The present application provides an apparatus for image processing, comprising a first physical computing unit for receiving a plurality of first analog signals output by an image sensor and convoluting the plurality of first analog signals to obtain a second analog signal, the plurality of first analog signals and a plurality of images to be identified. The pixel data correspond one to one, wherein the first physical computing unit is composed of at least one multiplication circuit array and at least one subtraction circuit, the at least one multiplication circuit array corresponds to the at least one subtraction circuit one to one, and the multiplication circuit in each multiplication circuit array consists of a differential pair transistor, and each multiplication circuit array. The convolution operation of the plurality of first analog signals is realized by the plurality of multiplication circuits and the corresponding subtraction circuits, wherein the differential mode input voltages of the plurality of differential pairs included in each multiplication circuit array are convolution kernels for the convolution operation of the multiplication circuit array, and the convolution kernels of the at least one multiplication circuit array are provided. Different from each other.
【技术实现步骤摘要】
用于图像处理的装置
本申请涉及图像处理领域,并且更具体地,涉及一种用于图像处理的装置。
技术介绍
随着人工智能的发展,机器学习(MachineLearning,ML)相关算法及理论广泛应用到各个领域,并取得令人惊讶的效果。在众多的机器学习算法中,神经网络算法模仿生物神经系统的行为特征对原始信息进行处理,并提取出高维特征,在模式识别领域受到了广泛的关注。自从1957年前馈神经网络——感知机提出以来,经过半个多世纪的发展,神经算法在不同的领域发展出很多不同结构的算法。例如,深度神经网络算法(DeepNeuralNetwork,DNN)、递归神经网络(RecurrentneuralNetwork,RNN)以及卷积神经网路(ConvolutionalNeuralNetwork,CNN)等,它们各自在不同的领域发挥着越来越重要的作用。卷积神经网络算法由于其算法结构更接近于生物视觉系统的网络结构、独特的卷积运算以及良好的分类效果,已逐渐发展成为图像识别领域关注的焦点。不同的学者在不同的图像识别领域发展出了不同结构的CNN网络模型。例如,用于手写字符识别的lenet-5、用于人脸识别的CFF、用于文本识别的convNN等。它们将图片分类的精度推到了传统算法无法达到的高度。随着深度学习训练方法的不断优化改进,CNN网络深度越来越深,网络结构越来越复杂,使得CNN在各种图片分类器上的准确率越来越高。然而,随着CNN识别准确率的不断提升,其运算代价也随之不算增大。传统的运算平台已经无法满足卷积神经网络对于运算速度和功耗的要求。
技术实现思路
本申请提供一种用于图像处理的装置,能够 ...
【技术保护点】
1.一种用于图像处理的装置,其特征在于,所述装置包括:第一物理计算单元,用于接收图像传感器输出的多个第一模拟信号,并对所述多个第一模拟信号进行卷积运算,以得到第二模拟信号,所述多个第一模拟信号与待识别图像的多个像素数据一一对应,其中,所述第一物理计算单元由至少一个乘法电路阵列和至少一个减法电路组成,所述至少一个乘法电路阵列与所述至少一个减法电路一一对应,每个乘法电路阵列中包括多个乘法电路,每个乘法电路由差分对管构成,每个乘法电路阵列通过所述多个乘法电路和所对应的减法电路实现对所述多个第一模拟信号的卷积运算,其中,每个乘法电路阵列中包括的多个差分对管的差模输入电压作为所述乘法电路阵列进行卷积运算的卷积核,所述至少一个乘法电路阵列的卷积核互异。
【技术特征摘要】
1.一种用于图像处理的装置,其特征在于,所述装置包括:第一物理计算单元,用于接收图像传感器输出的多个第一模拟信号,并对所述多个第一模拟信号进行卷积运算,以得到第二模拟信号,所述多个第一模拟信号与待识别图像的多个像素数据一一对应,其中,所述第一物理计算单元由至少一个乘法电路阵列和至少一个减法电路组成,所述至少一个乘法电路阵列与所述至少一个减法电路一一对应,每个乘法电路阵列中包括多个乘法电路,每个乘法电路由差分对管构成,每个乘法电路阵列通过所述多个乘法电路和所对应的减法电路实现对所述多个第一模拟信号的卷积运算,其中,每个乘法电路阵列中包括的多个差分对管的差模输入电压作为所述乘法电路阵列进行卷积运算的卷积核,所述至少一个乘法电路阵列的卷积核互异。2.根据权利要求1所述的装置,其特征在于,每个差分对管包括第一金属氧化物半导体MOS管和第二MOS管,所述第一MOS管和所述第二MOS管工作在亚阈值区。3.根据权利要求2所述的装置,其特征在于,所述减法电路包括两个输入接口和一个输出接口,每个差分对管包括的第一MOS管的漏极作为所对应的乘法电路的第一输出接口,每个差分对管包括的第二MOS管的漏极作为所对应的乘法电路的第二输出接口,所述乘法电路阵列中所有乘法电路的第一输出接口连接至所述减法电路中的一个输入接口,所述乘法电路阵列中的所有乘法电路的第二输出接口连接至所述减法电路中的另一个输入接口,以及,所述减法电路包括两个P沟道电流镜PMIR和一个N沟道电流镜NMIR,所述减法电路的一个输入接口通过所述两个PMIR中的一个PMIR连接至所述减法电路的输出接口,所述减法电路的另一个输入接口通过所述两个PMIR中的另一个PMIR和...
【专利技术属性】
技术研发人员:乔飞,贾凯歌,刘哲宇,魏琦,陈海,
申请(专利权)人:清华大学,华为技术有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。