[發(fā)明專利]卷積神經(jīng)網(wǎng)絡(luò)處理方法、裝置、設(shè)備、存儲(chǔ)介質(zhì)及模型

在審

• 申請(qǐng)?zhí)枺?/td>: 202010186435.5
• 申請(qǐng)日: 2020-03-17
• 公開（公告）號(hào): CN111401524A
• 公開（公告）日: 2020-07-10
• 發(fā)明（設(shè)計(jì)）人: 曾峰;李春山;周建東
• 申請(qǐng)（專利權(quán)）人: 深圳市物語智聯(lián)科技有限公司
• 主分類號(hào): G06N3/04
• 分類號(hào): G06N3/04;G06N3/08;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種卷積神經(jīng)網(wǎng)絡(luò)處理方法，其特征在于，包括：

獲取待處理圖像；

基于預(yù)設(shè)的優(yōu)化深度可分卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)所述待處理圖像進(jìn)行處理，生成所述待處理圖像的特征輸出；

其中，所述預(yù)設(shè)的優(yōu)化深度可分卷積神經(jīng)網(wǎng)絡(luò)模型包含若干層卷積層，且每一層所述卷積層包括預(yù)設(shè)比例的特征提取卷積核和降參卷積核；所述特征提取卷積核的大小大于所述降參卷積核的大??；每一層所述卷積層包括的特征提取卷積核和降參卷積核的排序不同。

2.根據(jù)權(quán)利要求1所述的一種卷積神經(jīng)網(wǎng)絡(luò)處理方法，其特征在于，所述基于預(yù)設(shè)的優(yōu)化后深度可分卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)所述圖像進(jìn)行處理的步驟具體包括：

分別確定所述待處理圖像在多個(gè)輸入信道上的輸入；

根據(jù)每一層所述卷積層包括的卷積核分別對(duì)所述多個(gè)輸入信道的輸入進(jìn)行卷積處理；

將所述多個(gè)輸入信道的卷積處理結(jié)果進(jìn)行拼接，并利用通道卷積核進(jìn)行通道卷積處理，生成所述待處理圖像的特征輸出。

3.根據(jù)權(quán)利要求2所述的一種卷積神經(jīng)網(wǎng)絡(luò)處理方法，其特征在于，在所述生成所述待處理的圖像的特征輸出的步驟之后，還包括：

根據(jù)所述特征輸出確定所述待處理圖像的分類結(jié)果。

4.根據(jù)權(quán)利要求1所述的一種卷積神經(jīng)網(wǎng)絡(luò)處理方法，其特征在于，訓(xùn)練生成所述預(yù)設(shè)的優(yōu)化深度可分卷積神經(jīng)網(wǎng)絡(luò)模型的步驟，具體包括：

獲取多個(gè)訓(xùn)練樣本圖像的目標(biāo)輸出；

構(gòu)建初始化的優(yōu)化深度可分卷積神經(jīng)網(wǎng)絡(luò)模型；所述初始化的優(yōu)化深度可分卷積神經(jīng)網(wǎng)絡(luò)模型包含若干層卷積層，且每一層所述卷積層包括預(yù)設(shè)比例的初始化特征提取卷積核和初始化降參卷積核；所述初始化特征提取卷積核的大小大于所述初始化降參卷積核的大??；每一層所述卷積層包括的初始化特征提取卷積核和初始化降參卷積核的排序不同；

根據(jù)所述多個(gè)訓(xùn)練樣本圖像的目標(biāo)輸出對(duì)所述優(yōu)化深度可分卷積神經(jīng)網(wǎng)絡(luò)模型中的特征提取卷積核和初始化降參卷積核進(jìn)行訓(xùn)練；

將訓(xùn)練完成后的優(yōu)化深度可分卷積神經(jīng)網(wǎng)絡(luò)模型確定為所述預(yù)設(shè)的優(yōu)化深度可分卷積神經(jīng)網(wǎng)絡(luò)模型。

5.根據(jù)權(quán)利要求4所述的一種卷積神經(jīng)網(wǎng)絡(luò)處理方法，其特征在于，所述根據(jù)所述多個(gè)訓(xùn)練樣本圖像的目標(biāo)輸出對(duì)所述優(yōu)化深度可分卷積神經(jīng)網(wǎng)絡(luò)模型中的特征提取卷積核和初始化降參卷積核進(jìn)行訓(xùn)練的步驟，具體包括：

基于所述優(yōu)化深度可分卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)所述訓(xùn)練樣本圖像進(jìn)行處理，生成所述訓(xùn)練樣本圖像的響應(yīng)輸出；

確定所述訓(xùn)練樣本圖像的響應(yīng)輸出與所述訓(xùn)練樣本圖像的目標(biāo)輸出之間的差異；

判斷所述差異是否滿足預(yù)設(shè)的要求；

當(dāng)判斷所述差異不滿足預(yù)設(shè)的要求時(shí)，基于梯度下降算法對(duì)所述優(yōu)化深度可分卷積神經(jīng)網(wǎng)絡(luò)模型中的特征提取卷積核和初始化降參卷積核進(jìn)行更新，并返回至所述基于所述優(yōu)化深度可分卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)所述訓(xùn)練樣本圖像進(jìn)行處理的步驟；

當(dāng)判斷所述差距滿足預(yù)設(shè)的要求時(shí)，將當(dāng)前優(yōu)化深度可分卷積神經(jīng)網(wǎng)絡(luò)模型確定為訓(xùn)練完成后的優(yōu)化深度可分卷積神經(jīng)網(wǎng)絡(luò)模型。

6.根據(jù)權(quán)利要求1所述的一種卷積神經(jīng)網(wǎng)絡(luò)處理方法，其特征在于，所述特征提取卷積核選用尺寸大小為3X3的卷積核，所述降參卷積核選用尺寸大小為1X1的卷積核。

7.一種卷積神經(jīng)網(wǎng)絡(luò)處理裝置，其特征在于，包括：

圖像獲取單元，用于獲取待處理圖像；

處理單元，用于基于預(yù)設(shè)的優(yōu)化深度可分卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)所述圖像進(jìn)行處理，生成所述待處理圖像的特征輸出；

其中，所述預(yù)設(shè)的優(yōu)化深度可分卷積神經(jīng)網(wǎng)絡(luò)模型包含若干層卷積層，且每一層所述卷積層包括預(yù)設(shè)比例的特征提取卷積核和降參卷積核；所述特征提取卷積核的大小大于所述降參卷積核的大小；每一層所述卷積層包括的特征提取卷積核和降參卷積核的排序不同。

8.一種設(shè)備，其特征在于，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器中存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行如權(quán)利要求1～6任一權(quán)利要求所述的卷積神經(jīng)網(wǎng)絡(luò)處理方法的步驟。