【技术实现步骤摘要】
信号处理方法、信号处理装置、终端设备及存储介质
本申请属于信号处理
,尤其涉及一种信号处理方法、信号处理装置、终端设备及存储介质。
技术介绍
卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。卷积神经网络通常由几种通用形式的结构层组合而成,如输入层、卷积层、池化层、全连接层。为了加深卷积神经网络,相关技术通常是对卷积神经网络中的结构层进行堆叠,导致卷积神经网络所需的计算量和存储空间越来越大。
技术实现思路
本申请实施例提供了一种信号处理方法、信号处理装置、终端设备及存储介质,以减少卷积神经网络所需的计算量和存储空间。第一方面,本申请实施例提供了一种信号处理方法,所述信号处理方法包括:获取待处理信号;将所述待处理信号分解为N个尺度的特征图,N为大于1的整数,所述待处理信号的尺度大于所述N个尺度中的最大尺度;将所述N个尺度的特征图输入至预设卷积神经网络,得到目标特征图,所述目标特征图的尺度小于所述N个尺度中的最小尺度。第 ...
【技术保护点】
1.一种信号处理方法,其特征在于,所述信号处理方法包括:/n获取待处理信号;/n将所述待处理信号分解为N个尺度的特征图,N为大于1的整数,所述待处理信号的尺度大于所述N个尺度中的最大尺度;/n将所述N个尺度的特征图输入至预设卷积神经网络,得到目标特征图,所述目标特征图的尺度小于所述N个尺度中的最小尺度。/n
【技术特征摘要】
1.一种信号处理方法,其特征在于,所述信号处理方法包括:
获取待处理信号;
将所述待处理信号分解为N个尺度的特征图,N为大于1的整数,所述待处理信号的尺度大于所述N个尺度中的最大尺度;
将所述N个尺度的特征图输入至预设卷积神经网络,得到目标特征图,所述目标特征图的尺度小于所述N个尺度中的最小尺度。
2.如权利要求1所述的信号处理方法,其特征在于,所述将所述待处理信号分解为N个尺度的特征图包括:
对所述待处理信号进行小波分解,得到所述N个尺度的特征图。
3.如权利要求1所述的信号处理方法,其特征在于,所述预设卷积神经网络包括所述N个尺度各自对应的网络块,所述网络块依次包括第一卷积层和池化层,所述N个尺度是按照由大至小的顺序排列的,所述将所述N个尺度的特征图输入至预设卷积神经网络,得到目标特征图包括:
将所述N个尺度中最大尺度的特征图输入至所述最大尺度对应的网络块,得到所述最大尺度对应的第一特征图,所述最大尺度对应的第一特征图的尺度与所述最大尺度的下一尺度相同;
将所述最大尺度的下一尺度作为目标尺度;
将所述目标尺度的特征图和所述目标尺度的上一尺度对应的第一特征图输入至所述目标尺度对应的网络块,得到所述目标尺度对应的第一特征图;
检测所述目标尺度是否为所述N个尺度中的最小尺度;
若所述目标尺度不为所述最小尺度,则将所述目标尺度的下一尺度作为所述目标尺度,并返回执行所述将所述目标尺度的特征图和所述目标尺度的上一尺度对应的第一特征图输入至所述目标尺度对应的网络块,得到所述目标尺度对应的第一特征图;
若所述目标尺度为所述最小尺度,则确定所述最小尺度对应的第一特征图为所述目标特征图。
4.如权利要求3所述的信号处理方法,其特征在于,所述预设卷积神经网络还包括所述目标尺度对应的第二卷积层;在将所述目标尺度的特征图和所述目标尺度的上一尺度对应的第一特征图输入至所述目标尺度对应的网络块之前,还包括:
将所述目标尺度的特征图和所述目标尺度的上一尺度对应的第一特征图输入至所述目标尺度对应的第二卷积层,得到所述目标尺度对应的...
【专利技术属性】
技术研发人员:王卫平,
申请(专利权)人:华晗科技深圳有限公司,
类型:发明
国别省市:广东;44
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。