[發明專利]基于深度學習模型的處理方法、系統及電子設備

在審

• 申請號: 202010694871.3
• 申請日: 2020-07-18
• 公開（公告）號: CN112001479A
• 公開（公告）日: 2020-11-27
• 發明（設計）人: 陳昕;王華彥
• 申請（專利權）人: 北京達佳互聯信息技術有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 張大威

1.一種基于深度學習模型的處理方法，應用于電子設備，其特征在于，所述深度學習模型包括多個卷積層和連接層，所述方法包括：

接收用于所述卷積層的多個輸入信息；其中，所述卷積層包括一個或多個輸入通道，以及一個或多個輸出通道；

所述卷積層通過一個或多個三維濾波器對所述多個輸入信息進行卷積處理，以生成多個中間量，其中，所述一個或多個三維濾波器的數量是基于所述電子設備的計算能力確定的；

所述卷積層通過一個或多個一維濾波器對所述多個中間量進行卷積處理，以生成多個輸出信息，其中，所述一個或多個一維濾波器通過一個或多個中間通道從所述一個或多個三維濾波器之中接收所述多個中間量。

2.根據權利要求1所述的方法，其特征在于，所述三維濾波器的大小是基于所述卷積層的輸入信息數量和預設大小確定的，其中，所述預設大小是基于當前卷積層檢測特征的大小確定的。

3.根據權利要求1所述的方法，其特征在于，所述方法，還包括：

所述卷積層將所述輸出信息通過連接層發送至所述深度學習模型的后續層。

4.根據權利要求1所述的方法，其特征在于，所述一維濾波器的數量與所述輸出通道的數量相同。

5.根據權利要求1所述的方法，其特征在于，所述多個三維濾波器具備不同的參數，其中，具備不同參數的所述三維濾波器用于識別不同粒度的圖像特征。

6.根據權利要求1所述的方法，其特征在于，所述多個輸入信息為上一層卷積層輸出的特征圖。

7.一種基于深度學習模型的處理系統，其特征在于，所述系統包括處理器，所述處理器被配置為加載深度學習模型，所述深度學習模型包括多個卷積層和連接層，其中，每一個卷積層包括：

一個或多個輸入通道，被配置為接收用于所述卷積層的多個輸入信息；

一個或多個輸出通道；

三維濾波器，所述三維濾波器的個數為一個或多個，被配置為對所述多個輸入信息進行卷積處理，以生成多個中間量，其中，所述一個或多個三維濾波器的數量是基于所述電子設備的計算能力確定的；

一維濾波器，所述一維濾波器的個數為一個或多個，被配置為對所述多個中間量進行卷積處理，以生成多個輸出信息，其中，所述一個或多個一維濾波器通過一個或多個中間通道從所述一個或多個三維濾波器之中接收所述多個中間量。

8.根據權利要求7所述的系統，其特征在于，所述三維濾波器的大小是基于所述卷積層的輸入信息數量和預設大小確定的，其中，所述預設大小是基于當前卷積層檢測特征的大小確定的。

9.一種電子設備，其特征在于，包括：

處理器；

用于存儲所述處理器可執行指令的存儲器；

其中，所述處理器被配置為執行所述指令，以實現如權利要求1-6中任一項所述的基于深度學習模型的處理方法。

10.一種存儲介質，當所述存儲介質中的指令由電子設備的處理器執行時，使得電子設備能夠執行如權利要求1-6中任一項所述的基于深度學習模型的處理方法。