[发明专利]用于可变计算资源的动态自适应卷积神经网络

说明书

讨论了涉及使用自适应卷积神经网络(CNN)进行对象检测的技术。这种技术包括：响应于用于处理输入图像数据的可用计算资源，将CNN的多种配置中的一种配置应用于输入图像数据。

背景技术

在分析一系列视频图像或帧中的图像或视频图像的情况下，卷积神经网络(CNN)可用于对象识别、人脸识别等。CNN以大的模型大小和大的计算成本为代价提供高质量结果，这可能使得在资源有限的环境中难以实现。特别地，在一些实现方式中，用于CNN推理的计算预算取决于实现CNN的设备或系统的变化的实时计算资源可用性。例如，在中央处理器(CPU)实现CNN的情况下，用于CNN计算负载的CPU的可用资源可能根据CPU上运行的其他应用(例如，防病毒应用突然运行等)而显著变化。

通常，在计算资源有限的情况下，计算机视觉系统跳过帧，并且可能丢失重要信息。例如，在自动驾驶应用中，当对象可能仅在一帧或两帧中出现在相机的视野中并且跳过帧可能丢失重要的对象识别信息时，这至关重要。

因此，用于在可变计算资源环境中实现CNN的当前技术具有局限性。处于这些和其他考虑，当前的改进是必要的。随着在各种情况下识别对象的需求变得越来越普遍，这种改进可能变得至关重要。

附图说明

在附图中以示例而非限制的方式示出了本文所述的材料。为了图示的简单和清楚起见，附图中图示的元件不必按比例绘制。例如，为了清楚起见，一些元件的大小可能相对于其他元件被放大。此外，在认为适当的地方，在附图中重复参考标记以指示对应或类似的元件。在图中：

图1示出了用于使用自适应于可用计算资源的CNN来执行对象识别的示例系统；

图2是示出用于使用自适应于可用计算资源的CNN执行对象识别的示例过程的流程图；

图3是示出用于训练自适应CNN的示例过程的流程图；

图4示出了示例自适应CNN的示例性训练；

图5示出了示例逐通道丢弃CNN训练技术；

图6示出了使用示例自适应CNN的示例性对象识别推理；

图7是示出用于使用基于可用计算资源自适应的卷积神经网络执行对象识别的示例过程的流程图；

图8是用于使用基于可用计算资源自适应的卷积神经网络来执行对象识别的示例系统的示意图；

图9是示例系统的示意图；以及

图10示出了全部根据本公开的至少一些实现方式布置的示例设备。

具体实施方式

现在参考附图描述一个或多个实施例或实现方式。虽然讨论了特定配置和布置，但是应该理解，这样做仅出于说明的目的。相关领域的技术人员将认识到，在不脱离描述的精神和范围的情况下，可以采用其他配置和布置。相关领域的技术人员将清楚，本文描述的技术和/或布置也可以用在与本文描述的系统和应用不同的各种其他系统和应用中。

尽管下面的描述阐述了例如可以在诸如片上系统(SoC)体系结构之类的体系结构中体现的各种实现方式，但是本文描述的技术和/或布置的实现方式不限于特定的体系结构和/或计算系统，而是可由任何体系结构和/或计算系统为类似目的而实现。例如，采用例如多个集成电路(IC)芯片和/或封装的各种体系结构、和/或诸如机顶盒、智能电话等各种计算设备和/或消费电子(CE)设备都可以实现本文所述的技术和/或布置。此外，尽管以下的描述可以阐述许多具体细节，诸如逻辑实现方式、系统组件的类型和相互关系、逻辑分区/集成选择等，但是要求保护的主题可以在没有这样的具体细节的情况下实现。在其他情况下，可能没有详细示出某些材料，例如控制结构和完整软件指令序列，以免模糊本文中公开的材料。