【技术实现步骤摘要】
【国外来华专利技术】使用改进的卷积神经网络用于图像处理的方法和系统
本专利技术的实施例在包括图像处理、图形处理和机器学习的数据处理的领域中。更具体地，本专利技术的实施例涉及使用改进的卷积神经网络（CNN）用于图像处理的方法和系统。
技术介绍
当前的并行图形数据处理包括被开发以对图形数据执行特定操作的系统和方法，所述特定操作诸如例如线性插值、曲面细分、光栅化、纹理映射、深度测试等。传统上，图形处理器使用了固定功能计算单元来处理图形数据；然而，最近，已使得图形处理器的各部分可编程，从而使得这样的处理器能够支持用于处理顶点和片段数据的更广泛种类的操作。为了进一步提高性能，图形处理器通常实现处理技术（诸如，流水线操作），所述处理技术试图贯穿图形流水线的不同部分来并行处理尽可能多的图形数据。具有单指令多线程（SIMT）架构的并行图形处理器被设计成最大化图形流水线中的并行处理量。在SIMT架构中，多组并行线程试图尽可能经常地一起同步地执行程序指令，以提高处理效率。用于SIMT架构的软件和硬件的一般概述可以在ShaneCook的CUDA编程（CUDA...
【技术保护点】
1.一种图像处理方法，其包括：/n将输入图像下采样成具有比所述输入图像小的分辨率的较小图像；/n通过卷积神经网络（CNN）来处理下采样的较小图像，所述卷积神经网络（CNN）具有比用于以全分辨率处理所述输入图像的完整CNN的最后一层具有减少的数目的节点的最后一层；以及/n通过具有有着减少的数目的节点的最后一层的所述CNN来输出经处理的下采样的较小图像的结果。/n
【技术特征摘要】
【国外来华专利技术】1.一种图像处理方法，其包括：
将输入图像下采样成具有比所述输入图像小的分辨率的较小图像；
通过卷积神经网络（CNN）来处理下采样的较小图像，所述卷积神经网络（CNN）具有比用于以全分辨率处理所述输入图像的完整CNN的最后一层具有减少的数目的节点的最后一层；以及
通过具有有着减少的数目的节点的最后一层的所述CNN来输出经处理的下采样的较小图像的结果。
2.根据权利要求1所述的图像处理方法，其中处理所述下采样的较小图像包括利用CNN内核处理所述下采样的较小图像，所述CNN内核具有用于所述下采样的较小图像的较小分辨率的参数。
3.根据权利要求1所述的图像处理方法，进一步包括：
将所述CNN的所述最后一层中的节点随机选择到多个子集节点中。
4.根据权利要求2所述的图像处理方法，进一步包括：
将节点的每个子集的输出转发到全连接层的相应组，相应全连接层的每组提供输出；
基于全连接层的每个相应组的所述输出来提供预测结果或Softmax函数中的一个。
5.一种用于服务器的系统，其包括：
处理核，所述处理核包括存储器存储以便以全分辨率存储输入图像；
I/O控制器中枢，所述I/O控制器中枢耦合至所述处理核以提供对所述处理核的网络和数据存储访问；以及
图形处理器，所述图形处理器耦合至所述I/O控制器中枢以：
将所述输入图像下采样成较小图像，每个较小图像具有比所述输入图像的全分辨率小的分辨率，以及
使用卷积神经网络（CNN）来处理所述较小图像，所述卷积神经网络（CNN）具有比用于以所述全分辨率处理所述输入图像的完整CNN的最后一层具有减少的数目的节点的最后一层，并且要使用具有有着减少的数目的节点的最后一层的所述CNN来输出经处理的较小图像的结果。
6.根据权利要求5所述的系统，其中所述图形处理器要利用CNN内核来处理所述较小图像，所述CNN内核具有用于所述较小图像的较小分辨率的参数。
7.根据权利要求5所述的系统，其中所述图形处理器要将所述CNN的所述最后一层中的节点随机选择到多个子集节点中。
8.根据权利要求7所述的系统，其中所述图形处理器要将节点的每个子集的输出转发到全连接层的相应组，全连接层的每个相应组提供输出，并且要基于全连接层的每个相应组的所述输出来提...
【专利技术属性】
技术研发人员：王山东，郭怡文，姚安邦，蔡东琪，王立彬，徐琳，胡平，程文华，陈玉荣，
申请(专利权)人：英特尔公司，
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。