[發明專利]用于特征圖的高速壓縮處理的電子設備及其控制方法

在審

• 申請號: 201910822062.3
• 申請日: 2019-08-30
• 公開（公告）號: CN110876062A
• 公開（公告）日: 2020-03-10
• 發明（設計）人: 趙仁相;李元宰;黃贊榮
• 申請（專利權）人: 三星電子株式會社
• 主分類號: H04N19/42
• 分類號: H04N19/42;H04N19/426;H04N19/184;G06N3/04;G06N3/08
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 吳曉兵

一種電子設備及其控制方法包括：將輸入圖像輸入到人工智能模型中，獲取輸入圖像的特征圖，通過與特征圖相對應的查找表轉換特征圖，以及通過與特征圖相對應的壓縮模式壓縮特征圖來存儲轉換后的特征圖。

相關申請的交叉引用

本申請基于并要求于2018年8月31日在韓國知識產權局遞交的韓國專利申請No.10-2018-0103933和于2019年7月5日在韓國知識產權局遞交的韓國專利申請No.10-2019-0081288的優先權，其全部內容通過引用并入本文。

技術領域

本公開涉及一種用于壓縮在基于卷積神經網絡(CNN)的媒體處理期間生成的多通道特征圖圖像的電子設備以及一種用于控制該電子設備的方法。

背景技術

在CNN操作的中間過程中，生成多個通道中的特征圖圖像。圖像具有如下結構：針對每個CNN層級生成多個特征圖圖像，并且在最后層級處將圖像轉換為最終結果。當在基于CNN的媒體處理過程期間在存儲器中存儲或讀取特征圖圖像時，需要較大的傳輸容量用于圖像數據。

在諸如圖像識別之類的領域中，當實現多層感知器(MLP)或多層神經網絡時，MLP中的所有輸入具有相同級別的重要性，而不管它們的位置如何。因此，如果通過使用MLP構造全連接神經網絡，則存在參數大小變得過大的問題。在常規技術中，通過使用CNN作為解決方案解決了這樣的問題。

同時，在常規技術中，可以通過將常規的JPEG、JPEG2000、PNG或Lempel-Ziv行程編碼方法應用于每個通道的圖像以在CNN操作過程期間對各個通道上生成的多個通道的圖像進行壓縮，來減少用于特征圖圖像的存儲容量。此外，可以通過使用應用于運動圖像壓縮的基于MPEG的壓縮以基于圖像通道之間的預測進一步改善壓縮性能，來減少用于特征圖圖像的存儲容量，或者可以通過使用3D多級樹集合分裂(SPIHT)方法來減少用于特征圖圖像的存儲容量，在該3D SPIHT方法中，用于單個圖像的小波壓縮方法被廣泛應用于多個通道中的圖像，以用于壓縮衛星圖像的多光譜圖像。

在將常規的圖像壓縮方法應用于特征圖圖像的壓縮的情況下，可以有效地減少圖像的存儲容量，但是由于常規壓縮方法不是為了在嵌入式系統中操作而實現的算法，因此難以有效地利用常規壓縮方法。因此，需要一種在能夠在嵌入式系統中實現的級別上的復雜程度內的有效壓縮算法。此外，由于常規壓縮方法被開發用于有效地壓縮一般圖像，因此常規壓縮方法未被優化用于特征圖的壓縮。

發明內容

本公開提供了一種用于特征圖圖像的有效壓縮方法以及一種用于實現該方法的設備，以減少存儲或讀取在CNN處理期間生成的特征圖圖像所需的傳輸容量。

提供了一種例如在嵌入式系統中的特征圖的有效壓縮處理結構，該結構利用在CNN學習過程期間基于特征圖的特征而獲取的信息。

一種根據本公開的實施例的控制電子設備的方法可以包括：將圖像作為輸入提供到人工智能模型中；從人工智能模型獲得圖像的特征圖作為輸出；使用與特征圖相對應的查找表將特征圖轉換為轉換后的特征圖，其中轉換后的特征圖的像素的像素值的標準偏差小于特征圖的像素的像素值的標準偏差；使用多種壓縮模式中與轉換后的特征圖相對應的壓縮模式來壓縮轉換后的特征圖；以及在電子設備的存儲器中存儲經壓縮的特征圖。

同時，與特征圖相對應的查找表可以是如下生成的查找表，使得對關于與特征圖的類型相對應的學習特征圖的直方圖信息進行分析，并且特征圖中包括的像素值之間的最大殘差減小。

此外，查找表可以是用于將特征圖轉換為轉換后的特征圖的查找表，使得特征圖中包括的像素的像素值中具有高出現頻率的像素值的像素對應于與像素的像素值變化范圍的中間值接近的值。

同時，壓縮和存儲特征圖的步驟可以包括以下步驟：分析與特征圖的類型相對應的學習特征圖，識別多種壓縮模式中與特征圖相對應的壓縮模式，根據壓縮模式壓縮轉換后的特征圖，并在報頭中存儲關于壓縮模式的信息。