卷积处理方法、装置及存储介质制造方法及图纸

本公开是关于一种卷积处理方法及装置，属于图像处理技术领域。所述方法包括：当需要对目标特征图进行卷积处理时，对于至少一个卷积核中的每个卷积核，根据该卷积核包括的至少两个子卷积核中每个子卷积核的加权系数对该目标特征图进行卷积处理，得到与每个卷积核对应的激活图。也即，在本公开实施例中，当通过一个卷积核对目标特征图进行卷积处理时，是通过该卷积核包括的子卷积核对该目标特征图进行卷积处理。由于子卷积核的高度、宽度和通道数三个参数中存在至少一个参数为1，因此可以降低一次卷积处理过程中的计算量，提高了通过卷积处理进行人脸识别的速度。

【技术实现步骤摘要】
卷积处理方法、装置及存储介质
本公开涉及图像处理
，尤其涉及一种卷积处理方法、装置及存储介质。
技术介绍
近年来，随着图像处理技术的发展，CNN(ConvolutionNeuralNetwork，卷积神经网络)模型因其无需对图像进行复杂的预处理而得到广泛的应用。尤其在通过图像进行人脸识别的过程中，利用CNN模型中卷积层和池化层依次对该图像进行卷积处理和池化处理，可以快速提取该图像中的特征，以实现快速进行人脸识别。其中，卷积处理作为池化处理的预处理步骤，对实现快速进行人脸识别起着至关重要的作用。相关技术中，当需要对图像进行卷积处理时，确定该图像的特征图(FeatureMap)，并对该图像的特征图进行卷积处理，得到激活图(ActivationMap)，以便后续对该激活图进行池化处理。其中，该图像的特征图采用三个参数来描述，分别为高度、宽度和通道数，高度和宽度分别是该图像在高度方向的像素大小和在宽度方向的像素大小，通道数是指描述该图像的变量的个数。比如，对于采用RGB(Red、Green、Blue，三原色光模式)方式描述的图像，该图像的像素大小为120×240，则该图像的特征图的高度本文档来自技高网...

【技术保护点】
一种卷积处理方法，其特征在于，所述方法包括：确定用于对目标特征图进行卷积处理的至少一个卷积核；其中，每个卷积核包括至少两个子卷积核，每个子卷积核的高度、宽度和通道数三个参数中存在至少一个参数为1，其他参数与所属的卷积核中对应的参数的大小相同；根据每个卷积核包括的至少两个子卷积核的加权系数对所述目标特征图进行卷积处理，得到与每个卷积核对应的激活图。

【技术特征摘要】
1.一种卷积处理方法，其特征在于，所述方法包括：确定用于对目标特征图进行卷积处理的至少一个卷积核；其中，每个卷积核包括至少两个子卷积核，每个子卷积核的高度、宽度和通道数三个参数中存在至少一个参数为1，其他参数与所属的卷积核中对应的参数的大小相同；根据每个卷积核包括的至少两个子卷积核的加权系数对所述目标特征图进行卷积处理，得到与每个卷积核对应的激活图。2.根据权利要求1所述的方法，其特征在于，每个卷积核包括三个子卷积核，每个子卷积核的高度、宽度和通道数三个参数中存在两个参数为1，其他一个参数与所属的卷积核中对应的参数的大小相同；所述根据每个卷积核包括的至少两个子卷积核的加权系数对所述目标特征图进行卷积处理，包括：根据第一子卷积核的加权系数，对所述目标特征图进行第一次卷积处理，得到第一卷积图，所述第一子卷积核为目标卷积核包括的三个子卷积核中的任一者，所述目标卷积核为所述至少一个卷积核中的任一者；根据第二子卷积核的加权系数，对所述第一卷积图进行第二次卷积处理，得到第二卷积图，所述第二子卷积核为所述目标卷积核包括的三个子卷积核中除所述第一子卷积核之外的子卷积核中的任一者；根据第三子卷积核的加权系数，对所述第二卷积图像进行第三次卷积处理，得到与所述目标卷积核对应的激活图，所述第三子卷积核为所述目标卷积核包括的三个子卷积核中除所述第一子卷积核和第二子卷积核之外的子卷积核。3.根据权利要求1所述的方法，其特征在于，每个卷积核包括两个子卷积核，其中一个子卷积核的高度、宽度和通道数三个参数中存在两个参数为1，其他一个参数与所属的卷积核中对应的参数的大小相同，另一个子卷积核的高度、宽度和通道数三个参数中存在一个参数为1，其他两个参数与所属的卷积核中对应的两个参数的大小相同；所述根据每个卷积核包括的至少两个子卷积核的加权系数对所述目标特征图进行卷积处理，包括：根据第一子卷积核的加权系数，对所述目标特征图进行第一次卷积处理，得到第一卷积图，所述第一子卷积核为目标卷积核包括的两个子卷积核中的任一者，所述目标卷积核为所述至少一个卷积核中的任一者；根据第二子卷积核的加权系数，对所述第一卷积图进行第二次卷积处理，得到与所述目标卷积核对应的激活图，所述第二子卷积核为所述目标卷积核包括的两个子卷积核中除所述第一子卷积核之外的子卷积核。4.根据权利要求1至3任一所述的方法，其特征在于，所述确定用于对目标特征图进行卷积处理的至少一个卷积核之前，还包括：设置所述至少一个卷积核中每个卷积核的高度、宽度和通道数，每个卷积核的通道数和所述目标特征图的通道数相同；根据每个卷积核的高度、宽度和通道数，确定每个卷积核包括的至少两个子卷积核中每个子卷积核的高度、宽度和通道数；初始化每个卷积核包括的至少两个子卷积核中的每个子卷积核；根据训练样本集对初始化后的每个子卷积核进行训练，得到每个子卷积核的加权系数，所述训练样本集包括多张图像。5.根据权利要求4所述的方法，其特征在于，所述至少一个卷积核的个数为M，所述M为大于或等于2的正整数；所述根据训练样本集对初始化后的每个子卷积核进行训练，得到每个子卷积核的加权系数，包括：将所述M个卷积核分为第一类卷积核和第二类卷积核；根据所述训练样本集对所述第一类卷积核中初始化后的每个子卷积核进行训练，得到所述第一类卷积核中每个子卷积核的加权系数；在对所述第一类卷积核中的每个子卷积核进行训练之后，根据所述训练样本集对所述第二类卷积核中初始化后的每个子卷积核进行训练，得到所述第二类卷积核中每个子卷积核的加权系数。6.一种卷积处理装置，其特征在于，所述装置包括：第一确定模块，用于确定用于对目标...

【专利技术属性】
技术研发人员：万韶华，
申请(专利权)人：北京小米移动软件有限公司，
类型：发明
国别省市：北京,11