[发明专利]一种图像预测方法和装置

权利要求书

1.一种图像预测方法，其特征在于，所述方法包括：

确定预测图像的第1特征图，所述第1特征图是用于描述预测图像的矩阵；

从N＝1起至N＝M为止循环执行以下方法:根据第N特征图和D值卷积神经网络确定D个第N索引图，根据所述D值卷积神经网络的权重矩阵和所述D个第N索引图确定第N+1特征图，其中，M为所述D值卷积神经网络的卷积层数，M大于1，所述D值卷积神经网络包括多个分类器，每个分类器对应一种权重矩阵，D取值为2或3；

根据第M+1特征图进行预测，当获取第M+1特征图后，将该第M+1特征图与对比特征图进行确定，当该第M+1特征图与对比特征图的差不小于预设阈值时，确定该预测图像与卷积神经网络的训练模型为同一类，当该第M+1特征图与对比特征图的差大于预设阈值时，确定该预测图像与卷积神经网络的训练模块为不同类；

其中，根据所述D值卷积神经网络的权重矩阵和D个第N索引图确定第N+1特征图包括：

确定所述权重矩阵中第j列的X个元素在所述第N特征图的索引图中对应的X个索引图；

分别确定所述X个索引图中第x个索引图的第i行第x列的元素，x取值为0至X-1；

确定所述X个元素之和为第N+1特征图中的第i行第j列的元素。

2.根据权利要求1所述的方法，其特征在于，所述根据所述D值卷积神经网络的权重矩阵和所述D个第N索引图确定第N+1特征图包括：

通过如下公式确定第N+1特征图中的元素C(i，j)：

其中，所述k表示权重矩阵的行数，B[t][j]用于表示权重矩阵在第t行第j列的元素，对应于所述D个第N索引图之一，A[B[t][j]][i][t]表示根据权重矩阵的元素B[t][j]确定的索引图中的第i行第t列的元素。

3.根据权利要求1所述的方法，其特征在于，所述根据所述第N特征图和D值卷积神经网络，确定D个第N索引图，包括：

当所述D为3时，

将所述第N特征图的每个元素与-1相乘，得到所述第N索引图中的第1索引图；

将所述第N特征图的每个元素与0相乘，得到所述第N索引图中的第2索引图；

将所述第N特征图的每个元素与1相乘，得到所述第N索引图中的第3索引图。

4.根据权利要求1所述的方法，其特征在于，所述根据所述第N特征图和D值卷积神经网络，确定D个第N索引图，包括：

当所述D为2时，

将所述第N特征图的每个元素与-1相乘，得到所述第N索引图中的第1索引图；

将所述第N特征图的每个元素与1相乘，得到所述第N索引图中的第2索引图。

5.根据权利要求1所述的方法，其特征在于，

所述D值卷积神经网络用于执行多个分类任务，每个所述分类任务对应一个分类器，每个分类器对应一种权重矩阵，包括：

每个分类器对应多个权重过滤器，所述多个权重过滤器中的每个权重过滤器包括多个通道，每个通道表示输入特征图的一种特征的矩阵，

其中，每个分类器的多个权重过滤器中的每个权重过滤器构成权重矩阵的一行，以形成所述分类器对应的权重矩阵；或者，

每个分类器的多个权重过滤器中的每个权重过滤器构成权重矩阵的一列，以形成所述分类器对应的权重矩阵。

6.根据权利要求1-5中任一项所述的方法，其特征在于，所述确定预测图像的第1特征图前，所述方法还包括：

接收预测任务，所述预测任务包括预测图像和任务类型；

根据所述预测任务中包括的任务类型，确定与所述任务类型相匹配的分类器。