【技术实现步骤摘要】
应用多馈送的图像编码方法和装置
本专利技术涉及应用多馈送的学习方法和学习装置、以及利用它们的测试方法和测试装置。具体涉及如下学习方法和学习装置、以及基于此的测试方法和测试装置:一种学习方法,其特征在于,所述学习方法是使用多馈送层能够对至少一个训练图像进行编码的CNN(ConvolutionalNeuralNetwork,卷积神经网络)的学习方法,所述CNN包括对所述训练图像应用至少一次以上的卷积运算来分别生成第一至第n主特征映射的第一至第n卷积层,并包括分别与所述n个卷积层中h个卷积层的每一层对应的第一至第h馈送层,所述h是1至n-1的整数,所述学习方法包括如下步骤:(a)学习装置获取所述训练图像;以及(b)所述学习装置使所述每一个卷积层对所述训练图像或者从之前的卷积层获取的主特征映射应用所述卷积运算来分别生成所述第一至第n主特征映射,所述学习装置使分别与所述第一至第h馈送层的每一层对应的所述h个卷积层之一的第k卷积层执行如下步骤,其中,所述h个卷积层选自所述第二至第n卷积层:(i)从由第k-1卷积层获取的第k-1主特征映射以及与所述第k卷积层对应的第m馈送层中,获取按照所述第k-1主特征映射的大小来调整所述训练图像的大小后的第m子特征映射,(ii)整合所述第m子特征映射以及所述第k-1主特征映射来生成第k-1整合特征映射,(iii)对所述第k-1整合特征映射应用所述卷积运算来生成第k主特征映射。
技术介绍
深度学习是一种用于对事物或数据进行聚类或分类的技术。例如,计算机不能只 ...
【技术保护点】
1.一种学习方法,其特征在于,/n所述学习方法是使用多馈送层能够对至少一个训练图像进行编码的CNN的学习方法,所述CNN包括对所述训练图像应用至少一次以上的卷积运算来分别生成第一至第n主特征映射的第一至第n卷积层,并包括分别与所述n个卷积层中h个卷积层的每一层对应的第一至第h馈送层,所述h是1至n-1的整数,所述学习方法包括以下步骤:/n(a)学习装置获取所述训练图像;以及/n(b)所述学习装置使所述每一个卷积层对所述训练图像或者从之前的卷积层获取的主特征映射应用所述卷积运算来分别生成所述第一至第n主特征映射,所述学习装置使分别与所述第一至第h馈送层的每一层对应的所述h个卷积层之一的第k卷积层执行以下步骤,其中,所述h个卷积层选自所述第二至第n卷积层:/n(i)从由第k-1卷积层获取的第k-1主特征映射以及与所述第k卷积层对应的第m馈送层中,获取按照所述第k-1主特征映射的大小来调整所述训练图像的大小后的第m子特征映射;/n(ii)整合所述第m子特征映射以及所述第k-1主特征映射来生成第k-1整合特征映射;/n(iii)对所述第k-1整合特征映射应用所述卷积运算来生成第k主特征映射。/ ...
【技术特征摘要】
20180917 US 16/132,4791.一种学习方法,其特征在于,
所述学习方法是使用多馈送层能够对至少一个训练图像进行编码的CNN的学习方法,所述CNN包括对所述训练图像应用至少一次以上的卷积运算来分别生成第一至第n主特征映射的第一至第n卷积层,并包括分别与所述n个卷积层中h个卷积层的每一层对应的第一至第h馈送层,所述h是1至n-1的整数,所述学习方法包括以下步骤:
(a)学习装置获取所述训练图像;以及
(b)所述学习装置使所述每一个卷积层对所述训练图像或者从之前的卷积层获取的主特征映射应用所述卷积运算来分别生成所述第一至第n主特征映射,所述学习装置使分别与所述第一至第h馈送层的每一层对应的所述h个卷积层之一的第k卷积层执行以下步骤,其中,所述h个卷积层选自所述第二至第n卷积层:
(i)从由第k-1卷积层获取的第k-1主特征映射以及与所述第k卷积层对应的第m馈送层中,获取按照所述第k-1主特征映射的大小来调整所述训练图像的大小后的第m子特征映射;
(ii)整合所述第m子特征映射以及所述第k-1主特征映射来生成第k-1整合特征映射;
(iii)对所述第k-1整合特征映射应用所述卷积运算来生成第k主特征映射。
2.根据权利要求1所述的方法,其特征在于,
所述(b)步骤包括如下步骤:
(b-1)所述学习装置使所述第m馈送层按照所述第k-1主特征映射的所述大小来调整所述训练图像的大小,生成调整大小后的第m训练图像;
(b-2)所述学习装置使所述第m馈送层对所述调整大小后的第m训练图像应用所述卷积运算来生成所述第m子特征映射;
(b-3)所述学习装置使所述第k卷积层整合所述第k-1主特征映射以及所述第m子特征映射来生成所述第k-1整合特征映射;以及
(b-4)所述学习装置使所述第k卷积层对所述第k-1整合特征映射应用所述卷积运算来生成所述第k主特征映射。
3.根据权利要求2所述的方法,其特征在于,
在所述(b-3)步骤中,逐像素地相加所述第k-1主特征映射和所述第m子特征映射来生成所述第k-1整合特征映射。
4.根据权利要求2所述的方法,其特征在于,
在所述(b-3)步骤中,将所述第k-1主特征映射和所述第m子特征映射连接起来生成所述第k-1整合特征映射。
5.根据权利要求2所述的方法,其特征在于,
在所述(b-2)步骤中,对所述调整大小后的第m训练图像应用所述卷积运算来生成所述第m子特征映射,以使得所述第m子特征映射的通道数与所述第k-1主特征映射的通道数对应。
6.根据权利要求1所述的方法,其特征在于,
所述(b)步骤包括如下步骤:
(b-1)所述学习装置使所述第m馈送层对所述调整大小后的第m训练图像应用所述卷积运算生成所述第m子特征映射,使所述第m子特征映射具有与所述第k-1主特征映射的大小对应的大小;
(b-2)所述学习装置使所述第k卷积层整合所述第k-1主特征映射以及所述第m子特征映射来生成所述第k-1整合特征映射;以及
(b-3)所述学习装置使所述第k卷积层对所述第k-1整合特征映射应用所述卷积运算来生成所述第k主特征映射。
7.根据权利要求6所述的方法,其特征在于,
在所述(b-1)步骤中,生成所述第m子特征映射,以使得所述第m子特征映射的大小以及通道数与所述第k-1主特征映射的所述大小以及所述通道数对应。
8.根据权利要求1所述的方法,其特征在于,还包括以下步骤:
(c)所述学习装置使至少一个全连接层对所述第n主特征映射应用至少一个全连接运算,生成对所述训练图像内的至少一个对象的检测结果;以及
(d)所述学习装置参照所述检测结果及其对应的地面实况来输出一个以上的损失值,通过反向传播所述损失值来学习所述CNN的一个以上的参数。
9.根据权利要求1所述的方法,其特征在于,还包括以下步骤:
(c)所述学习装置使解码层将所述第n主特征映射输入到所述解码层来生成分割结果;以及
(d)所述学习装置参照所述分割结果及其对应的地面实况来输出一个以上的损失值,通过反向传播所述损失值来学习所述CNN的一个以上的参数。
10.一种测试方法,其特征在于,
所述测试方法是使用多馈送层能够对至少一个测试图像进行编码的CNN的测试方法,所述CNN包括对所述测试图像应用至少一次以上的卷积运算来分别生成第一至第n主特征映射的第一至第n卷积层,并包括分别与所述n个卷积层中h个卷积层的每一层对应的第一至第h馈送层,所述h是1至n-1的整数,所述测试方法包括以下步骤:
(a)在学习装置执行以下处理的状态下,测试装置获取所述测试图像:
(1)使所述每一个卷积层对至少一个训练图像或者从之前的卷积层获取的学习用主特征映射应用所述卷积运算来分别生成所述学习用第一至第n主特征映射,所述学习装置使分别与所述第一至第h馈送层的每一层对应的所述h个卷积层之一的第k卷积层执行如下步骤,其中,所述h个卷积层选自所述第二至第n卷积层:(i)从由第k-1卷积层获取的学习用第k-1主特征映射以及与所述第k卷积层对应的第m馈送层中,获取按照所述学习用第k-1主特征映射的大小来调整所述训练图像的大小后的学习用第m子特征映射;(ii)整合所述第m子特征映射以及所述学习用第k-1主特征映射来生成学习用第k-1整合特征映射;(iii)对所述学习用第k-1整合特征映射应用所述卷积运算来生成学习用第k主特征映射;以及
(2)学习所述CNN的一个以上的参数;以及
(b)所述测试装置使所述每一个卷积层对所述测试图像或者从之前的卷积层获取的测试用主特征映射应用所述卷积运算来生成所述测试用第一至第n主特征映射,所述测试装置使分别与所述第一至第h馈送层的每一层对应的所述h个卷积层之一的第k卷积层执行以下步骤,其中,所述h个卷积层选自所述第二至第n卷积层:(i)从由第k-1卷积层获取的测试用第k-1主特征映射以及与所述第k卷积层对应的第m馈送层中,获取按照所述测试用第k-1主特征映射的大小来调整所述测试图像的大小后的测试用第m子特征映射;(ii)整合所述第m子特征映射以及所述测试用第k-1主特征映射来生成测试用第k-1整合特征映射;(iii)对所述测试用第k-1整合特征映射应用所述卷积运算来生成测试用第k主特征映射。
11.根据权利要求10所述的方法,其特征在于,所述(b)步骤包括以下步骤:
(b-1)所述测试装置使所述第m馈送层按照所述测试用第k-1主特征映射的所述大小来调整所述测试图像的大小,生成调整大小后的第m测试图像;
(b-2)所述测试装置使所述第m馈送层对所述调整大小后的第m测试图像应用所述卷积运算来生成所述测试用第m子特征映射;
(b-3)所述测试装置使所述第k卷积层整合所述测试用第k-1主特征映射以及所述测试用第m子特征映射来生成所述测试用第k-1整合特征映射;以及
(b-4)所述测试装置使所述第k卷积层对所述测试用第k-1整合特征映射应用所述卷积运算来生成所述测试用第k主特征映射。
12.根据权利要求11所述的方法,其特征在于,
在所述(b-3)步骤中,逐像素地相加所述测试用第k-1主特征映射和所述测试用第m子特征映射来生成所述测试用第k-1整合特征映射。
13.根据权利要求11所述的方法,其特征在于,
在所述(b-3)步骤中,将所述测试用第k-1主特征映射和所述测试用第m子特征映射连接起来生成所述测试用第k-1整合特征映射。
14.根据权利要求10所述的方法,其特征在于,所述(b)步骤包括如下步骤:
(b-1)所述测试装置使所述第m馈送层对所述调整大小后的第m测试图像应用所述卷积运算生成所述测试用第m子特征映射,来使得所述测试用第m子特征映射具有与所述测试用第k-1主特征映射的大小对应的大小;
(b-2)所述测试装置使所述第k卷积层整合所述测试用第k-1主特征映射以及所述测试用第m子特征映射来生成所述测试用第k-1整合特征映射;以及
(b-3)所述测试装置使所述第k卷积层对所述测试用第k-1整合特征映射应用所述卷积运算来生成所述测试用第k主特征映射。
15.根据权利要求14所述的方法,其特征在于,
在所述(b-1)步骤中,生成所述测试用第m子特征映射...
【专利技术属性】
技术研发人员:金桂贤,金镕重,金寅洙,金鹤京,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。