[发明专利]可切换深度学习网络结构的方法与终端

权利要求书

1.一种用于图像处理的可切换深度学习网络结构的方法，其特征在于，所述方法包括：

获取输入图像，将所述输入图像划分为多个窗口；

对于每一个窗口的2维特征矩阵施加滤波器处理，得到滤波矩阵；

获取表示物体特征的一个或多个第一输入特征矩阵，其中所述第一输入特征矩阵是由所述滤波矩阵中的像素最大值组成；

根据每个所述第一输入特征矩阵，确定与所述第一输入特征矩阵对应的多个显著特征矩阵的值和与每个所述显著特征矩阵对应的一个切换变量的估计值；

根据所述显著特征矩阵的值，分别将每个所述第一输入特征矩阵中的对应元素与对应的多个所述显著特征矩阵中的对应元素进行相乘运算，得到多个第一结果矩阵；

将每个所述第一结果矩阵与预设的或训练得到的第一参数矩阵进行相乘运算，得到多个第二结果矩阵；

将每个所述第二结果矩阵与预设的或训练得到的第一偏移量矩阵进行相加运算，得到多个第三结果矩阵；

根据激活函数，对每个所述第三结果矩阵进行激活处理，得到多个激活矩阵；

将每个所述激活矩阵中的每个元素与对应的一个所述切换变量的估计值进行相乘运算，得到多个切换矩阵；

将多个所述切换矩阵中的对应元素进行累加求和运算，得到第一输出矩阵，所述第一输出矩阵用于获取标识所述输入图像的物体特征的输出矩阵。

2.根据权利要求1所述的方法，其特征在于，所述确定与每个所述显著特征矩阵对应的一个切换变量的估计值具体包括：

通过计算多个所述切换变量的概率值，保留所述概率值最大的所述切换变量的值，将除所述概率值最大的所述切换变量之外的其他所述切换变量置0，并将保留的所述切换变量的值和置0后的所述切换变量的值作为所述切换变量的估计值；

或者，通过)计算多个所述切换变量的概率值，将所述概率值最大的所述切换变量置1，将除所述概率值最大的所述切换变量之外的其他所述切换变量置0，并将置1后的所述切换变量的值和置0后的所述切换变量的值作为所述切换变量的估计值；

其中，所述x为所述第一输入特征矩阵；所述为初始的第k个第一参数矩阵的第j行的转置；所述b_kj为初始的第k个第一偏移量矩阵的第j个元素；所述k、j为正整数，所述为初始的第k个第一隐藏矩阵的转置；所述s_k为第k个所述切换变量的估计值。

3.根据权利要求1所述的方法，其特征在于，所述确定与每个所述显著特征矩阵对应的一个切换变量的估计值具体包括：

通过计算多个所述切换变量的概率值，保留所述概率值最大的所述切换变量的值，将除所述概率值最大的所述切换变量之外的其他所述切换变量置0，并将保留的所述切换变量的值和置0后的所述切换变量的值作为所述切换变量的估计值；

或者，通过计算多个所述切换变量的概率值，将所述概率值最大的所述切换变量置1，将除所述概率值最大的所述切换变量之外的其他所述切换变量置0，并将置1后的所述切换变量的值和置0后的所述切换变量的值作为所述切换变量的估计值；

其中，所述x为所述第一输入特征矩阵；所述y为预设的第二输出矩阵；所述为初始的第k个所述第一参数矩阵的第j行的转置；所述为初始的第二参数矩阵的第j列中所有元素形成的矩阵的转置；所述b_kj为初始的第k个所述第一偏移量矩阵的第j个元素的初始值；所述k为正整数，j为正整数，所述为初始的第k个所述第一隐藏矩阵的转置；所述λ_k为第四隐藏矩阵的第k个元素；所述d为第三隐藏矩阵；所述s_k为第k个所述切换变量的估计值；所述Z为正整数。

4.根据权利要求1所述的方法，其特征在于，所述显著特征矩阵的值由所述显著特征矩阵中各元素的概率值组成；

所述显著特征矩阵中各元素的概率值具体为，

通过计算；

其中，所述s_k为第k个所述切换变量的估计值；所述x为所述第一输入特征矩阵；所述h_k为预设的第k个第二隐藏矩阵；所述为初始的第k个第一参数矩阵的转置；所述c_k为初始的第k个第一隐藏矩阵；所述k为正整数；所述τ(·)为所述激活函数；所述m_k为预设的第k个所述显著特征矩阵；所述h为所述第二隐藏矩阵；所述s为所述切换变量的估计值。