[發明專利]基于卷積神經網絡模型的圖像數據分類方法及設備

有效

• 申請號: 201711191182.5
• 申請日: 2017-11-24
• 公開（公告）號: CN109840584B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 李峰;左小祥;陳家君;李昊沅;曾維億
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06V10/80
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 劉映東

本發明是關于一種基于卷積神經網絡模型的圖像數據分類方法及設備，涉及深度學習技術領域，該卷積神經網絡模型包括：輸入層、至少一層第一卷積層、特征融合層以及輸出層，所述第一卷積層包括深度卷積子層以及逐點卷積子層，所述深度卷積子層包含m個通道組，每個所述通道組包含至少兩個輸入通道以及至少兩個輸出通道。通過第一卷積層，將對多個輸入通道輸入的數據特征劃分為多個分組，每個分組中各個輸入通道輸入的特征數據可以被同組的輸出通道共享，使得卷積過程中的數據特征提取更加全面，從而提高卷積神經網絡模型的準確性。

技術領域

本發明涉及深度學習技術領域，特別涉及一種卷積神經網絡模型、數據處理方法及裝置。

背景技術

近年來，卷積神經網絡(Convolutional?Neural?Network，CNN)取得了快速發展，并在圖像識別等領域取得了顯著成績。

在相關技術中，為了降低卷積神經網絡的復雜度，提高計算效率，可以將卷積神經網絡中的卷積層劃分為卷積核大小為h×w的深度卷積子層和卷積核大小為1×1的逐點卷積子層，其中，圖1示出了該卷積層的結構示意圖。

如圖1所示，深度卷積子層中包含若干組一一對應的輸入通道和輸出通道，該深度卷積子層中的輸出通道同時作為逐點卷積子層的輸入通道，深度卷積子層中的每個輸出通道對應一個h×w的卷積核，逐點卷積子層中包含若干組輸出通道，且逐點卷積子層中的每個輸出通道對應一個1×1的卷積核。在進行卷積計算時，深度卷積子層中的一個h×w的卷積核只需要與一個輸入通道中輸入的特征數據進行卷積計算并經由對應的輸出通道輸出，隨后通過大小為1×1的卷積核將深度卷積子層中的各個輸出通道輸出的特征數據進行融合。上述卷積層將尺寸較大的h×w卷積核與單個輸入通道中輸入的特征數據進行卷積，并通過尺寸較小的1×1卷積核將深度卷積子層的各個輸出通道輸出的卷積結果進行融合，以降低卷積層的計算量。

然而，在上述的卷積層中，深度卷積子層的一個輸出通道只受到一個輸入通道中的特征數據的影響，導致卷積過程中的數據特征的提取不夠全面，影響卷積神經網絡的準確性。

發明內容

本發明實施例提供了一種卷積神經網絡模型、數據處理方法及裝置，可以解決相關技術中深度卷積子層的一個輸出通道只受到一個輸入通道中的特征數據的影響，導致卷積過程中的數據特征的提取不夠全面，影響卷積神經網絡的準確性的問題，技術方案如下：

一方面，提供了一種卷積神經網絡模型，所述卷積神經網絡模型包括：輸入層、至少一層第一卷積層、特征融合層以及輸出層，所述第一卷積層包括深度卷積子層以及逐點卷積子層，所述深度卷積子層包含m個通道組，每個所述通道組包含至少兩個輸入通道以及至少兩個輸出通道，所述逐點卷積子層包含至少兩個輸出通道，m為大于或者等于2的整數；

所述輸入層，用于接收所述卷積神經網絡模型的輸入數據；

所述至少一層第一卷積層，用于通過所述深度卷積子層以及所述逐點卷積子層對所述輸入數據的特征數據逐層進行卷積計算，且每層所述第一卷積層在進行卷積計算時，所述深度卷積子層的每個所述通道組中的至少兩個輸出通道共享從所述通道組中的至少兩個輸入通道輸入的特征數據，且所述逐點卷積子層中的至少兩個輸出通道共享從所述m個通道組中的各個輸出通道分別輸入的特征數據；

所述特征融合層，用于對經過所述至少一層第一卷積層卷積處理后的特征數據進行特征融合；

所述輸出層，用于對特征融合后的特征數據進行數據分類或回歸，并輸出分類或回歸結果。

另一方面，提供一種基于卷積神經網絡模型的數據處理方法，所述卷積神經網絡模型包括輸入層、至少一層第一卷積層、特征融合層以及輸出層，所述第一卷積層包括深度卷積子層以及逐點卷積子層，所述深度卷積子層包含m個通道組，每個所述通道組包含至少兩個輸入通道以及至少兩個輸出通道，所述逐點卷積子層包含至少兩個輸出通道，m為大于或者等于2的整數；所述方法包括：