[發明專利]一種面向內存計算和室內是否有人的神經網絡設計方法

有效

• 申請號: 201910584312.4
• 申請日: 2019-07-01
• 公開（公告）號: CN110363287B
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 楊晨;陳琦;張靖宇;張景越;徐建龍
• 申請（專利權）人: 西安交通大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/063;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 李紅霖

本發明公開了一種面向內存計算和室內是否有人的神經網絡設計方法，設計超輕量級神經網絡模型，即UL?CNN模型；將UL?CNN模型根據基于內存計算架構的芯片對高電平不敏感以及內存限制在2K*2K范圍內的規則，使用定點化處理調整卷積運算和全連接矩陣運算方法，從而使UL?CNN模型應用在基于內存計算架構的Conv?Flash芯片上進行推理，最終進行室內是否有人檢測。本發明在解決室內有人無人問題時，與其他主流CNN相比參數量和計算量減少，計算時間更短，但是準確率基本不變。

技術領域

本發明屬于卷積神經網絡設計領域，具體涉及一種面向內存計算和室內是否有人的神經網絡設計方法。

背景技術

卷積神經網絡(Convolutional Neural Networks,CNN)是一類包含卷積計算且具有深度結構的前饋神經網絡，它具有表征學習能力，能夠按其階層結構對輸入信息進行分類。目前針對室內人類檢測問題主要使用HOG(Histogram of Oriented Gradient,HOG)算法進行檢測。和基于HOG算法進行對比，基于CNN的室內是否有人檢測算法具有計算量更小，實時性更高，環境對其影響更加小，在圖像處理方面表現更加良好等優點。目前主流CNN模型發展趨勢是具有更深的層次以及更高的參數量，主要運用在CPU，GPU等算力更大同時功耗更大的計算架構中。和這些計算架構相比較，基于閃存的內存計算架構(Computer inMemory，CIM)的Conv-Flash芯片更適合進行卷積和全連接計算，它具有節省很多片上存儲，降低內存訪問次數，擁有更小功耗的優點。

未來的人工智能芯片在圖像處理方面，尤其是智能安防領域，在室內檢測有人無人場景中，往往智能芯片需要兼具低功耗，高實時性和高準確率的特點。當前在圖像識別處理方面的趨勢是CNN，同時因CIM架構更適合卷積和全連接特點，從而將CNN應用于基于CIM架構的芯片，具有更低的功耗，更高的實時性。但是基于CIM架構的芯片具有兩個主要的挑戰：更小的計算存儲空間和對高電壓不敏感的特點，CNN具有相對于CIM架構的存儲空間，具有更大的參數量，以及CNN中每層特征圖像的數值遍布于高低不同大小。所以將CNN應用于CIM架構的芯片中的最大的問題在于用更加輕量化高準確率的網絡以及保證CNN的每層輸出結點定點化到低電壓。

發明內容

本發明的目的在于提供一種面向內存計算和室內是否有人的神經網絡設計方法，以克服現有檢測技術存在的缺陷，本發明在解決室內有人無人問題時，與其他主流CNN相比參數量和計算量減少，計算時間更短，但是準確率基本不變。

為達到上述目的，本發明采用如下技術方案：

一種面向內存計算和室內是否有人的神經網絡設計方法，設計超輕量級神經網絡模型，即UL-CNN模型；將UL-CNN模型根據基于內存計算架構的芯片對高電平不敏感以及內存限制在2K*2K范圍內的規則，使用定點化處理調整卷積運算和全連接矩陣運算方法，從而使UL-CNN模型應用在基于內存計算架構的芯片上進行推理，最終進行室內是否有人檢測。

進一步地，所述UL-CNN模型使用卷積層和全連接層對輸入圖像進行訓練和測試，輸入圖像采用MPR數據集的圖像進行訓練，將輸入圖像進行卷積層和全連接層運算方法，根據基于內存計算架構的芯片對高電平不敏感的規則，將UL-CNN模型的卷積層和全連接層中每一層的運算結果定點化到低電平，UL-CNN模型應用于基于內存計算芯片時，根據內存有大小限制在2K*2K范圍內的規則，將UL-CNN模型按照圖形方式放入內存上進行網絡推理計算，測試室內是否有人。

進一步地，MPR數據集包括4339張訓練圖片和400張測試圖片，所述訓練圖片包括2219張正樣本和2120張負樣本；所述測試圖片包括200張正樣本，200張負樣本，其中正樣本表示有人，負樣本表示沒人，且圖片分辨率為120*120*3。

進一步地，設計UL-CNN模型，將UL-CNN模型根據基于內存計算架構的芯片對高電平不敏感以及內存限制在2K*2K范圍內的規則，使用定點化處理調整卷積運算和全連接矩陣運算方法，具體包括以下步驟：