[發明專利]圖像識別處理方法和裝置

在審

• 申請號: 201811010062.5
• 申請日: 2018-08-31
• 公開（公告）號: CN110874632A
• 公開（公告）日: 2020-03-10
• 發明（設計）人: 劉敏麗;張楠賡
• 申請（專利權）人: 北京嘉楠捷思信息技術有限公司
• 主分類號: G06N3/063
• 分類號: G06N3/063;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京市中倫律師事務所 11410
• 代理人: 楊黎峰;鐘錦舜

本發明提供一種圖像識別處理方法和裝置。該方法包括：從數據傳輸總線獲取原始圖像數據、卷積神經網絡配置參數和卷積神經網絡運算參數，原始圖像數據包括M個像素點數據，M為正整數；由卷積神經網絡運算模塊根據卷積神經網絡配置參數和卷積神經網絡運算參數對所述原始圖像數據進行卷積神經網絡運算，其中，卷積神經網絡運算模塊包括依次連接的卷積運算單元、批處理運算單元和激活運算單元。本發明實施例還提供對應的裝置，本發明實施例提供的技術方案提升了圖像識別處理的實時性。

技術領域

本發明屬于數據處理領域，具體涉及一種圖像識別處理方法和裝置。

背景技術

卷積神經網絡(Convolutional Neural Network，簡稱CNN)最早由Yann Lecun提出，并且應用于手寫數字識別并一直保持了其在該領域的霸主地位。近年來卷積神經網絡在多個方向持續發力，在語音識別、人臉識別、通用物體識別、運動分析、自然語言處理甚至腦電波分析方面均有突破。CNN可以被擴大規模并且被配置成支持對學習處理的數據集添加標簽。在這些條件下，已經發現CNN在學習復雜并且魯棒的圖像特征方面是成功的。

CNN是一種前饋人工神經網絡，其中各個單獨的神經元以使得其對視場中的重疊區段作出響應的方式被拼貼。CNN是受到生物的視神經行為的啟發。CNN利用多層神經元連接處理圖像數據，從而在圖像識別中實現高準確度。

單一處理器在計算能力方面受到限制，因此，需要對其他計算配置進行探索以便滿足支持CNN的需求。在各個探索領域當中，對于以圖形處理單元(GPU)、多核處理器、現場可編程門陣列(FPGA)和專用集成電路(ASIC)上的通用計算的形式，利用硬件專門化的CNN加速器進行實現。需要說明的是，因為軟件無法滿足圖像數據處理速度方面的需求，所以在圖像數據處理領域，CNN加速器是通過硬件來實現的。

現有技術中在進行圖像識別處理時，其中的CNN運算需要大量的運算參數和配置參數，且不同層的CNN運算所需要的參數也有所不同，如何靈活進行參數配置是一個需要解決的問題。

而且，現有技術中在進行圖像識別處理時，其中的CNN運算需要對原始圖像數據進行多層卷積神經網絡運算，而其中的運算過程中所需要的參數數量巨大，導致圖像識別處理過程中參數獲取的實時性較差，因此，如何實時獲取大量參數是需要解決的問題

發明內容

針對現有技術的圖像識別處理過程中參數獲取實時性差的問題，本發明提供了一種圖像識別處理方法和裝置，實現圖像識別處理過程中根據實際需求實時提供卷積神經網絡配置參數和運算參數。

為了達到上述目的，本發明的技術方案是這樣實現的：

第一方面，本發明實施例提供了一種圖像識別處理方法，包括：

從數據傳輸總線獲取原始圖像數據、卷積神經網絡配置參數和卷積神經網絡運算參數，原始圖像數據包括M個像素點數據，M為正整數；

由卷積神經網絡運算模塊根據卷積神經網絡配置參數和卷積神經網絡運算參數對原始圖像數據進行卷積神經網絡運算，所述卷積神經網絡運算模塊包括依次連接的卷積運算單元、批處理運算單元和激活運算單元。

可選的，從數據傳輸總線獲取原始圖像數據、卷積神經網絡配置參數和卷積神經網絡運算參數包括：

從先進可擴展接口AXI總線獲取原始圖像數據、卷積神經網絡配置參數和卷積神經網絡運算參數。

可選的，獲取原始圖像數據包括通過第一接口從數據傳輸總線被動獲取中央處理器發送的原始圖像數據，并將原始圖像數據寫入到第一存儲單元中；

獲取卷積神經網絡配置參數包括通過第一接口被動獲取中央處理器發送的參數配置指令，并將參數配置指令發送給參數分發模塊，參數配置指令包括卷積神經網絡配置參數；