用于处理图像的方法和装置制造方法及图纸

本申请实施例公开了用于处理图像的方法和装置。上述方法的一具体实施方式包括：在卷积神经网络的各卷积层中确定出目标卷积层；确定输入上述目标卷积层的多个通道的特征图像；确定与上述目标卷积层对应的目标数量；将上述目标数量个通道的特征图像与上述目标卷积层中与上述目标数量个通道对应的目标数量个卷积核进行卷积计算；根据每次卷积计算得到的结果，确定上述目标卷积层的输出结果。该实施方式可以有效的减少卷积处理过程中的参数量和计算量。

【技术实现步骤摘要】
用于处理图像的方法和装置
本申请实施例涉及计算机
，具体涉及用于处理图像的方法和装置。
技术介绍
现有的基于深度学习的应用算法有很多，以目标检测算法为例，如RCNN系列的RCNN、SPPnet、FastRCNN、FasterRCNN，以及SSD、YOLO为代表的端到端目标检测算法，都能够很好的解决物体识别的问题。而所有的目标检测算法最关键的步骤就是提取图像中物体的特征，而基于深度学习的特征提取都是采用卷积神经网络来完成的。传统的卷积神经网络由卷积层、池化层、线性修正层等基本层组合构成，参数量和计算量占用最多的则是卷积层中的卷积运算。
技术实现思路
本申请实施例提出了用于处理图像的方法和装置。第一方面，本申请实施例提供了一种用于处理图像的方法，包括：在卷积神经网络的各卷积层中确定出目标卷积层；确定输入上述目标卷积层的多个通道的特征图像；确定与上述目标卷积层对应的目标数量；将上述目标数量个通道的特征图像与上述目标卷积层中与上述目标数量个通道对应的目标数量个卷积核进行卷积计算；根据每次卷积计算得到的结果，确定本文档来自技高网...

【技术保护点】
1.一种用于处理图像的方法，包括：/n在卷积神经网络的各卷积层中确定出目标卷积层；/n确定输入所述目标卷积层的多个通道的特征图像；/n确定与所述目标卷积层对应的目标数量；/n将所述目标数量个通道的特征图像与所述目标卷积层中与所述目标数量个通道对应的目标数量个卷积核进行卷积计算；/n根据每次卷积计算得到的结果，确定所述目标卷积层的输出结果。/n

【技术特征摘要】
1.一种用于处理图像的方法，包括：
在卷积神经网络的各卷积层中确定出目标卷积层；
确定输入所述目标卷积层的多个通道的特征图像；
确定与所述目标卷积层对应的目标数量；
将所述目标数量个通道的特征图像与所述目标卷积层中与所述目标数量个通道对应的目标数量个卷积核进行卷积计算；
根据每次卷积计算得到的结果，确定所述目标卷积层的输出结果。


2.根据权利要求1所述的方法，其中，所述将所述目标数量个通道的特征图像与所述目标卷积层中与所述目标数量个通道对应的目标数量个卷积核进行卷积计算，包括：
将所述目标数量个相邻通道的特征图像与所述目标卷积层中与所述目标数量个相邻通道对应的目标数量个卷积核进行卷积计算。


3.根据权利要求1所述的方法，其中，所述方法还包括：
将所述目标卷积层的输出结果作为卷积神经网络中所述目标卷积层的下一层的输入特征图像。


4.根据权利要求3所述的方法，其中，所述方法还包括：
根据卷积神经网络的最后一个卷积层的输出结果，识别输入所述卷积神经网络的图像中包括的对象。


5.根据权利要求1-4任一项所述的方法，其中，所述目标数量为2的N次方，N为自然数且N大于等于1。


6.一种用于处理图像的装置，包括：
第一确定单元，被配置成在卷积神经网络的各卷积层中确定出目标卷积层；
第二确定单元，被配置成确定输入所述目标卷积层的多个通道的特征图像；
第三确定单元，被配置成...

【专利技术属性】
技术研发人员：刘丹，
申请(专利权)人：北京京东乾石科技有限公司，
类型：发明
国别省市：北京;11