[发明专利]深度神经网络结构、使用深度神经网络的方法及可读媒体

权利要求书

1.一种深度神经网络结构，所述深度神经网络用于将媒体数据识别及分类为多个预定数据类别中的一者，其特征在于，包括：

主路径，依顺序次序具有输入层、X个由层形成的群组、至少一个池化层、及分类层，所述输入层用于接收媒体数据，所述X个由层形成的群组用于从所述媒体数据提取特征，所述至少一个池化层用于对来自所述主路径中的所述X个由层形成的群组的输出进行向下采样，所述分类层用于所述媒体数据穿过所述主路径时，计算每一所述多个预定数据类别中的类别似然度，其中X 1且X是整数；

至少一个替代性路径，依顺序次序具有所述输入层、X个由层形成的群组、至少一个池化层、及分类层，所述X个由层形成的群组用于从所述媒体数据提取特征，所述至少一个池化层用于对来自所述至少一个替代性路径中的所述X个群组的输出进行向下采样，所述分类层用于当所述媒体数据穿过所述至少一个替代性路径时，计算每一所述多个预定数据类别的类别似然度，其中每一所述至少一个替代性路径中的所述X个由层形成的群组，是相对于由所述主路径中的所述X个由层形成的群组中的Y个群组，以及额外X-Y个由层形成的群组作为侧枝相应于所述主路径中的所述X个群组中的相应的第Y个群组延伸而出，其中所述主路径中的所述X个由层形成的群组中的相应的所述Y个群组是所述主路径中的所述X个由层形成的群组中的第一个群组至所述主路径中的所述X个由层形成的群组中的相应的所述第Y个群组，并且其中对于每一所述至少一个替代性路径，相应的所述Y是整数，且1 ≤ Y X；

融合层，其中所述主路径的所述分类层与所述至少一个替代性路径的所述分类层在所述融合层处合并；以及

预测器，依据最终类别似然度将所述媒体数据识别及分类，为所述多个预定数据类别中对应的一者，

其中所述深度神经网络引导所述媒体数据依序一次一个地穿过所述至少一个替代性路径及所述主路径中的一者或多者直至所述最终类别似然度被输出为止，而且输出所述至少一个替代性路径及所述主路径中首先达到或超过对应类别似然度阈值的那一个的最高类别似然度当成是所述最终类别似然度、或是输出来自所述融合层的最高融合类别似然度当成所述最终类别似然度，其中所述融合层的最高融合类别似然度是基于所述主路径及所述至少一个替代性路径中已引导所述媒体数据从中穿过的任何路径中的两者或更多者的所述类别似然度。

2.根据权利要求1所述的深度神经网络结构，其特征在于，直至所述深度神经网络已引导所述媒体数据依序穿过所述至少一个替代性路径中的每一者，所述深度神经网络才引导所述媒体数据穿过所述主路径。

3.根据权利要求2所述的深度神经网络结构，其特征在于，所述至少一个替代性路径包括多个替代性路径，所述深度神经网络先引导所述媒体数据依序穿过每一所述多个替代性路径后，所述深度神经网络才引导所述媒体数据穿过所述主路径，并且所述深度神经网络依序以所述侧枝在每一所述多个替代性路径的长度的递减次序引导所述媒体数据穿过所述多个替代性路径，且所述侧枝的所述长度在每一所述多个替代性路径是每一所述多个替代性路径的所述额外X-Y个由层形成的群组的总数，当所述多个替代性路径侧枝的所述长度有至少二者相同时，则依所述额外X-Y个由层形成的群组所包含的层的总数的递增次序引导所述媒体数据穿过所述多个替代性路径。

4.根据权利要求1所述的深度神经网络结构，其特征在于，当所述深度神经网络输出所述最终类别似然度时，所述深度神经网络停止引导所述媒体数据穿过所述至少一个替代性路径中的其余路径及所述主路径。

5.根据权利要求1所述的深度神经网络结构，其特征在于，

于目前一者在所述至少一个替代性路径及所述主路径中已引导所述媒体数据从中的所述最高类别似然度未达到或未超过所述对应类别似然度阈值时，所述融合层才针对每一所述多个预定数据类别计算所述主路径及所述至少一个替代性路径中已引导所述媒体数据从中穿过的任何路径中的所述两者或更多者的目前融合类别似然度，且

于下一者在所述至少一个替代性路径及所述主路径中已引导所述媒体数据从中的所述最高类别似然度未达到或未超过所述对应类别似然度阈值时，所述融合层才针对每一所述多个预定数据类别计算所述主路径及所述至少一个替代性路径中已引导所述媒体数据从中穿过的任何路径中的两者或更多者的下一融合类别似然度。