[發(fā)明專利]高效的深度卷積實現(xiàn)方法及包括該方法的視覺處理方法

有效

• 申請?zhí)枺?/td>: 201810564402.2
• 申請日: 2018-06-04
• 公開（公告）號: CN110555793B
• 公開（公告）日: 2023-03-14
• 發(fā)明（設計）人: 盛文娟;姚寒星
• 申請（專利權）人: 北京亮亮視野科技有限公司
• 主分類號: G06T1/20
• 分類號: G06T1/20;G06T1/60
• 代理公司: 北京華夏正合知識產(chǎn)權代理事務所(普通合伙) 11017
• 代理人: 韓登營;張煥亮

本發(fā)明提供了一種高效的深度卷積實現(xiàn)方法及包括該方法的視覺處理方法，包括步驟：A、基于卷積輸入數(shù)據(jù)的尺寸對超長指令字矢量處理器的通道數(shù)進行劃分，確定出每次拷貝到CMX存儲單元的最大通道數(shù)；B、利用最大通道數(shù)，分別將所述卷積輸入數(shù)據(jù)和所述卷積核數(shù)據(jù)由雙倍速率同步動態(tài)隨機存儲器拷貝至所述CMX存儲單元；C、將所述卷積輸入數(shù)據(jù)和卷積核數(shù)據(jù)指針轉換為half8*類型，進行卷積計算，計算結果作為卷積輸出數(shù)據(jù)；D、將卷積輸出數(shù)據(jù)拷貝回所述雙倍速率同步動態(tài)隨機存儲器。由上，利用CMX存儲單元所具有的half8*類型特點，采用8路并行提高深度卷積效率，大大減少了深度卷積在Myriad 2上的計算時間，提升了視覺算法效率。

技術領域

本發(fā)明涉及計算機視覺處理技術領域，特別是一種高效的深度卷積實現(xiàn)方法及包括該方法的視覺處理方法。

背景技術

計算機視覺是一種用機器代替人眼，對目標進行檢測、定位、追蹤、識別等任務的機器視覺技術。當前，卷積神經(jīng)網(wǎng)絡(CNN，Convolutional Neural Network)是計算機視覺領域廣泛使用的技術，在很多視覺任務上取得了良好的效果。

CNN由層級狀網(wǎng)絡結構構成，擅長處理圖像特別是大圖像的相關機器學習問題。層級主要分為數(shù)據(jù)輸入層、卷積計算層、激活層、池化層、全連接層等。其中，卷積計算層是CNN中最重要的一個層級，主要進行特征提取工作，是后續(xù)特征檢測的基礎。通常，在設計CNN網(wǎng)絡結構時，首層為數(shù)據(jù)輸入層，接收圖像數(shù)據(jù)；后面依次包括卷積層、激活層和池化層共同用于提取特征映射(Feature Map)，且隨著網(wǎng)絡的加深，提取的特征映射語義信息不斷加強；最后，通常會使用全連接層將提取到的特征映射用于分類或回歸任務。在CNN訓練階段，將訓練集圖像數(shù)據(jù)輸入到CNN模型中學習卷積層中的卷積核參數(shù)和偏置值，經(jīng)過訓練的模型收斂后可應用于實際視覺任務。當輸入一張圖片到CNN模型中，模型會以一定的準確率輸出相應的視覺任務結果。卷積層對CNN模型的重要性在于，可以通過大量數(shù)據(jù)的訓練，學習出提取圖像數(shù)據(jù)特征信息的卷積參數(shù)，而模型特征提取的越好，后續(xù)的特征檢測結果越準確。

隨著網(wǎng)絡模型研究的深入，越來越多類型的卷積操作被提出，主要有標準卷積、深度卷積(Depth-wise Convolution)、分組卷積(Group Convolution)、空洞卷積(DilatedConvolution)、轉置卷積(Transposed Convolution)等。其中，深度卷積相當于對標準卷積的優(yōu)化，主要起到減少參數(shù)量的作用，在該卷積被提出后就廣泛應用于CNN模型中，并且計算時間在整個模型中占比較大，僅次于標準卷積。