信息处理方法和设备以及存储介质技术

本公开提供了在卷积神经网络中进行数据处理的信息处理方法和设备以及存储介质。该信息处理方法包括针对优化的卷积神经网络中的一个卷积层进行下述操作：对该卷积层的第一组输入通道以第一组滤波器进行卷积处理，得到第一组输出通道；对该卷积层的至少第二组输入通道以第二组滤波器进行卷积处理，得到至少第二组输出通道；其中，第一组输入通道的输入数目与第一组输出通道的输出数目之比和第二组输入通道的输入数目与第二组输出通道的输出数目之比相同。

Information processing methods and devices and storage media

【技术实现步骤摘要】
信息处理方法和设备以及存储介质
本公开总体上涉及信息处理领域，具体而言，涉及利用卷积神经网络进行数据处理的信息处理方法和设备以及存储介质。
技术介绍
目前，深度学习技术已在一些领域得到广泛应用。例如，深度神经网络、卷积神经网络、深度置信网络和递归神经网络等已应用于计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域，并获取了很好的效果。在这些深度学习网络中，卷积神经网络正吸引到越来越多的关注。图1示意性地示出了卷积神经网络的一般结构。如图1所示，卷积神经网络一般包括若干卷积层、池化层、全连接层。从图1可以看出，卷积神经网络每层的神经元是按照三维排列的，也就是排成一个长方体，有宽度、高度和深度。对于图1展示的神经网络，输入图像101仅有一个通道(channel)，因此，输入层的深度为1。接着，第一个卷积层对这幅图像进行了卷积操作，得到了3个特征图102。换言之，该卷积层包含3个深度为1的1*k*k滤波器(k为大于2的自然数，滤波器的深度与输入图像的深度或该层的输入通道数目一致)，每个滤波器都可以把原始输入图像卷积得到一个特征图，3个滤波器就可以得到3个特征图，这3个特征图也可本文档来自技高网...

【技术保护点】
1.一种在卷积神经网络中进行数据处理的信息处理方法，所述方法包括:针对优化的卷积神经网络中的一个卷积层：对该卷积层的第一组输入通道以第一组滤波器进行卷积处理，得到第一组输出通道；对该卷积层的至少第二组输入通道以第二组滤波器进行卷积处理，得到至少第二组输出通道；其中，所述第一组输入通道的输入数目与所述第一组输出通道的输出数目之比和所述第二组输入通道的输入数目与所述第二组输出通道的输出数目之比相同。

【技术特征摘要】
1.一种在卷积神经网络中进行数据处理的信息处理方法，所述方法包括:针对优化的卷积神经网络中的一个卷积层：对该卷积层的第一组输入通道以第一组滤波器进行卷积处理，得到第一组输出通道；对该卷积层的至少第二组输入通道以第二组滤波器进行卷积处理，得到至少第二组输出通道；其中，所述第一组输入通道的输入数目与所述第一组输出通道的输出数目之比和所述第二组输入通道的输入数目与所述第二组输出通道的输出数目之比相同。2.如权利要求1所述的方法，其中，所述优化的卷积神经网络与预训练的卷积神经网络具有相应的卷积层、并在相应的卷积层中具有相同的输入数目及相同的输出数目，并且所述第一组滤波器和所述第二组滤波器是根据预训练的卷积神经网络中相应卷积层的滤波器而获得。3.如权利要求2所述的方法，其中，所述第一组滤波器和所述第二组滤波器是从预训练的卷积神经网络中相应卷积层的滤波器中选择的滤波器，或者是基于所述选择的滤波器进行训练得到的。4.如权利要求3所述的方法，其中，所述选择的滤波器是预训练的卷积神经网络中相应卷积层的滤波器当中激励响应最大的滤波器或随机选择的滤波器。5.如权利要求1或2所述的方法，其中，所述第一组输入通道的输入数目和所述第二组输入通道的输入数目相同或不同。6.如权利要求1或2所述的方法，其中，所述第一组输入通道的输入数目和所述第二组输入通道的输入数目是通过训练得到的。7.如权利要求1或2所述的方法...

【专利技术属性】
技术研发人员：孙利，孙俊，于小忆，
申请(专利权)人：富士通株式会社，
类型：发明
国别省市：日本,JP