The invention provides a method for learning parameters of CNN. The method consists of the following steps: (a) allowing input values to be sent to a single multi-factor deviation layer; (b) allowing the proportional layer connected to the specific factor deviation layer to multiply the predetermined proportional value by the output value of the specific factor deviation layer; (c) (i) allowing the specific factor activation layer connected to the proportional layer to apply the activation function; and (i i) allowing other single factor activation layer to apply the activation function to the individual factor deviation layer. The output value applies activation function; (d) allowing cascade layer to cascade the output value of specific factor activation layer and other factor activation layer; (e) allowing convolution layer to apply convolution operation to cascade output; (f) allowing loss layer to gain loss in the process of reverse propagation.
【技术实现步骤摘要】
用于同时执行激活和卷积运算的方法和装置及其学习方法和学习装置
本专利技术涉及一种用于学习装置中的CNN(ConvolutionNeuralNetworks,卷积神经网络)的参数学习的学习方法和使用该学习方法的学习装置,所述学习方法中执行激活运算和卷积运算,更具体地,本专利技术涉及一种学习装置中的CNN的参数学习的学习方法,所述学习装置执行(i)包括多个要素偏差层、比例层以及多个要素激活层的激活模块的激活运算;(ii)卷积层的卷积运算,所述方法包括以下步骤:(a)所述学习装置执行以下处理:允许与输入图像相对应的输入值发送到单独的多个要素偏差层,然后允许单独的多个要素偏差层中的每一个对所述输入值应用其对应的每个要素偏差参数qi;(b)所述学习装置执行以下处理:允许与所述多个要素偏差层中的特定要素偏差层连接的比例层将预定比例值乘以所述特定要素偏差层的输出值;(c)所述学习装置执行以下处理:(i)允许与所述比例层连接的特定要素激活层对所述比例层的输出值应用非线性激活函数,以及(ii)允许与单独的要素偏差层连接的其它单独的要素激活层对单独的要素偏差层的输出值应用单独的非线性函数;(d)所述学习装置执行以下处理:允许级联层将所述特定要素激活层的输出值和其他要素激活层的输出值级联,由此获取级联输出;(e)所述学习装置执行以下处理:允许所述卷积层通过使用所述卷积层的每个要素权重参数pi及其每个要素偏差参数d,对所述级联输出应用卷积运算;以及(f)如果(e)步骤的输出被输入应用块中并且之后后取得从所述应用块输出的结果值,则所述学习装置允许损失层获取通过将从所述应用块输出 ...
【技术保护点】
1.一种学习装置中的CNN的参数学习的学习方法,在所述学习装置中执行(i)激活模块的激活运算,所述激活模块包括多个要素偏差层、比例层和多个要素激活层,以及(ii)卷积层的卷积运算,所述方法包括以下步骤:(a)所述学习装置执行以下处理:允许与输入图像相对应的输入值发送到单独的多个要素偏差层,然后允许单独的多个要素偏差层中的每一个对所述输入值应用其对应的每个要素偏差参数qi;(b)所述学习装置执行以下处理:允许与所述多个要素偏差层中的特定要素偏差层连接的所述比例层将预定比例值乘以所述特定要素偏差层的输出值;(c)所述学习装置执行以下处理:(i)允许与所述比例层连接的特定要素激活层对所述比例层的输出值应用非线性激活函数,以及(ii)允许与单独的要素偏差层连接的其它单独的要素激活层对单独的要素偏差层的输出值应用单独的非线性函数;(d)所述学习装置执行以下处理:允许级联层将所述特定要素激活层的输出值和其他要素激活层的输出值级联,由此获取级联输出;(e)所述学习装置执行以下处理:允许所述卷积层通过使用所述卷积层的每个要素权重参数pi及其每个要素偏差参数d,对所述级联输出应用所述卷积运算;以及(f) ...
【技术特征摘要】
2017.10.13 US 15/783,3671.一种学习装置中的CNN的参数学习的学习方法,在所述学习装置中执行(i)激活模块的激活运算,所述激活模块包括多个要素偏差层、比例层和多个要素激活层,以及(ii)卷积层的卷积运算,所述方法包括以下步骤:(a)所述学习装置执行以下处理:允许与输入图像相对应的输入值发送到单独的多个要素偏差层,然后允许单独的多个要素偏差层中的每一个对所述输入值应用其对应的每个要素偏差参数qi;(b)所述学习装置执行以下处理:允许与所述多个要素偏差层中的特定要素偏差层连接的所述比例层将预定比例值乘以所述特定要素偏差层的输出值;(c)所述学习装置执行以下处理:(i)允许与所述比例层连接的特定要素激活层对所述比例层的输出值应用非线性激活函数,以及(ii)允许与单独的要素偏差层连接的其它单独的要素激活层对单独的要素偏差层的输出值应用单独的非线性函数;(d)所述学习装置执行以下处理:允许级联层将所述特定要素激活层的输出值和其他要素激活层的输出值级联,由此获取级联输出;(e)所述学习装置执行以下处理:允许所述卷积层通过使用所述卷积层的每个要素权重参数pi及其每个要素偏差参数d,对所述级联输出应用所述卷积运算;以及(f)如果(e)步骤的输出被输入应用块中并且之后获取从所述应用块输出的结果值,则所述学习装置允许损失层获取通过将从所述应用块输出的所述结果值和与其对应的GT的值进行比较而计算出的损失,由此在反向传播处理的过程中调整单独的要素偏差层的每个要素偏差参数qi、所述要素权重参数pi和所述要素偏差参数d中的至少一部分。2.根据权利要求1所述的学习方法,其中,所述比例值是负值。3.根据权利要求1所述的学习方法,其中,所述激活模块包括N路CReLUs,并且所述要素激活层是修正线性单元层、即ReLU层。4.根据权利要求1所述的学习方法,其中,如果在步骤(c)中使用n个要素激活层,则在步骤(a)中使用n-1个要素偏差层。5.一种学习装置中的CNN的参数学习的学习方法,在所述学习装置中执行(i)激活模块的激活运算,所述激活模块包括多个要素偏差层、比例层和多个要素激活层,以及(ii)卷积层的卷积运算,所述方法包括以下步骤:(a)所述学习装置执行以下处理:允许与输入图像相对应的输入值发送到单独的多个要素偏差层,然后允许单独的多个要素偏差层中的每一个对所述输入值应用其对应的每个要素偏差参数qi;(b)所述学习装置执行以下处理:允许与所述多个要素偏差层中的特定要素偏差层连接的所述比例层将预定比例值乘以所述特定要素偏差层的输出值;(c)所述学习装置执行以下处理:允许与所述比例层和单独的要素偏差层连接的级联层将所述比例层的输出值与单独的要素偏差层的输出值级联,由此获取级联输出;(d)所述学习装置执行以下处理:允许与所述级联层连接的激活层对所述级联输出应用非线性激活函数;(e)所述学习装置执行以下处理:允许所述卷积层通过使用所述卷积层的每个要素权重参数pi及其每个要素偏差参数d,对所述激活层的输出值应用所述卷积运算;以及(f)如果步骤(e)的输出被输入到应用块中并且之后获取从所述应用块输出的结果值,则所述学习装置允许损失层获取通过将从所述应用块输出的所述结果值和与其对应的GT的值进行比较而计算出的损失,由此在反向传播处理的过程中调整单独的要素偏差层的每个要素偏差参数qi、所述要素权重参数pi和所述要素偏差参数d中的至少一部分。6.根据权利要求5所述的学习方法,其中,所述比例值是负值。7.根据权利要求5所述的学习方法,其中,所述激活模块包括N路CReLUs,并且所述...
【专利技术属性】
技术研发人员:金镕重,南云铉,夫硕焄,成明哲,吕东勋,柳宇宙,张泰雄,郑景中,诸泓模,赵浩辰,
申请(专利权)人:斯特拉德视觉公司,
类型:发明
国别省市:韩国,KR
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。