[发明专利]使用卷积神经网络的计算装置及其操作方法

说明书

提供了在人工智能(AI)系统及其应用的领域中的使用包括多个卷积层在内的卷积神经网络(CNN)的装置及方法。一种使用包括多个卷积层在内的CNN的计算装置包括：存储了一个或多个指令的存储器；以及一个或多个处理器，被配置为执行所述存储器中存储的所述一个或多个指令以获取输入数据；识别用于在所述多个卷积层之一上针对所述输入数据执行卷积运算的滤波器；识别所述滤波器中的与不同滤波区域相对应的多个子滤波器；基于所述多个子滤波器来计算多个特征图；以及基于所述多个特征图来获取输出数据。

相关申请的相交引用

本申请基于并要求2018年9月6日向韩国知识产权局提交的编号10-2018-0106507的韩国专利申请在35U.S.C.§119下的优先权，该申请的公开通过引用整体并入本文中。

技术领域

本公开涉及使用卷积网络的装置及其操作方法，并且更具体地涉及使用神经网络来提高人工智能(AI)系统的操作效率的装置及其操作方法。

背景技术

人工智能(AI)系统是被配置为实现人类水平的智能并训练自身且自发做出决定以相比于现有的基于规则的智能系统变得更聪明的计算机系统。因为AI系统的识别率提高且AI系统被使用的越多它们就越准确地理解用户的偏好，所以现有的基于规则的智能系统逐渐地被深度学习AI系统替代。

AI技术包括机器学习(深度学习)和运用了机器学习的要素技术。机器学习是自分类/学习输入数据的特征的算法技术，并且这些要素技术中的每一个要素技术都是模仿人脑功能的技术，例如，通过使用机器学习算法(例如，深度学习)的感知和确定，而且包括诸如语言理解、视觉理解、演绎/预测、知识表达、以及操作控制之类的技术领域。

发明内容

提供了通过高效地选择在卷积神经网络(CNN)中的卷积运算中使用的滤波器来更快速地获取输出数据的方式。

提供了通过使用在CNN中的卷积运算中使用的滤波器的部分区域去执行运算来导出与修剪(pruning)效果相对应的效果的方式。

其它方面将在以下描述中部分地阐述，且部分地将通过以下描述而变得清楚，或者可以通过对本公开的当前实施例的实践来获知。

根据本公开的实施例，提供了使用包括多个卷积层在内的卷积神经网络(CNN)的计算装置，所述计算装置包括：存储一个或多个指令的存储器；以及一个或多个处理器，被配置为执行所述存储器中存储的所述一个或多个指令以：获取输入数据；识别用于在所述多个卷积层之一上执行针对所述输入数据的卷积运算的滤波器；识别所述滤波器中的多个子滤波器，所述多个子滤波器与多个滤波区域相关联，其中，所述多个滤波区域中的每一个滤波区域与所述多个子滤波器中的至少一个子滤波器相关联；基于所述多个子滤波器来提供多个特征图；以及基于所述多个特征图来获取输出数据。

在一些实施例中，所述一个或多个处理器还被配置为执行所述一个或多个指令以通过以下方式来识别所述多个子滤波器：识别第一滤波区域和第二滤波区域，所述第二滤波区域不同于所述第一滤波区域；以及识别与所述第一滤波区域相关联且与所述第二滤波区域相关联的选定滤波器，作为所述多个子滤波器之一。

在一些实施例中，所述一个或多个处理器还被配置为执行所述一个或多个指令以通过以下方式来提供多个特征图：通过使用与所述第一滤波区域相关联的第一滤波器针对所述输入数据执行第一卷积运算来提供第一特征图；通过使用与所述第二滤波区域相关联的第二滤波器针对所述输入数据执行第二卷积运算来提供第二特征图；以及通过针对所述第一特征图和所述第二特征图执行求和来提供所述多个特征图中的第三特征图。

在一些实施例中，所述一个或多个处理器还被配置为执行所述一个或多个指令以通过以下方式来识别所述多个子滤波器：识别与所述滤波器相关联的预定尺寸的第一滤波区域；以及通过针对所述滤波器在第一方向和第二方向中的每个方向上移动所述第一滤波区域的关联(association)来识别多个滤波区域。