【技术实现步骤摘要】
一种卷积神经网络输入层装置及其工作方法
本专利技术涉及人工智能领域，具体涉及一种卷积神经网络输入层装置及其工作方法。
技术介绍
3D卷积神经网络模型可以从动态视频图像序列中提取目标特征。3D卷积神经网络工作时，通常利用3D卷积机制将多帧相同尺寸的视频图像积叠成图像立方体。由于输入层包含了连续多帧视频图像序列，3D卷积神经网络模型能够有效提取视频数据中目标的动态特征。3D卷积神经网络模型中，连续视频图像序列中的图像尺寸完全一样。事实上，连续视频图像序列中的图像在提取目标特征过程中所起的作用随时间推移逐步递减。因此，3D卷积神经网络模型采用同规格多帧图像做输入层的方案占用了过多的网络数据资源。现有技术公开了3D卷积神经网络的动态视频图像目标特征提取方法。但是，这类方法存在算法模型的结构性冗余问题，导致训练和预测计算量较大，运行效率低。由于视频图像帧所占内存空间较大，现有技术所能接受的连续视频帧的数量非常有限，难以识别持续时间较长的复杂行为目标。
技术实现思路
本专利技术的目的是针对上述不足，提...
【技术保护点】
1.一种卷积神经网络输入层系统，其特征在于，包括若干图像存储区，记作An，图像变换模块，记作Bn，每一图像变换模块的输入端和输出端均与图像存储区相连，每一图像存储区还连接异步卷积层，记作C，异步卷积层的输出端连接特征层，记作D，特征层连接用于后续的特征提取和输出的卷积神经网络，记作E。/n
【技术特征摘要】
1.一种卷积神经网络输入层系统，其特征在于，包括若干图像存储区，记作An，图像变换模块，记作Bn，每一图像变换模块的输入端和输出端均与图像存储区相连，每一图像存储区还连接异步卷积层，记作C，异步卷积层的输出端连接特征层，记作D，特征层连接用于后续的特征提取和输出的卷积神经网络，记作E。
2.如权利要求1所述的一种卷积神经网络输入层系统，其特征在于，包括如下步骤：
S1、新的视频帧到来之前，图像存储区An-1存储的信息经图像变换模块Bn变换后存放在图像存储区An；
S2、对于异步卷积层C中的任意一个卷积核，在对图像存储区中数据做卷积运算时，图像像素的定位原则为图像A0按照传统卷积计算方法读取像素的值；卷积运算读取原始图像像素P(x,y)的值时，直接从图像A0的(x,y)位置处读取像素值，图像A1、A2、...
【专利技术属性】
技术研发人员：许野平，朱爱红，
申请(专利权)人：神思电子技术股份有限公司，
类型：发明
国别省市：山东;37
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。