[发明专利]使用多通道特征图的图像处理装置和方法

说明书

提供了一种基于卷积神经网络(CNN)的图像处理方法和装置。基于CNN的图像处理方法包括：识别第一层处具有多个通道的每个特征图的像素值是否为零，并且存储关于识别像素值是否为零的结果的信息；将第一层处的特征图的图像特征信息写入外部存储器；基于关于识别像素值是否为零的结果的信息，从外部存储器读取写入的图像特征信息中关于值不为零的像素的信息；以及使用读取的特征图的图像特征信息执行第二层处的特征图操作。

技术领域

本公开涉及一种使用机器学习算法的人工智能(AI)系统及其应用，例如，涉及一种用于在使用多通道特征图的基于卷积神经网络(CNN)的图像处理过程期间减少计算量和存储器带宽的图像处理装置和方法。

背景技术

人工智能(AI)系统是能够实现一定程度的人类智能的计算机系统，并且是自学习和自确定的机器。随着这种AI系统的使用增加，其识别率越来越高。

AI技术包括使用用于对输入数据的特征进行自分类/学习的算法的机器学习(深度学习)技术、以及使用机器学习算法模仿人脑的认知功能、确定功能等的元素技术。

元素技术包括例如以下技术中的至少一种：用于识别人类语言/字符的语言理解技术、用于从人类视角识别事物的视觉理解技术、用于对信息进行识别和逻辑推理并进行预测的推理/预测技术、用于基于知识数据处理人类经验信息的知识表示技术、用于控制车辆的自驾驶和机器人的移动的操作控制技术等。

特别地，从人类视角识别和处理事物的视觉理解技术包括对象识别、对象跟踪、视频搜索、人类识别、场景理解、对空间的理解、视频增强等。

发明内容

技术方案

本公开的各种实施例提供了图像处理装置和方法，用于在使用多通道特征图的基于卷积神经网络(CNN)的图像处理过程期间分析第一层处的每个特征图，并使用分析第一层处的每个特征图的结果来确定用于执行第二层处的多通道特征图操作的特征图，从而减少了计算量和存储器带宽。

有益效果

在使用多通道特征图的基于卷积神经网络(CNN)的图像处理过程期间，本公开的各个实施例可以减少计算量和存储器带宽。

附图说明

根据结合附图的以下描述，本公开的某些实施例的上述以及其他方面、特征和优点将更加清楚，在附图中：

图1是示出根据实施例的图像处理装置的图，该图像处理装置用于在使用多通道特征图的基于卷积神经网络(CNN)的图像处理过程期间分析第一层处的每个特征图并使用分析每个特征图的结果来确定用于执行第二层处的多通道特征图操作的特征图；

图2是示出根据实施例的使用多通道特征图的基于CNN的图像处理过程的示例的图；

图3是示出根据实施例的对多通道特征图和滤波器内核执行卷积操作的示例的图；

图4和图5是示出根据各种实施例的示例图像处理装置的框图，该示例图像处理装置用于在使用多通道特征图的基于CNN的图像处理过程期间分析第一层处的每个特征图并基于分析每个特征图的结果来确定用于执行第二层处的多通道特征图操作的特征图；

图6是示出根据实施例的用于执行第二层处的多通道特征图操作的特征图的示例的图，所述特征图是使用分析第一层处的特征图的结果而确定的；

图7是示出根据另一实施例的用于执行第二层处的多通道特征图操作的特征图的示例的图，所述特征图是使用分析第一层处的特征图的结果而确定的；

图8是示出根据实施例的对多通道特征图进行重新排序的过程的示图；

图9是示出根据实施例的通过执行图像处理方法来降低存储器使用率的示例的图；