【技术实现步骤摘要】
使用卷积神经网络对图像进行卷积计算的方法和装置
本专利技术涉及卷积神经网络
，尤其是涉及一种使用卷积神经网络对图像进行卷积计算的方法和装置。
技术介绍
相关技术中，卷积神经网络算法包括一步法和两步法。其中，两步法需要两个模型进行计算，首先采用第一个模型进行粗检测网络的计算，得到有效区域，比如目标(如人脸)出现的几率热力图；然后在第一个模型的输出图像的基础上抠图，抠图后的图像作为第二个模型的输入图像，由第二个模型进行精细检测网络或属性网络的计算，从而得到需要的准确检测或属性结果。两步法的卷积神经网络需要两个模型，而且还需要由CPU(CentralProcessingUnit，中央处理器)进行繁琐的图像处理操作(例如：抠图、大小调整、对齐等)，并且往往后一个模型的输入图像都会比较小而多，这些操作会影响卷积神经网络的计算效率，导致总体效率偏低。一步法是指通过一个模型直接把整个图像中每一区域的检测结果和属性结果计算出来。从头到尾整个模型需要把输入图像的所有区域都计算一遍，当输入图像很大时，要获得足够的精度，模型...
【技术保护点】
1.一种使用卷积神经网络对图像进行卷积计算的方法，其特征在于，将所述图像输入所述卷积神经网络；所述卷积神经网络的第一卷积层输出第一特征图，所述第一特征图包含第一控制通道，所述第一卷积层为所述卷积神经网络的中间卷积层；所述方法包括：/n将所述第一控制通道中特征值小于预设阈值的区域作为第一控制区域，所述第一控制通道为所述第一特征图中的一个通道，所述第一控制通道任一位置的特征值用于表征所述第一特征图的对应位置属于目标特征的概率；/n根据所述第一控制区域确定所述第一特征图的冗余区域；/n所述第一特征图中除冗余区域以外的其他区域进入所述第一卷积层的下一卷积层进行卷积运算，得到第二特征图。/n
【技术特征摘要】
1.一种使用卷积神经网络对图像进行卷积计算的方法，其特征在于，将所述图像输入所述卷积神经网络；所述卷积神经网络的第一卷积层输出第一特征图，所述第一特征图包含第一控制通道，所述第一卷积层为所述卷积神经网络的中间卷积层；所述方法包括：
将所述第一控制通道中特征值小于预设阈值的区域作为第一控制区域，所述第一控制通道为所述第一特征图中的一个通道，所述第一控制通道任一位置的特征值用于表征所述第一特征图的对应位置属于目标特征的概率；
根据所述第一控制区域确定所述第一特征图的冗余区域；
所述第一特征图中除冗余区域以外的其他区域进入所述第一卷积层的下一卷积层进行卷积运算，得到第二特征图。
2.根据权利要求1所述的方法，其特征在于，根据所述第一控制区域确定所述第一特征图的冗余区域的步骤，包括：
将所述第一特征图中与所述第一控制区域坐标位置对应的区域作为所述第一特征图的冗余区域。
3.根据权利要求1所述的方法，其特征在于，在得到第二特征图的步骤之后，所述方法还包括：将所述第二特征图中与所述第一特征图的冗余区域对应的区域的特征值设置为固定值。
4.根据权利要求1所述的方法，其特征在于，所述卷积神经网络的第三卷积层输出第三特征图，所述第三特征图包含第三控制通道，所述第三卷积层为所述卷积神经网络中不同于所述第一卷积层的中间卷积层；所述方法还包括：
将所述第三控制通道中特征值小于预设阈值的区域作为第三控制区域，所述第三控制通道为所述第三特征图中的一个通道，所述第三控制通道任一位置的特征值用于表征所述第三特征图的对应位置属于目标特征的概率；
根据所述第三控制区域确定所述第三特征图的冗余区域；
所述第三特征图中除冗余区域以外的其他区域进入所述第三卷积层的下一卷积层进行卷积运算，得到第四特征图。
5.根据权利要求1所述的方法，其特征在于，所述卷积神经网络的第三卷积层输出第三特征图，所述第三卷积层为所述卷积神经网络中不同于所述第一卷积层的中间卷积层；所述方法还包括：
根据所述第一控制区域确定所述第三特征图的冗余区域；
所述第三特征图中除冗余区域以外的其他区域进入所述第三卷积层的下一卷积层进行卷积运算，得到第四特征图；其...
【专利技术属性】
技术研发人员：梁喆，周舒畅，曹宇辉，
申请(专利权)人：北京爱芯科技有限公司，
类型：发明
国别省市：北京;11
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。