[发明专利]图像分类方法、数据处理方法和装置

说明书

本申请提供了图像分类方法和装置，涉及人工智能领域，具体涉及计算视觉领域。其中，该图像分类方法包括：获取神经网络的基准卷积核的卷积核参数和神经网络的掩码张量，对该神经网络的基准卷积核以及基准卷积核对应的掩码张量进行哈达玛积运算，得到多个子卷积核；根据该多个子卷积核对待处理图像进行卷积处理，并根据卷积最终得到的卷积特征图对待处理图像分类，得到待处理图像的分类结果。由于掩码张量相对于卷积核占用的存储空间更小，因而能够使得一些存储资源受限的设备也能够部署包含基准卷积核和掩码张量的神经网络，进而实现对图像的分类。

技术领域

本申请涉及人工智能领域，并且更具体地，涉及一种图像分类方法、数据处理方法和装置。

背景技术

随着人工智能技术的快速发展，神经网络的处理能力变得越来越强，神经网络所包含的参数也越来越多，这样就使得这些神经网络在部署或者应用时往往需要占用很大的存储空间来存储神经网络的参数。这就影响了神经网络在某些存储资源受限的设备上的部署和应用。

以对图像进行分类的神经网络为例，很多用于图像分类的神经网络(尤其是一些网络结构比较复杂，功能比较强大的神经网络)由于包含的参数较多，因此，很难部署到一些存储空间比较有限设备(例如，手机，摄像头，智能家居)上，影响了神经网络的应用。因此，如何降低神经网络的存储开销是一个需要解决的问题。

发明内容

本申请提供一种图像分类方法，数据处理方法和装置，以使得神经网络能够部署在一些存储资源有限的设备上并进行图像分类处理。

第一方面，提供了一种图像分类方法，该方法包括：获取神经网络的M个基准卷积核的卷积核参数；获取神经网络的N组掩码张量；对M个基准卷积核中的每个基准卷积核，以及每个基准卷积核在N组掩码张量中对应的一组掩码张量进行哈达玛积运算，得到多个子卷积核；根据多个子卷积核分别对待处理图像进行卷积处理，得到多个卷积特征图；根据多个卷积特征图对待处理图像进行分类，得到待处理图像的分类结果。

其中，上述M和N均为正整数，上述N组掩码张量中的每组掩码张量由多个掩码张量组成，N组掩码张量中的元素存储时占用的比特数小于M个基准卷积核中卷积核参数中的元素存储时占用的比特数，M个基准卷积核中的每个基准卷积核对应N组掩码张量中的一组掩码张量。

另外，上述基准卷积核是用于获取或者得到神经网络的其他子卷积核的一个比较基础的卷积核，该基准卷积核也可以称为基础卷积核。

上述图像分类方法可以由图像分类装置执行，该图像分类装置可以是具有图像处理功能的电子设备，该电子设备可以是动终端(例如，智能手机)，电脑，个人数字助理，可穿戴设备，车载设备，物联网设备或者其他能够进行图像处理的设备。

可选地，上述方法还包括：获取待处理图像。

上述待处理图像可以是待分类的图像或者图片。

上述获取待处理图像，既可以从摄像头获取，也可以从相册中获取。

具体地，当上述方法由图像分类装置执行时，可以通过该图像分类装置的摄像头来获取图片(例如，实时拍摄图片)，也可以从该图像分类装置的内部存储空间存储的相册中获取待处理图像。

可选地，上述M个基准卷积核的卷积核参数存储在寄存器中。

可选地，上述获取神经网络的M个基准卷积核的卷积核参数，包括：从寄存器中获取(读取)神经网络的M个基准卷积核的卷积核参数。

当上述M个基准卷积核的卷积核参数存储在寄存器中时，能够较为快速地从寄存器中获取M个基准卷积核的卷积核参数(相对于从外部存储中获取，从寄存器中获取的速度会更快一些)，能够在一定程度上提高上述方法执行速度。

可选地，上述N组掩码张量存储在寄存器中。