The invention provides a target classification method based on convolution neural network, which does not use convolution kernel to traverse the target image directly, but uses a sliding window with the same size as the output feature image to traverse the whole target image in rows and columns, thereby extracting the corresponding pixels of the target image as sub-images, and then multiplying each feature parameter of the convolution core with each sub-image respectively. The sum value of the intermediate image is taken as the output characteristic image. On the premise of obtaining the same convolution result as the existing convolution implementation, the convolution operation is divided into the multiplication and addition operation of a single point, which can minimize the number of address jumps when the microprocessor reads the data in the convolution implementation process, thus greatly improving the efficiency of hardware processing.
【技术实现步骤摘要】
一种基于卷积神经网络的目标分类方法
本专利技术属于图像分类
,尤其涉及一种基于卷积神经网络的目标分类方法。
技术介绍
图像的分类是图像处理
中的一个重要类别,如何快速并且准确地实现图像的分类是当前图像领域很热门的研究课题。近五年来,卷积神经网络在图像特征提取、分类识别等领域取得了很好的效果。由于卷积神经网络在进行卷积计算时,需要采样卷积核去遍历输入特征图,每进行一次遍历,就会发生地址跳变,其中,地址跳变是指卷积计算的过程中,需要对顺序存储的输入特征图数据进行跳址操作,而硬件平台上实现跳址操作比软件平台上要花费更多的逻辑控制,则随着遍历次数的增加,ARM(微处理器)NEON(向量协处理单元)读取数据时,地址跳变也会成倍增长,大大降低了硬件处理的效率。
技术实现思路
为解决上述问题,本专利技术提供一种基于卷积神经网络的目标分类方法,能够最大程度的减少卷积实现过程中,微处理器读取数据时地址跳变的次数,进而大大提高硬件处理的效率。一种基于卷积神经网络的目标分类方法,包括以下步骤:S1:获取大小为M×M的目标图像;S2:采用大小为(M-N+1)×(M-N+1)的滑窗从目标图像的左上角开始逐行逐列遍历整幅目标图像,其中,每次遍历时,滑窗均从目标图像中提取滑窗内的像素点作为子图像,则子图像的个数为N×N;其中,N为卷积神经网络中所采用的卷积核的大小,且大小为N×N的卷积核包括N×N个预设特征参数;S3:将卷积核的第一个预设特征参数与第一幅子图像的各个像素点相乘,得到第一幅中间图像,以此类推,将卷积核剩余的预设特征参数逐一与剩余的子图像的各个像素点相乘,得到N×N ...
【技术保护点】
1.一种基于卷积神经网络的目标分类方法,其特征在于,包括以下步骤:S1:获取大小为M×M的目标图像;S2:采用大小为(M‑N+1)×(M‑N+1)的滑窗从目标图像的左上角开始逐行逐列遍历整幅目标图像,其中,每次遍历时,滑窗均从目标图像中提取滑窗内的像素点作为子图像,则子图像的个数为N×N;其中,N为卷积神经网络中所采用的卷积核的大小,且大小为N×N的卷积核包括N×N个预设特征参数;S3:将卷积核的第一个预设特征参数与第一幅子图像的各个像素点相乘,得到第一幅中间图像,以此类推,将卷积核剩余的预设特征参数逐一与剩余的子图像的各个像素点相乘,得到N×N幅中间图像,其中,中间图像的大小为(M‑N+1)×(M‑N+1);S4:将N×N幅中间图像对应像素点进行求和,得到特征输出图像,大小为(M‑N+1)×(M‑N+1);S5:对特征输出图像进行池化操作,得到大小为(M‑N+1)/2×(M‑N+1)/2的采样图像;S6:采用设定的全连接层对所述采样图像进行分类。
【技术特征摘要】
1.一种基于卷积神经网络的目标分类方法,其特征在于,包括以下步骤:S1:获取大小为M×M的目标图像;S2:采用大小为(M-N+1)×(M-N+1)的滑窗从目标图像的左上角开始逐行逐列遍历整幅目标图像,其中,每次遍历时,滑窗均从目标图像中提取滑窗内的像素点作为子图像,则子图像的个数为N×N;其中,N为卷积神经网络中所采用的卷积核的大小,且大小为N×N的卷积核包括N×N个预设特征参数;S3:将卷积核的第一个预设特征参数与第一幅子图像的各个像素点相乘,得到第一幅中间图像,以此类推,将卷积核剩余的预设特征参数逐一与剩余的子图像的各个像素点相乘,得到N×N幅中间图像,其中,中间图像的大小为(M-N+1)×(M-N+1);S4:将N×N幅中间图像对应像素点进行求和,得到特征输出图像,大小为(M-N+1)×(M-N+1);S5:对特征输出图像进行池化操作,得...
【专利技术属性】
技术研发人员:陈禾,魏鑫,贾明飞,刘文超,陈亮,
申请(专利权)人:北京理工大学,
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。