用于检测特征的方法和装置制造方法及图纸

公开了一种用于检测特征的方法和装置，该方法包括：对输入张量串行执行至少两个分组的卷积，每个分组包括串行执行的至少两个卷积；根据每个分组中的每个卷积的结果，确定针对每个分组的第一融合结果和第二融合结果；确定基于每个分组的第一检测结果和第二检测结果；以及融合所有的第一检测结果和第二检测结果。通过该方法，能够以相对较小的处理成本、高效率且准确地实现输入张量中的关注特征的检测。

【技术实现步骤摘要】
用于检测特征的方法和装置
本公开总体上涉及神经网络的
，并且具体地涉及一种用于检测特征的方法和装置。
技术介绍
基于神经网络的深度学习技术已经被广泛地应用于图像识别、视频分析、自然语言处理、辅助驾驶等不同的领域。针对不同的应用场景或需求，可以设计出不同的神经网络结构。然后，可以将诸如图像等张量数据输入到神经网络中，并通过神经网络获得关于张量数据中的一个或多个关注特征(例如，边缘、纹理等)的检测或预测结果。例如，边缘检测的目的可以是从自然场景图像中提取关注对象的边界和/或能够被明显感知的边缘。可以使用基于卷积神经网络的方法检测输入张量中的一个或多个关注特征。然而，例如，如果在单个图像中的关注特征(例如，边缘)同时包括对象级别的边界和有意义的局部细节，则需要采用多尺度表示方式来应对关注特征的多样性。为此，可以增加卷积神经网络的深度(层数)，例如，设计更多的卷积层。然而，模型越深，需要训练的模型参数越多，从而导致更高的运算成本和训练成本。相应地，卷积神经网络加速器处理在处理这样的卷积神经网络数据时需要执行更多数量的操作指令，需要更长的运算时间，并消耗更多的硬件资源。另外，在上述模型的本文档来自技高网...

【技术保护点】
1.一种用于检测特征的方法，包括：对输入张量串行执行至少两个分组的卷积，所述至少两个分组中的每个分组包括串行执行的至少两个卷积；根据所述至少两个分组中的每个分组中的每个卷积的结果，确定针对所述至少两个分组中的每个分组的第一融合结果和第二融合结果；确定基于所述至少两个分组中的每个分组的第一检测结果和第二检测结果，基于所述至少两个分组中的任一非最先分组的第一检测结果取决于针对所述非最先分组的第一融合结果和基于所述至少两个分组中在所述非最先分组之前执行的至少一个分组的第一检测结果，并且基于所述至少两个分组中的任一非最后分组的第二检测结果取决于针对所述非最后分组的第二融合结果和基于所述至少两个分组中在...

【技术特征摘要】
1.一种用于检测特征的方法，包括：对输入张量串行执行至少两个分组的卷积，所述至少两个分组中的每个分组包括串行执行的至少两个卷积；根据所述至少两个分组中的每个分组中的每个卷积的结果，确定针对所述至少两个分组中的每个分组的第一融合结果和第二融合结果；确定基于所述至少两个分组中的每个分组的第一检测结果和第二检测结果，基于所述至少两个分组中的任一非最先分组的第一检测结果取决于针对所述非最先分组的第一融合结果和基于所述至少两个分组中在所述非最先分组之前执行的至少一个分组的第一检测结果，并且基于所述至少两个分组中的任一非最后分组的第二检测结果取决于针对所述非最后分组的第二融合结果和基于所述至少两个分组中在所述非最后分组之后执行的至少一个分组的第二检测结果；以及融合所有的第一检测结果和第二检测结果，以确定关于所述特征的最终检测结果。2.根据权利要求1所述的方法，其中，确定针对所述至少两个分组中的任一第一分组的第一融合结果和第二融合结果包括：确定与所述第一分组中的每个卷积的结果相对应的每个中间张量；对与所述第一分组有关的所有中间张量执行第一融合；以及对与所述第一分组有关的所有中间张量执行第二融合。3.根据权利要求2所述的方法，其中，确定针对所述至少两个分组中的任一第一分组的第一融合结果和第二融合结果还包括：对所述第一融合的输出执行第一1×1卷积；和/或对所述第一融合的输出执行第二1×1卷积。4.根据权利要求3所述的方法，其中，确定针对所述至少两个分组中的任一第一分组的第一融合结果和第二融合结果还包括：对所述第一1×1卷积的结果执行第一尺寸调整；和/或对所述第二1×1卷积的结果执行第二尺寸调整。5.根据权利要求2所述的方法，其中，确定与所述第一分组中的任一第一卷积的结果相对应的第一中间张量包括：将所述第一卷积的结果确定为与所述第一中间张量。6.根据权利要求2所述的方法，其中，确定与所述第一分组中的任一第一卷积的结果相对应的第一中间张量包括：对所述第一卷积的结果执行第二卷积。7.根据权利要求6所述的方法，其中，确定与所述第一分组中的任一第一卷积的结果相对应的第一中间张量还包括：对所述第二卷积的结果执行1×1卷积。8.根据权利要求2所述的方法，其中，确定与所述第一分组中的任一第一卷积的结果相对应的第一中间张量包括：对所述第一卷积的结果执行第二卷积；对所述第二卷积的结果执行至少一个感受野调整；以及对所述第二卷积的结果和所述至少一个感受野调整中的每个感受野调整的结果执行第三融合。9.根据权利要求8所述的方法，其中，所述至少一个感受野调整包括至少一个膨胀卷积，所述至少一个膨胀卷积中的每个膨胀卷积的膨胀卷积核的数量等于所述至少一个膨胀卷积中的膨胀卷积的数量，并且所述至少一个膨胀卷积中的每个膨胀卷积的膨胀率取决于膨胀率因子和所述至少一个膨胀卷积中的膨胀卷积的数量。10.根据权利要求9所述的方法，其中，所述至少一个膨胀卷积中的每个膨胀卷积具有在所述至少一个膨胀卷积中相应的唯一序号，所述唯一序号的值的范围是从1至所述至少一个膨胀卷积中的膨胀卷积的数量，并且所述至少一个膨胀卷积中的每个膨胀卷积的膨胀率等于所述膨胀率因子与相应的唯一序号的乘积以及数值1之中的最大者。11.根据权利要求9所述的方法，其中，所述至少一个膨胀卷积中的膨胀卷积的数量大于1。12.根据权利要求9所述的方法，其中，所述膨胀率因子等于4，并且所述至少一个膨胀卷积中的膨胀卷积的数量等于3。13.根据权利要求8所述的方法，其中，确定与所述第一分组中的任一第一卷积的结果相对应的第一中间张量还包括：对所述第三融合的结果执行1×1卷积。1...

【专利技术属性】
技术研发人员：张史梁，何建忠，杨铭，
申请(专利权)人：北京地平线机器人技术研发有限公司，
类型：发明
国别省市：北京,11