[发明专利]信息输出方法和装置

权利要求书

1.一种信息输出方法，包括：

针对对输入到待裁剪卷积神经网络中的图像进行处理的至少一个卷积核中的每个卷积核，基于该卷积核中的至少一个元素，确定该卷积核的第一分数，基于经过该卷积核的处理所得到的至少一张特征图中每张特征图上的至少一个特征值，确定该卷积核的第二分数，基于所述第一分数和所述第二分数，确定该卷积核的第三分数；

按照第三分数由小到大的顺序选取第一预设数目个卷积核，并裁剪所述待裁剪卷积神经网络中选取出的卷积核；

输出裁剪后的卷积神经网络。

2.根据权利要求1所述的方法，其中，所述方法还包括：

将对输入到目标卷积神经网络的最后一个卷积层中的图像进行处理的卷积核的数量修改为第二预设数目；

利用机器学习方法，将环境样本图像作为输入，将交通灯识别结果作为输出，对修改后的目标卷积神经网络进行训练得到训练后的卷积神经网络，并将所述训练后的卷积神经网络确定为待裁剪卷积神经网络，其中，所述交通灯识别结果的取值的数目为所述第二预设数目个。

3.根据权利要求2所述的方法，其中，所述按照第三分数由小到大的顺序选取第一预设数目个卷积核，包括：

按照第三分数由小到大的顺序选取除对输入到所述最后一个卷积层中的图像进行处理的卷积核之外的第一预设数目个卷积核。

4.根据权利要求3所述的方法，其中，在所述输出裁剪后的卷积神经网络之后，所述方法还包括：

采集无人驾驶车辆在行驶过程中的环境图像；

将所述环境图像输入到所述裁剪后的卷积神经网络得到交通灯识别结果；

执行与所述交通灯识别结果相关的操作。

5.根据权利要求1所述的方法，其中，所述确定该卷积核的第一分数，包括：

确定所述至少一个元素的平方和，将所述平方和与所述至少一个元素的个数的商确定为该卷积核的第一分数。

6.根据权利要求1所述的方法，其中，所述确定该卷积核的第二分数，包括：

针对每个特征图，将该特征图上的至少一个特征值之和与所述至少一个特征值的个数的商确定为该卷积核针对该特征图的分数；

将该卷积核针对所述至少一个特征图的至少一个分数的平均值确定为该卷积核的第二分数。

7.根据权利要求1所述的方法，其中，所述确定该卷积核的第三分数，包括：

将所述第一分数与所述第二分数的平均值确定为该卷积核的第三分数。

8.一种信息输出装置，包括：

确定单元，配置用于针对对输入到待裁剪卷积神经网络中的图像进行处理的至少一个卷积核中的每个卷积核，基于该卷积核中的至少一个元素，确定该卷积核的第一分数，基于经过该卷积核的处理所得到的至少一张特征图中每张特征图上的至少一个特征值，确定该卷积核的第二分数，基于所述第一分数和所述第二分数，确定该卷积核的第三分数；

裁剪单元，配置用于按照第三分数由小到大的顺序选取第一预设数目个卷积核，并裁剪所述待裁剪卷积神经网络中选取出的卷积核；

输出单元，配置用于输出裁剪后的卷积神经网络。

9.根据权利要求8所述的装置，其中，所述装置还包括：

修改单元，配置用于将对输入到目标卷积神经网络的最后一个卷积层中的图像进行处理的卷积核的数量修改为第二预设数目；

训练单元，配置用于利用机器学习方法，将环境样本图像作为输入，将交通灯识别结果作为输出，对修改后的目标卷积神经网络进行训练得到训练后的卷积神经网络，并将所述训练后的卷积神经网络确定为待裁剪卷积神经网络，其中，所述交通灯识别结果的取值的数目为所述第二预设数目个。

10.根据权利要求9所述的装置，其中，所述裁剪单元进一步配置用于：

按照第三分数由小到大的顺序选取除对输入到所述最后一个卷积层中的图像进行处理的卷积核之外的第一预设数目个卷积核。