[发明专利]卷积神经网络系统

说明书

一种卷积神经网络方法，其包含：决定一暂时缓冲层，其位于卷积神经网络系统的第一层与最终层之间；于第一阶段，从卷积神经网络系统的第一层至暂时缓冲层，根据该暂时缓冲层之前层级的部分输入数据，执行卷积操作以产生一特征图线；及于第二阶段，从卷积神经网络系统的暂时缓冲层至最终层，执行卷积操作以产生一特征图。

技术领域

本发明涉及一种神经网络，特别涉及一种二阶段基于线的特征图(line-basedfeature map)的卷积神经网络(CNN)方法与系统。

背景技术

卷积神经网络(convolutional neural network,CNN)是深层神经网络的一种，其使用卷积层对输入进行过滤，以获得有用信息。卷积层的过滤器可根据所学习的参数进行修改，以提取得到特定工作的最有用信息。卷积神经网络通常可适用于分类、检测与识别，例如影像分类、医学影像分析及影像/视讯识别。

卷积神经网络的卷积操作包含模型权重(model weighting)与特征图(featuremap)之间的相乘-相加操作，这是一种数据密集(data-intensive)运算。于硬件的实施方面，大量的特征图数据需要缓冲于存储器(例如静态随机存取存储器)当中，以确保卷积神经网络的硬件加速器可即时取得特征图数据，以进行下一层级的卷积操作。由于特征图的大小正比于输入影像尺寸，因此对于较大尺寸的输入影像，则需要更多的静态随机存取存储器。

单次检测器(single shot detector,SSD)，例如you only look once单次检测器，由于其高图帧率(frame rate)与高效能，因此有愈来愈普遍的趋势，且胜过传统基于滑动式视窗(sliding-window-based)检测器。于传统具单次检测器的卷积神经网络，硬件加速器需要三倍于特征图大小的静态随机存取存储器，以确保于最坏情况下可正确储存特征图。因此，传统具单次检测器的卷积神经网络需要非常多的静态随机存取存储器，才能维持其高图帧率与高效能。

因此亟需提出一种新颖的卷积神经网络方法与系统，其需求较少存储器且不会牺牲图帧率与效能。

发明内容

鉴于上述，本发明实施例的目的之一在于提出一种二阶段基于线的特征图的卷积神经网络(CNN)方法与系统，其可大量降低所需存储器。

根据本发明实施例，卷积神经网络方法包含以下步骤。决定一暂时缓冲层，其位于卷积神经网络系统的第一层与最终层之间。于第一阶段，从卷积神经网络系统的第一层至暂时缓冲层，根据暂时缓冲层之前层级的部分输入数据，执行卷积操作以产生一特征图线。于第二阶段，从卷积神经网络系统的暂时缓冲层至最终层，执行卷积操作以产生一特征图。

附图说明

图1显示本发明实施例的二阶段卷积神经网络(CNN)方法的流程图。

图2A显示本发明实施例的基于线的特征图的卷积神经网络(CNN)系统的方块图。

图2B显示图2A的存储器的配置。

图3显示暂时缓冲层的特征图线及暂时缓冲层之前层级的部分输入数据。

图4例示本发明实施例的卷积神经网络系统。

附图标记说明：

100 二阶段卷积神经网络方法

11 决定暂时缓冲层

12 (第一阶段)根据第一层至暂时缓冲层的部分输入数据以产生特征图线

13 (第二阶段)从暂时缓冲层至最终层产生特征图

200 卷积神经网络系统

21 处理器

22 存储器