[发明专利]基于分解径向对称卷积核的卷积优化方法、装置、终端设备及计算机可读存储介质

说明书

本发明公开了基于分解径向对称卷积核的卷积优化方法、装置、终端设备及计算机可读存储介质，所述方法包括：输入待识别图像，并对所述待识别图像进行预处理；分别利用预先分解m*m径向对称卷积核得到的1个1*1的卷积核和(m‑1)/2个1*m(m＝2k+3,k∈N)的卷积核，对经过预处理的待识别图像进行卷积，得到1个1*1的第一特征图和(m‑1)/2个1*m(m＝2k+3,k∈N)的第二特征图；进一步对第二特征图进行卷积，得到第三特征图；对第一特征图和(第三特征图进行求和，得到目标特征图，并输出所述目标特征图。本发明通过在降低径向对称卷积核计算量的基础上降低参数量，进而达到对卷积进行优化的目的。

技术领域

本发明涉及神经网络技术领域，尤其涉及基于分解径向对称卷积核的卷积优化方法、装置、终端设备及计算机可读存储介质。

背景技术

卷积神经网络(CNN)是近几年图像处理与识别领域最常用的一种神经网络，它具有较好的特征分类效果和易于高维数据处理的优点，但是卷积神经网络容易出现过拟合现象，且卷积神经网络的鲁棒性较低，因此，在传统的卷积神经网络构建中，常常会将原始训练集图片进行镜像以及大角度的旋转处理，以增加卷积神经网络的鲁棒性，使得卷积神经网络可识别任意角度的图片；但是这种传统方法却会产生增大数据量，使得训练时间增长的问题。

现有技术中，针对所述传统方法存在的问题，通常采用具有径向对称性质的卷积核，其在卷积神经网络的使用中能够提供良好的鲁棒性，且能够降低出现过拟合现象的可能性。然而所述径向对称卷积核在运算中计算量过大，现有的针对该计算量过大的问题的技术方案主要是，在卷积神经网络中采用卷积核裁剪法和多通道卷积优化算法。但是，发明人在实施现有技术方案时，发现这些优化算法在使用中会出现参数量过大的问题。

发明内容

本发明所要解决的技术问题在于，提供基于分解径向对称卷积核的卷积优化方法、装置、终端设备及计算机可读存储介质，通过在降低径向对称卷积核计算量的基础上降低参数量，进而达到对卷积进行优化的目的。

为了解决上述技术问题，本发明的一个实施例提供了基于分解径向对称卷积核的卷积优化方法，适于在计算设备中执行，包括如下步骤：

输入待识别图像，并对所述待识别图像进行预处理；

分别利用预先分解m*m径向对称卷积核得到的1个1*1的卷积核和(m-1)/2 个1*m(m＝2k+3,k∈N)的卷积核，对经过预处理的待识别图像进行卷积，得到1 个1*1的第一特征图和(m-1)/2个1*m(m＝2k+3,k∈N)的第二特征图；再利用预先分解m*m径向对称卷积核得到的与(m-1)/2个1*m(m＝2k+3,k∈N)的卷积核一一对应的(m-1)/2个m*1(m＝2k+3,k∈N)的卷积核，对(m-1)/2个1*m(m＝2k+3,k∈N) 的第二特征图进行卷积，得到(m-1)/2个m*1(m＝2k+3,k∈N)的第三特征图；

对1个1*1的第一特征图和(m-1)/2个m*1(m＝2k+3,k∈N)的第三特征图进行求和，得到目标特征图，并输出所述目标特征图。

进一步地，所述对所述待识别图像进行预处理，具体为：

根据预设参数，对所述待识图像进行随机拉伸和明暗调整，并加入特定的高斯噪声；

进一步地，根据卷积处理的要求，对所述待识图像进行0～π/2角度的旋转和切割。

进一步地，每一个卷积核的卷积核矩阵A满足如下公式：

其中，

进一步地，每一个m*1(m＝2k+3,k∈N)的卷积核与对应的一个m*1(m＝2k+3,k ∈N)的卷积核组成一个等比对称向量组，即ISV，具体的：