[发明专利]卷积处理方法、装置及电子设备

权利要求书

1.一种卷积处理方法，其特征在于，所述方法包括：

将待处理图像提供给神经网络；

所述待处理图像在经过所述神经网络中的位于不同网络深度的网络结构单元的依次处理后，形成所述待处理图像的图像特征，并输出；

其中，至少一网络深度的网络结构单元所执行的处理包括：对由上一网络深度的网络结构单元形成的图像特征进行卷积处理，并对卷积处理后的卷积结果进行门控制处理，至少根据所述门控制处理后的卷积结果，形成当前网络深度的图像特征；

所述至少根据所述门控制处理后的卷积结果，形成当前网络深度的图像特征包括：

根据待处理图像的初始图像特征与第0网络深度的网络结构单元对形成图像特征影响的卷积参数的卷积以及所述门控制处理后的卷积结果，形成当前网络深度的图像特征。

2.根据权利要求1所述的方法，其特征在于，所述网络深度包括：基于时序而形成的网络深度；

所述至少一网络深度的网络结构单元所执行的处理包括：

对由上一时刻网络深度的网络结构单元形成的图像特征进行卷积处理，并对卷积处理后的卷积结果进行门控制处理，至少根据所述门控制处理后的卷积结果，形成当前时刻网络深度的图像特征。

3.根据权利要求1或2所述的方法，其特征在于，所述对卷积处理后的卷积结果进行门控制处理包括：

根据门控制函数对所述卷积处理后的卷积结果进行门控制处理；

其中，所述门控制函数包括：Sigmoid函数或线性函数。

4.根据权利要求3所述的方法，其特征在于，所述根据门控制函数对所述卷积处理后的卷积结果进行门控制处理包括：

利用Sigmoid函数或线性函数形成门控制矩阵；

根据所述门控制矩阵与所述卷积处理后的卷积结果的运算结果，获得门控制处理的结果。

5.根据权利要求3所述的方法，其特征在于，所述对卷积处理后的卷积结果进行门控制处理包括：

将上一网络深度的网络结构单元形成的图像特征与上一网络深度对当前网络深度的网络结构单元形成图像特征影响的卷积参数的卷积的批规范化处理结果，与当前网络深度的门控制函数进行点积操作，并对点积操作后的结果进行批规范化处理。

6.根据权利要求5所述的方法，其特征在于，所述当前网络深度的门控制函数包括：

针对待处理图像的初始图像特征与初始图像特征对门控制函数影响的卷积参数的卷积的批规范化处理结果，与上一网络深度的图像特征对门控制函数影响的卷积参数与上一网络深度的图像特征的卷积的批规范化处理结果之和，进行Sigmoid处理或线性处理。

7.根据权利要求1所述的方法，其特征在于，所述根据待处理图像的初始图像特征与第0网络深度的网络结构单元对形成图像特征影响的卷积参数的卷积以及所述门控制处理后的卷积结果，形成当前网络深度的图像特征包括：

利用网络结构单元中的激活层的激活函数对待处理图像的初始图像特征与第0网络深度对形成图像特征影响的卷积参数的卷积的批规范化处理结果，与所述门控制处理后的卷积结果之和，进行处理，形成当前网络深度的图像特征。

8.根据权利要求1至7中任一项所述的方法，其特征在于，所述方法还包括：

根据神经网络输出的图像特征进行以下至少之一处理：

文字识别、行人检索、人脸识别、人脸位置检测、人脸关键点检测、人体位置检测、人体动作识别、人体关键点检测、手势识别、手位置检测、行人识别、车辆识别、场景识别以及活体检测。

9.根据权利要求1至7中任一项所述的方法，其特征在于，所述方法还包括：

将神经网络输出的图像特征分割为多个图像特征序列；

将所述多个图像特征序列依次输入至用于文字识别的神经网络中，经由所述用于文字识别的神经网络输出文字识别结果信息。

10.根据权利要求9所述的方法，其特征在于，所述用于文字识别的神经网络包括：长短期记忆网络LSTM。