【技术实现步骤摘要】
【国外来华专利技术】安全卷积神经网络(CNN)加速器
技术介绍
卷积神经网络(CNN)为已成功地应用于分析视觉成像的一类深度前馈人工神经网络。因此,CNN提供用于已经证实为在例如图像识别和分类的领域中有效的神经网络的类别中的一个。举例来说,由于此类技术可自动地学习三维(3D)图像特征而无需手动地设计所述特征以捕获深度不变性或变形,因此CNN普遍地用于识别图像物体。另外,与其它图像分类算法相比,CNN可使用相对较少的预处理步骤。CNN可学习或使用在传统算法中手工设计的系数滤波器。然而,CNN的使用会影响启动时间,且在信号处理期间易受恶意攻击。因此,避免CNN系数滤波器或权重、输入和输出暴露于未经授权存取为重要的。
技术实现思路
本文所描述的为一种用于多层CNN数据的基于CNN的信号处理的技术。输入图像帧可以是多层CNN数据的第一层的输入。多层CNN数据可包含输入层、第一隐藏层、第二隐藏层(或多个隐藏层)和输出层。基于CNN的信号处理可包含从多层CNN数据的一层(例如第一层、第一隐藏层等)接收加密输出。随后对所接收的加密输出进行解密,以形成对多层CNN数据的后续层(例如第二层、隐藏层、最终输出层等)的解密输入。解密输入与对应解密权重的卷积可产生第二隐藏层输出,所述第二隐藏层输出可经加密且用作对多层CNN数据的另一隐藏层的加密输入。在信号处理多层CNN数据的层之后,可产生图像分类作为最终输出。对于输入及/或权重的解密和输出的加密,特定密钥可经存储且用于如本文中所描述的解密和加密。附图说明图1说明如本文中所 ...
【技术保护点】
1.一种信号处理方法,其包括:/n从多层卷积神经网络CNN数据的第一层接收加密输出;/n对所接收的加密输出进行解密以形成对所述多层CNN数据的第二层的解密输入;/n接收对应于所述解密输入的加密权重且对所述加密权重进行解密;/n对所述解密输入和解密权重执行卷积以产生第二层输出;和/n对所述第二层输出进行加密,其中加密的第二层输出用作对所述多层CNN数据的第三层的加密输入。/n
【技术特征摘要】
【国外来华专利技术】20170525 IN 201741018440;20171011 US 15/730,3161.一种信号处理方法,其包括:
从多层卷积神经网络CNN数据的第一层接收加密输出;
对所接收的加密输出进行解密以形成对所述多层CNN数据的第二层的解密输入;
接收对应于所述解密输入的加密权重且对所述加密权重进行解密;
对所述解密输入和解密权重执行卷积以产生第二层输出;和
对所述第二层输出进行加密,其中加密的第二层输出用作对所述多层CNN数据的第三层的加密输入。
2.根据权利要求1所述的方法,其中所述第二层为所述多层CNN数据的任何层。
3.根据权利要求1所述的方法,其中如果所述第二层为所述多层CNN数据的最末层,那么不执行对所述第二层输出的所述加密。
4.根据权利要求1所述的方法,其中使用用于对称解密和加密的密钥来执行对层的所述解密和加密。
5.根据权利要求1所述的方法,其中所述解密和所述加密使用密钥来执行即时式解密和加密。
6.根据权利要求5所述的方法,其中使用不对称加密来将所述密钥存储在外部存储器处。
7.根据权利要求1所述的方法,其中针对所述多层CNN数据的不同层使用用于解密和加密的不同密钥。
8.根据权利要求1所述的方法,其中所述加密权重存储在外部存储器处。
9.根据权利要求1所述的方法,其中所述加密权重的所述解密使用块链接以提供更高的安全性。
10.根据权利要求1所述的方法,其中对所述第一层的输入为图像帧的未加密层。
11.一种芯片上硅SoC装置,其包括;
输入特征解密块,其配置成从多层卷积神经网络CNN数据的第一层接收加密输出且对所述加密输出进行解密,其中解密输出用作对所述多层CNN数据的第二层的输入;
权重内核解密块,其配置成接收对应于所述第二层的所述输入的加密权重且对所述加密权重进行解密;
CNN硬件HW核心,其配置成执行所述输入和解密权重的卷积以产生第二层输出;和
输出特征加密块,其配置成对所述第二层输出进行加密,其中加密的第二层输出用作对所述多层CNN数据的第三层的加密输入。
12.根据权利要求11所述的SoC装置,其进一步包括密钥管理,所述密钥管理配置成提供所述输入特征解密块的密钥以用于所述加密...
【专利技术属性】
技术研发人员:维拉马尼坎达恩·拉朱,迪帕克·波达尔,柴塔尼亚·格纳,米希尔·纳伦德拉·莫迪,
申请(专利权)人:德州仪器公司,
类型:发明
国别省市:美国;US
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。