图像识别处理方法和装置制造方法及图纸

本发明专利技术提供一种图像识别处理方法和装置。该方法包括：从数据传输总线获取原始图像数据、卷积神经网络配置参数和卷积神经网络运算参数，原始图像数据包括M个像素点数据，M为正整数；由卷积神经网络运算模块根据卷积神经网络配置参数和卷积神经网络运算参数对所述原始图像数据进行卷积神经网络运算，其中，卷积神经网络运算模块包括依次连接的卷积运算单元、批处理运算单元和激活运算单元。本发明专利技术实施例还提供对应的装置，本发明专利技术实施例提供的技术方案提升了图像识别处理的实时性。

Image recognition processing method and device

【技术实现步骤摘要】
图像识别处理方法和装置
本专利技术属于数据处理领域，具体涉及一种图像识别处理方法和装置。
技术介绍
卷积神经网络(ConvolutionalNeuralNetwork，简称CNN)最早由YannLecun提出，并且应用于手写数字识别并一直保持了其在该领域的霸主地位。近年来卷积神经网络在多个方向持续发力，在语音识别、人脸识别、通用物体识别、运动分析、自然语言处理甚至脑电波分析方面均有突破。CNN可以被扩大规模并且被配置成支持对学习处理的数据集添加标签。在这些条件下，已经发现CNN在学习复杂并且鲁棒的图像特征方面是成功的。CNN是一种前馈人工神经网络，其中各个单独的神经元以使得其对视场中的重叠区段作出响应的方式被拼贴。CNN是受到生物的视神经行为的启发。CNN利用多层神经元连接处理图像数据，从而在图像识别中实现高准确度。单一处理器在计算能力方面受到限制，因此，需要对其他计算配置进行探索以便满足支持CNN的需求。在各个探索领域当中，对于以图形处理单元(GPU)、多核处理器、现场可编程门阵列(FPGA)和专用集成电路(ASIC)上的通用计算的形式，利用硬件专门化的CNN加速器进行实现。需要说明的是，因为软件无法满足图像数据处理速度方面的需求，所以在图像数据处理领域，CNN加速器是通过硬件来实现的。现有技术中在进行图像识别处理时，其中的CNN运算需要大量的运算参数和配置参数，且不同层的CNN运算所需要的参数也有所不同，如何灵活进行参数配置是一个需要解决的问题。而且，现有技术中在进行图像识别处理时，其中的CNN运算需要对原始图像数据进行多层卷积神经网络运算，而其中的运算过程中所需要的参数数量巨大，导致图像识别处理过程中参数获取的实时性较差，因此，如何实时获取大量参数是需要解决的问题
技术实现思路
针对现有技术的图像识别处理过程中参数获取实时性差的问题，本专利技术提供了一种图像识别处理方法和装置，实现图像识别处理过程中根据实际需求实时提供卷积神经网络配置参数和运算参数。为了达到上述目的，本专利技术的技术方案是这样实现的：第一方面，本专利技术实施例提供了一种图像识别处理方法，包括：从数据传输总线获取原始图像数据、卷积神经网络配置参数和卷积神经网络运算参数，原始图像数据包括M个像素点数据，M为正整数；由卷积神经网络运算模块根据卷积神经网络配置参数和卷积神经网络运算参数对原始图像数据进行卷积神经网络运算，所述卷积神经网络运算模块包括依次连接的卷积运算单元、批处理运算单元和激活运算单元。可选的，从数据传输总线获取原始图像数据、卷积神经网络配置参数和卷积神经网络运算参数包括：从先进可扩展接口AXI总线获取原始图像数据、卷积神经网络配置参数和卷积神经网络运算参数。可选的，获取原始图像数据包括通过第一接口从数据传输总线被动获取中央处理器发送的原始图像数据，并将原始图像数据写入到第一存储单元中；获取卷积神经网络配置参数包括通过第一接口被动获取中央处理器发送的参数配置指令，并将参数配置指令发送给参数分发模块，参数配置指令包括卷积神经网络配置参数；获取卷积神经网络运算参数包括通过第二接口从数据传输总线主动读取外部存储器存储的卷积运算参数、批处理运算参数和激活运算参数，并将卷积运算参数和批处理运算参数写入到第二存储单元中，将激活运算参数发送给参数分发模块。可选的，还包括：运算控制模块从参数分发模块获取卷积神经网络配置参数中的控制类配置参数；运算控制模块根据控制类配置参数控制通过第一接口被动获取原始图像数据、通过第一接口被动获取参数配置指令以及通过第二接口分时主动读取卷积运算参数、批处理运算参数和激活运算参数；运算控制模块将卷积神经网络配置参数中的控制类配置参数发送给卷积神经网络运算模块。可选的，卷积神经网络运算模块还包括运算控制单元，方法还包括：运算控制单元接收卷积神经网络配置参数中的控制类配置参数，控制类配置参数包括输入或者输出原始图像尺寸、每层卷积神经网络的输入或者输出通道数目，并根据控制类配置参数控制从第一存储单元中读取原始图像数据，从第二存储单元中读取卷积运算参数和批处理运算参数，并将原始图像数据、卷积运算参数和批处理运算参数发送给卷积运算单元。可选的，方法还包括：所述运算控制模块从所述参数分发模块获取所述激活运算参数和所述卷积神经网络配置参数中的运算类配置参数，所述运算类配置参数包括卷积预算配置参数、卷积内核大小和池化方式；所述运算控制模块将所述激活运算参数和所述卷积神经网络配置参数中的运算类配置参数发送给所述卷积神经网络运算模块的运算控制单元；所述运算控制单元将激活运算参数发送给激活运算单元，以及将所述卷积运算配置参数、所述卷积内核大小发送给卷积运算单元，以及将所述池化方式发送给池化单元；或者，所述参数分发模块直接将所述激活运算参数发送给激活运算单元，以及将所述卷积运算配置参数和所述卷积内核大小发送给卷积运算单元，以及将所述池化方式发送给池化单元。可选的，方法还包括：对从第一存储单元中读取的原始图像数据进行图像填充处理后发送给卷积运算单元；以及，对从第二存储单元中获取的卷积运算参数进行累加求和处理后发送给卷积运算单元。可选的，第二存储单元包括第一存储器、第二存储器和第三存储器，将卷积运算参数和批处理运算参数写入到第二存储单元，以及从第二存储单元读取卷积运算参数和批处理运算参数包括：将卷积运算参数写入到第一存储器或第二存储器中，以及从第一存储器或第二存储器中读取卷积运算参数，且在向第一存储器写入卷积运算参数时，从第二存储器中读取卷积运算参数，或者，在向第二存储器写入卷积运算参数时，从第一存储器中读取卷积运算参数；将批处理运算参数写入到第三存储器中，以及从第三存储器中读取批处理运算参数。可选的，卷积神经网络运算模块包括N个并行设置的运算组件，每个运算组件包括依次连接的卷积运算单元、批处理运算单元和激活运算单元，N个运算组件分别对原始图像数据中的N个像素点数据同时进行卷积运算、批处理运算和激活运算，N为小于或等于M的正整数。第二方面，本专利技术实施例还提供了一种图像识别处理装置，包括：参数获取模块，包括用于传输原始图像数据、卷积神经网络配置参数和卷积神经网络运算参数的数据传输总线，所述参数获取模块用于从数据传输总线获取原始图像数据、卷积神经网络配置参数和卷积神经网络运算参数，原始图像数据包括M个像素点数据，M为正整数；卷积神经网络运算模块，与参数获取模块连接，用于根据卷积神经网络配置参数和卷积神经网络运算参数对原始图像数据进行卷积神经网络运算，所述卷积神经网络运算模块包括依次连接的卷积运算单元、批处理运算单元和激活运算单元。可选的，还包括参数分发模块，参数获取模块还包括第一接口、第二接口、第一存储单元和第二存储单元；第一接口的第一端与数据传输总线连接，第一接口的第二端分别与参数分发模块和第一存储本文档来自技高网...

【技术保护点】
1.一种图像识别处理方法，其特征在于，包括：/n从数据传输总线获取原始图像数据、卷积神经网络配置参数和卷积神经网络运算参数，所述原始图像数据包括M个像素点数据，M为正整数；/n由卷积神经网络运算模块根据卷积神经网络配置参数和卷积神经网络运算参数对所述原始图像数据进行卷积神经网络运算，所述卷积神经网络运算模块包括依次连接的卷积运算单元、批处理运算单元和激活运算单元。/n

【技术特征摘要】
1.一种图像识别处理方法，其特征在于，包括：
从数据传输总线获取原始图像数据、卷积神经网络配置参数和卷积神经网络运算参数，所述原始图像数据包括M个像素点数据，M为正整数；
由卷积神经网络运算模块根据卷积神经网络配置参数和卷积神经网络运算参数对所述原始图像数据进行卷积神经网络运算，所述卷积神经网络运算模块包括依次连接的卷积运算单元、批处理运算单元和激活运算单元。


2.根据权利要求1所述的图像识别处理方法，其特征在于，所述从数据传输总线获取原始图像数据、卷积神经网络配置参数和卷积神经网络运算参数包括：
从先进可扩展接口AXI总线获取原始图像数据、卷积神经网络配置参数和卷积神经网络运算参数。


3.根据权利要求2所述的图像识别处理方法，其特征在于，所述获取原始图像数据包括通过第一接口从数据传输总线被动获取中央处理器发送的原始图像数据，并将所述原始图像数据写入到第一存储单元中；
所述获取卷积神经网络配置参数包括通过第一接口被动获取中央处理器发送的参数配置指令，并将所述参数配置指令发送给参数分发模块，所述参数配置指令包括所述卷积神经网络配置参数；
所述获取卷积神经网络运算参数包括通过第二接口从数据传输总线主动读取外部存储器存储的卷积运算参数、批处理运算参数和激活运算参数，并将所述卷积运算参数和批处理运算参数写入到第二存储单元中，将所述激活运算参数发送给参数分发模块。


4.根据权利要求3所述的图像识别处理方法，其特征在于，还包括：
运算控制模块从参数分发模块获取所述卷积神经网络配置参数中的控制类配置参数；
所述运算控制模块根据所述控制类配置参数控制通过第一接口被动获取原始图像数据、通过第一接口被动获取参数配置指令以及通过第二接口分时主动读取卷积运算参数、批处理运算参数和激活运算参数；
所述运算控制模块将所述卷积神经网络配置参数中的控制类配置参数发送给卷积神经网络运算模块。


5.根据权利要求4所述的图像识别处理方法，其特征在于，所述卷积神经网络运算模块还包括运算控制单元，所述方法还包括：
所述运算控制单元接收所述卷积神经网络配置参数中的控制类配置参数，所述控制类配置参数包括输入或者输出原始图像尺寸、每层卷积神经网络的输入或者输出通道数目；
所述运算控制单元根据所述控制类配置参数控制从所述第一存储单元中读取原始图像数据，从所述第二存储单元中读取卷积运算参数和批处理运算参数，并将所述原始图像数据、卷积运算参数和批处理运算参数发送给卷积运算单元。


6.根据权利要求5所述的图像识别处理方法，其特征在于，所述方法还包括：
所述运算控制模块从所述参数分发模块获取所述激活运算参数和所述卷积神经网络配置参数中的运算类配置参数，所述运算类配置参数包括卷积预算配置参数、卷积内核大小和池化方式；
所述运算控制模块将所述激活运算参数和所述卷积神经网络配置参数中的运算类配置参数发送给所述卷积神经网络运算模块的运算控制单元；
所述运算控制单元将激活运算参数发送给激活运算单元，以及将所述卷积运算配置参数、所述卷积内核大小发送给卷积运算单元，以及将所述池化方式发送给池化单元；或者，
所述参数分发模块直接将所述激活运算参数发送给激活运算单元，以及将所述卷积运算配置参数和所述卷积内核大小发送给卷积运算单元，以及将所述池化方式发送给池化单元。


7.根据权利要求5所述的图像识别处理方法，其特征在于，所述方法还包括：
对所述从第一存储单元中读取的原始图像数据进行图像填充处理后发送给所述卷积运算单元；以及，对所述从第二存储单元中获取的卷积运算参数进行累加求和处理后发送给卷积运算单元。


8.根据权利要求5所述的图像识别处理方法，其特征在于，所述第二存储单元包括第一存储器、第二存储器和第三存储器，所述将卷积运算参数和批处理运算参数写入到第二存储单元，以及从第二存储单元读取卷积运算参数和批处理运算参数包括：
将所述卷积运算参数写入到第一存储器或第二存储器中，以及从第一存储器或第二存储器中读取所述卷积运算参数，且在向所述第一存储器写入所述卷积运算参数时，从所述第二存储器中读取所述卷积运算参数，或者，在向所述第二存储器写入所述卷积运算参数时，从所述第一存储器中读取所述卷积运算参数；
将所述批处理运算参数写入到所述第三存储器中，以及从所述第三存储器中读取所述批处理运算参数。


9.根据权利要求1所述的图像识别处理方法，其特征在于，所述卷积神经网络运算模块包括N个并行设置的运算组件，每个运算组件包括依次连接的卷积运算单元、批处理运算单元和激活运算单元，所述N个运算组件分别对所述原始图像数据中的N个像素点数据同时进行卷积运算、批处理运算和激活运算，N为小于或等于M的正整数。


10.一种图像识别处理装置，其特征在于，包括：
参数获取模块，包括用于传输原始图像数据、卷积神经网络配置参数和卷积神经网络运算参数的数据传输总线，所述参数获取模块用于从数据传输总线获取原始图像数据、卷积神经网络配置参数和卷积神经网络运算参数，所述原始图像数据包括M个像素点数据，M为正整数；
卷积神经网络运算模块，与所述参数获取模块连接，用于根据所述卷积神经网络配置参数和卷积神经网络运算参数对所述原始图像数据进行卷积神经网络运算，所述卷积神经网络运算模块包括依次连接的卷积运算单元、批处理运算单元和激活运算单元。


11.根据权利要求10所述的图像识别处理装置，其特征在于，还包括参数分发模块，所述参数获取模块还包括第一接口、第二接口、第一存储单元和第二存储单元；
所述第一接口的第一端与所述数据传输总...

【专利技术属性】
技术研发人员：刘敏丽，张楠赓，
申请(专利权)人：北京嘉楠捷思信息技术有限公司，
类型：发明
国别省市：北京;11