【技术实现步骤摘要】
无帧缓冲器的卷积神经网络系统与方法
本专利技术涉及一种卷积神经网络(CNN)，特别是关于一种无帧缓冲器的卷积神经网络系统。
技术介绍
卷积神经网络(convolutionalneuralnetwork,CNN)为人工神经网络(artificialneuralnetwork)的一种，可用于机器学习(machinelearning)。卷积神经网络可应用于信号处理，例如图像处理及计算机视觉。图1显示传统卷积神经网络900的方块图，揭示于LiDu等人所提出的“用于物联网的可重置串流之深卷积神经网络加速器(AReconfigurableStreamingDeepConvolutionalNeuralNetworkAcceleratorforInternetofThings)”，2017年8月，电机电子工程师学会(IEEE)电路与系统会刊(IEEETransactionsonCircuitsandSystems)I：定期论文，其内容视为本说明书的一部份。卷积神经网络900包含缓冲组(bufferbank)91，其包含单端口的静态...
【技术保护点】
1.一种无帧缓冲器的卷积神经网络系统，包括：/n感兴趣区域单元，用以提取特征，据以产生输入影像帧的感兴趣区域；/n卷积神经网络单元，处理该输入影像帧的感兴趣区域以检测对象；及/n追踪单元，比较不同时间提取的特征，使得该卷积神经网络单元据以选择地处理该输入影像帧。/n
【技术特征摘要】
1.一种无帧缓冲器的卷积神经网络系统，包括：
感兴趣区域单元，用以提取特征，据以产生输入影像帧的感兴趣区域；
卷积神经网络单元，处理该输入影像帧的感兴趣区域以检测对象；及
追踪单元，比较不同时间提取的特征，使得该卷积神经网络单元据以选择地处理该输入影像帧。
2.根据权利要求1所述的无帧缓冲器的卷积神经网络系统，其中该感兴趣区域单元采用基于扫描线的技术与基于区块的机制，用以于该输入影像帧中找出该感兴趣区域，其中，该输入影像帧分割为多个影像区块。
3.根据权利要求2所述的无帧缓冲器的卷积神经网络系统，其中该感兴趣区域单元产生基于区块的特征，据以决定每一影像区块是否执行卷积神经网络操作。
4.根据权利要求2所述的无帧缓冲器的卷积神经网络系统，其中该感兴趣区域单元包含：
特征提取器，自该输入影像帧提取该特征；及
分类器，决定每一影像区块是否执行卷积神经网络操作，因此产生决定图，据以决定该感兴趣区域。
5.根据权利要求4所述的无帧缓冲器的卷积神经网络系统，其中，该特征提取器根据基于区块的直方图或频率分析以产生该影像区块的浅特征。
6.根据权利要求4所述的无帧缓冲器的卷积神经网络系统，还包含缓存器，用以储存该特征。
7.根据权利要求6所述的无帧缓冲器的卷积神经网络系统，其中该缓存器包含：第一特征图，用以储存前一影像帧的特征；及第二特征图，用以储存目前影像帧的特征。
8.根据权利要求6所述的无帧缓冲器的卷积神经网络系统，其中该缓存器包含滑动视窗，用以储存该输入影像帧的区块。
9.根据权利要求7所述的无帧缓冲器的卷积神经网络系统，其中该追踪单元比较该第一特征图与该第二特征图，据以更新该决定图。
10.根据权利要求1所述的无帧缓冲器的卷积神经网络系统，其中该卷积神经网络单元包含：
卷积单元，包含多个卷积引擎，用以执行卷积操作于该感兴趣区域；
激励单元，当检测到默认特征时，该激励单元执行激励功能；及
池化单元，用以对该输入影像帧执行降低取样率。
11.一种用于无帧缓冲器的卷...
【专利技术属性】
技术研发人员：杨得炜，
申请(专利权)人：奇景光电股份有限公司，
类型：发明
国别省市：中国台湾;71
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。