数据特征，且所述逐点巻积子层中的至少两个输出通道共享从所述m个通道组中的各个输出通道分别输入的特征数据；所述特征融合层，用于对经过所述至少一层第一巻积层卷积处理后的数据特征进行特征融合；所述输出层，用于对特征融合后的数据特征进行数据分类或回归，并输出分类或回归结果。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于腾讯科技（深圳）有限公司，未经腾讯科技（深圳）有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201711191182.5/，转载请声明来源钻瓜专利网。
