[发明专利]对象识别方法及设备

说明书

公开了对象识别方法及设备，所述对象识别方法包括：通过执行神经网络的当前层的输入图与当前层的权重内核之间的卷积运算，生成当前层的输出图；基于神经网络中正在处理的激活数据的至少一部分的分布，确定当前层的输出图的轻量级格式；基于确定的轻量级格式，将与当前层的输出图对应的激活数据轻量化为具有低位宽。

本申请要求于2018年2月14日提交到韩国知识产权局的第10-2018-0018818号韩国专利申请、于2018年3月19日提交到韩国知识产权局的第10-2018-0031511号韩国专利申请以及于2018年8月13日提交到韩国知识产权局的第10-2018-0094311号韩国专利申请的权益，所述韩国专利申请的全部公开出于所有目的通过引用包含于此。

技术领域

下面的描述涉及一种对象识别方法和对象识别设备。

背景技术

例如，识别的技术自动化已经通过作为专用计算架构的处理器实现的神经网络模型而被实现，其中，在大量训练之后，处理器实现的神经网络模型可在输入模式与输出模式之间提供计算上直观的映射。生成这样的映射的训练能力可被称为神经网络的学习能力。此外，由于专门训练，因此这样专门训练的神经网络可具有针对输入模式生成相对准确的输出的概括能力，其中，例如，神经网络可能尚未针对所述输入模式被训练。这样，神经网络模型可应用于对象识别。

发明内容

以简化的形式提供本发明内容来介绍构思的选择，其中，在下面具体实施方式中进一步描述所述构思的选择。本发明内容不意图标识要求保护的主题的关键特征或必要特征，也不意图用于帮助确定要求保护的主题的范围。

在一个总体方面，一种使用神经网络的处理方法包括：通过执行神经网络的当前层的输入图与当前层的权重内核之间的卷积运算，生成当前层的输出图；基于神经网络中正在处理的激活数据的至少一部分的分布，确定当前层的输出图的轻量级格式；基于确定的轻量级格式，将与当前层的输出图对应的激活数据轻量化为具有低位宽。

确定轻量级格式的步骤可包括：基于当前层的输出图的最大值，确定输出图的轻量级格式。

轻量化的步骤可包括：基于确定的轻量级格式，将神经网络的与当前层的输出图对应的后续层的输入图轻量化为具有低位宽。

轻量化的步骤可包括：通过使用与确定的轻量级格式对应的值对神经网络的与当前层的输出图对应的后续层的输入图执行移位操作，将后续层的输入图轻量化为具有低位宽。

所述处理方法还可包括：从存储器加载当前层的输出图；基于加载的当前层的输出图，更新被配置为存储当前层的输出图的最大值的寄存器。可基于存储在寄存器中的值来执行确定轻量级格式的步骤。

确定轻量级格式的步骤可包括：基于神经网络的前一层的输出图的最大值，预测当前层的输出图的最大值；基于预测的当前层的输出图的最大值，确定当前层的输出图的轻量级格式。

轻量化的步骤可包括：基于确定的轻量级格式，将当前层的输出图轻量化为具有低位宽。

轻量化的步骤可包括：通过使用与确定的轻量级格式对应的值对当前层的输出图执行移位操作，将具有高位宽的当前层的输出图轻量化为具有低位宽。

所述处理方法还可包括：基于通过卷积运算生成的当前层的输出图，更新被配置为存储当前层的输出图的最大值的寄存器。可基于存储在寄存器中的值，预测神经网络的后续层的输出图的最大值。

所述处理方法还可包括：通过参考包括针对每个层和输出通道的权重内核的数据库，获得与当前在当前层中正在处理的第一输出通道对应的第一权重内核。生成当前层的输出图的步骤可包括：通过执行当前层的输入图与第一权重内核之间的卷积运算，生成与第一输出通道对应的第一输出图。第一权重内核可独立于与当前层的第二输出通道对应的第二权重内核而被确定。

当前层的输入图和当前层的权重内核可具有低位宽，当前层的输出图可具有高位宽。