一种用于视觉任务的分块卷积计算方法技术

本发明专利技术属于图像处理领域，具体涉及了一种用于视觉任务的分块卷积计算方法

【技术实现步骤摘要】
一种用于视觉任务的分块卷积计算方法、系统和设备


[0001]本专利技术属于图像处理领域，具体涉及了一种用于视觉任务的分块卷积模型
、
系统和设备
。

技术介绍

[0002]近年来，得益于图形处理器
(Graphic Processing Unit
，
GPU)
性能的不断提高，以及互联网时代下大量可标注数据的出现，深度学习技术得到了快速的发展
。
在计算机视觉和自然语言处理等领域，深度学习相关技术已经替代传统方法，成为解决该领域问题的主流选择，其中基于深度学习技术的无人驾驶汽车
、
智能语音助手等已经走进并服务于人们的日常生活，为人们的生产生活带来极大便利
。
[0003]在计算机视觉领域，以卷积神经网络为代表的深度学习技术取得了巨大的成功，一些优秀的卷积神经网络模型在对图像和视频的识别能力已经超过了人类，目前基于该技术的应用在生活中无处不在，如基于视觉的无人驾驶汽车
、
扫地机器人
、
火车站闸机及家用摄像头本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用于视觉任务的分块卷积计算方法，其特征在于，所述方法包括：步骤
S100
，通过图像采集设备获取待处理特征图，记为第0层特征图
feature0
；将当前特征图的层数记为
i
，此时
i
＝0；步骤
S200
，将当前特征图
featurei
均分为预设尺寸的多个原始
block
；步骤
S300
，基于所述原始
block
进行边缘补零获得补零
block
；步骤
S400
，通过卷积层逐个对所述补零
block
进行计算获得第
i+1
层特征图；步骤
S500
，将第
i+1
层特征图的组合作为待处理特征图的卷积计算结果
。2.
根据权利要求1所述的用于视觉任务的分块卷积计算方法，其特征在于，当卷积层为包括多层卷积层的分块卷积模型时，分块卷积模型的每一层为分块卷积层或最大池化层中的一种；在步骤
S500
之前，还包括步骤
S500A
；步骤
S500A
，令
i
＝
i+1
重复步骤
S200
至步骤
S400
的方法，直至达到预设的截止条件
。3.
根据权利要求2所述的用于视觉任务的分块卷积计算方法，其特征在于，所述分块卷积模型，每一层包括输入特征图
、
权重参数和输出特征图，第
i
层卷积层的输出特征图作为第
i+1
层卷积层的输入特征图
。4.
根据权利要求3所述的用于视觉任务的分块卷积计算方法，其特征在于，所述分块卷积模型，具体包括：设第
i
层为卷积层，第
i
层卷积层的输入特征图为
X
i
‑1，尺寸为
H
i
‑1×
W
i
‑1×
C
i
‑1；第
i
层卷积层的权重参数为
Kernel
i
和
Bias
i
，卷积核为
C
i
，卷积核的形状为
Kernel
i
的形状为
Bias
i
的形状为
C
i
×1，其中
K
表示常量；第
i
层卷积层的输出特征图为
X
i
，尺寸为
H
i
×
W
i
×
C
i
；第
i
层卷积层的分块卷积计算公式为：
X
i
＝
σ
(Z
i
)
其中，表示分块卷积运算，
σ
表示激活函数
。5.
根据权利要求4所述的用于视觉任务的分块卷积计算方法，其特征在于，所述分块卷积计算公式，具体表示：输出特征在
(h
，
w
，
c)
位置的元素值其计算方法为：其计算方法为：其中，表示第
i
层卷积层的输出特征图
X
i
在
(h
，
w
，
c)
处的元素值，表示
kernel
i
中第
n
个卷积核在
(h
，
w
，
c)
位置的元素值，表示
Bias
i
在
c
处的元素值，
B
为表示

【专利技术属性】
技术研发人员：尹志刚，张鹏，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：