[發明專利]一種基于卷積神經網絡的毫米波圖像目標識別方法

在審

• 申請號: 201910049827.4
• 申請日: 2019-01-18
• 公開（公告）號: CN109993200A
• 公開（公告）日: 2019-07-09
• 發明（設計）人: 王璐;程秋菊;陳國平;易文博
• 申請（專利權）人: 重慶美澳科技發展有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 重慶百潤洪知識產權代理有限公司 50219
• 代理人: 劉立春

一種基于卷積神經網絡的毫米波圖像目標識別方法，用于加速卷積神經網絡處理的邏輯，所述處理器包括：第一邏輯，所述第一邏輯用于對圖像應用卷積層以生成第一卷積結果；以及第二邏輯，所述第二邏輯用于對所述第一卷積結果應用查找卷積層以生成第二卷積結果，所述第二卷積結果與所述第一卷積結果在全局過濾內核內的位置相關聯，還包括特征提取層、部位檢測層、形變處理層、遮擋處理層和分類器。

技術領域

本發明是一種目標識別方法，具體是一種基于卷積神經網絡的毫米波圖像目 標識別方法。

背景技術

積神經網絡中卷積層間的連接被稱為稀疏連接(sparse connection)，即相比 于前饋神經網絡中的全連接，卷積層中的神經元僅與其相鄰層的部分，而非全部 神經元相連。具體地，卷積神經網絡隱含層特征圖Z^l中的任意一個像素(神經 元)都僅是Z^l-1中卷積核所定義的感受野內的像素的線性組合。卷積神經網絡 的稀疏連接具有正則化的效果，提高了網絡結構的穩定性和泛化能力，避免過度 擬合，同時，稀疏連接減少了權重參數的總量，有利于神經網絡的快速學習，和 在計算時減少內存開銷。

卷積神經網絡中特征圖同一通道內的所有像素共享一組卷積核權重系數，該 性質被稱為權重共享(weight sharing)。權重共享將卷積神經網絡和其它包含局 部連接結構的神經網絡相區分，后者雖然使用了稀疏連接，但不同連接的權重是 不同的。權重共享和稀疏連接一樣，減少了卷積神經網絡的參數總量，并具有 正則化的效果。

在全連接網絡視角下，卷積神經網絡的稀疏連接和權重共享可以被視為兩個 無限強的先驗(pirior)，即一個隱含層神經元在其感受野之外的所有權重系數恒 為0(但感受野可以在空間移動)；且在一個通道內，所有神經元的權重系數相 同。

發明內容

本發明的目的是：提供一種權重系數相同，減少了參數總量的基于卷積神經 網絡的毫米波圖像目標識別方法。

為實現上述技術目的，本發明采用的技術方案如下：一種基于卷積神經網絡 的毫米波圖像目標識別方法，用于加速卷積神經網絡處理的邏輯，所述處理器包 括：第一邏輯，所述第一邏輯用于對圖像應用卷積層以生成第一卷積結果；以及 第二邏輯，所述第二邏輯用于對所述第一卷積結果應用查找卷積層以生成第二卷 積結果，所述第二卷積結果與所述第一卷積結果在全局過濾內核內的位置相關聯， 還包括特征提取層、部位檢測層、形變處理層、遮擋處理層和分類器，其特征在 于包括以下步驟

步驟一，預定數量的存儲陣列，用于存儲一層卷積神經網絡的輸入數據陣列， 其中所述預定數量大于等于卷積神經網絡的內核尺寸；而且其中，輸入數據陣列 的每一行依次存在一個存儲陣列的各行內；

步驟二，針對第一層卷積神經網絡，接受輸入進行神經元計算，將每個神經 元的輸出暫時保持在計算單元內；利用細胞陣列中的細胞陣列網狀通信網絡把這 一層神經元的輸出轉送到預定臨近區域中的需要該輸出的計算單元內；

步驟三，將卷積層運算轉換為m行K列的矩陣A、K行n列的矩陣B的矩陣 乘；將矩陣結果C分為m行n列個矩陣子塊；啟動矩陣乘法器預取矩陣子塊的操 作數；

步驟四，對多個輸入數據進行加法運算以輸出累加數據；對累加數據進行位 元移位運算以輸出移位數據；以及對移位數據進行加權運算以輸出加權數據，其 中加權運算的因子依據輸入數據的數量、位元移位運算中向右移位的位元數量以 及卷積神經網絡的后續層的縮放權值而定。

具體實施方式

下面對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅 是本發明的一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技 術人員在沒有做出創造性勞動前提下所獲得的所有其它實施例，都屬于本發明保護的范 圍。