[发明专利]一种卷积网络运算单元及可重构卷积神经网络处理器和实现图像去噪处理的方法

权利要求书

1.一种卷积网络运算单元，其特征在于：包括2个可重构分离卷积模块、非线性激活函数单元和乘累加器单元；

第一个可重构分离卷积模块的输出为非线性激活函数单元的输入，非线性激活函数单元的输出为乘累加器单元的输入，乘累加器单元的输出为第二个可重构分离卷积模块的输入；

图像信号和配置网络参数信号输入到第一个可重构分离卷积模块；第一个可重构分离卷积模块完成16×16卷积运算；非线性激活函数单元完成卷积神经网络中激活函数的运算；乘累加器单元完成卷积神经网络中的连接层的运算；第二个可重构分离卷积模块同时完成4个8×8卷积运算；

所述乘累加器单元包括若干乘累加器和若干寄存器；其中乘累加器用于计算上一层卷积网络的输出值与权重参数乘积的和；寄存器将上一层卷积网络的结果输入到乘累加器中；

所述可重构分离卷积模块包括16个4×4可重构一维卷积模块和第一寄存器组；第一寄存器组用于将图像信号或前一级输出和卷积网络参数输入到可重构一维卷积模块；可重构分离卷积模块用于完成1个16×16卷积或者同时完成4个8×8卷积运算；

4×4可重构一维卷积模块包括4个第一选择器、4个第一2输入乘法器、第一4输入加法器、4个第二2输入乘法器和第二4输入加法器；4个第一选择器的输出端连接对应的4个第一2输入乘法器的输入端，4个第一2输入乘法器的另外一个输入端为神经网络的权重；4个第一2输入乘法器的输出端连接第一4输入加法器的输入端；4个第二2输入乘法器的输入为第一4输入加法器的输出和神经网络的权重；第二4输入加法器的输入为4个第二2输入乘法器的输出。

2.根据权利要求1所述的一种卷积网络运算单元，其特征在于：所述非线性激活函数单元包括QD产生器和运算器组；其中QD产生器的输入为可重构分离卷积的输出，运算器组的输入为QD产生器的输出；QD产生器用于产生激活函数所需的参数；运算器组用于计算激活函数最终的结果值；

所述QD产生器包含一个第一除法器；输入信号输入到第一除法器，第一除法器输出商Q和余数D；所述运算器组包含移位寄存器、2个第一加法器和第二除法器；移位寄存器输出和为2个第一加法器的输入；2个第一加法器的输出为第二除法器的输入；移位寄存器、第一加法器和第二除法器依次连接。

3.一种可重构卷积神经网络处理器，其特征在于：包括总线接口、前处理单元、可重构硬件控制器、SRAM、SRAM控制模块、输入缓存模块、输出缓存模块、存储器、数据存储器控制器和若干权利要求1至2中任一项所述的卷积网络运算单元；总线接口连接前处理单元、数据存储器控制器、可重构硬件控制器和输入缓存、输出缓存；存储器连接数据存储器控制器；输入缓存连接可重构硬件控制器和SRAM控制模块；卷积网络运算单元连接输入缓存模块、输出缓存模块；

所述的前处理单元的输入为图像或者视频信号；完成白平衡、噪声过滤等前处理操作；

所述的输入缓存模块、输出缓存模块分别用于缓存卷积网络运算单元的输入和输出；

所述的可重构硬件控制器对卷积网络运算模块进行配置，控制其运算过程；在运算过程中或者结束时发送中断请求完成与外部系统的交互；

所述的SRAM控制模块用于控制卷积网络权重参数的传输。

4.根据权利要求3所述的一种可重构卷积神经网络处理器，其特征在于：包括512个卷积网络运算单元，实现基于卷积神经网络的图像去噪处理。

5.根据权利要求3所述的一种可重构卷积神经网络处理器，其特征在于：所述一种可重构卷积神经网络处理器实现一个3层卷积神经网络，用于去除图像或者视频中附着的雨滴和灰尘；所述的卷积神经网络第一层由512个16×16卷积构成，第二层为神经网络连接层，第三层由512个8×8卷积构成。

6.权利要求3所述的一种可重构卷积神经网络处理器实现图像去噪处理的方法，其特征在于：包括：

在图像去噪处理的过程中，随机减少卷积个数，减少硬件资源的消耗，提高处理速度；

或者，在图像去噪处理的过程中将16×16卷积运算单元和8×8卷积运算单元分别分成16个和4个4×4的卷积模板，对每个4×4的卷积采用一维卷积。