[发明专利]通过CNN的多个图像输出的提供集成的特征图的方法及装置

说明书

本发明涉及用于从卷积神经网络(Convolutional Neural Network)利用多个输出的组合法(ensemble)提供集成的特征图的方法及装置。更详细来讲涉及特征为包括：(a)CNN装置接收输入图像并适用对所述输入图像进行变形的多个变形函数生成多个变形的输入图像的步骤；(b)所述CNN装置对各所述变形的输入图像适用卷积运算获得对应于各所述变形的输入图像的各变形的特征图的步骤；(c)所述CNN装置对所述各变形的特征图分别适用对应于各所述变形函数的逆变换函数分别生成对应于所述各变形的特征图的逆变换特征图的步骤；以及(d)所述CNN装置集成所述逆变换特征图中的至少一部分以得到集成的特征图的步骤的方法及利用其的装置。

技术领域

本发明涉及用于从卷积神经网络利用多个输出的组合法提供集成的特征图的方法及装置。更具体来讲，涉及特征为包括：(a)CNN装置接收输入图像并适用对所述输入图像进行变形的多个变形函数生成多个变形输入图像的步骤；(b)所述CNN装置对各所述变形的输入图像适用卷积运算获得对应于各所述变形的输入图像的各变形的特征图的步骤；(c)所述CNN装置对所述各变形的特征图分别适用对应于各变形函数的逆变换函数分别生成对应于所述各变形的特征图的逆变换特征图的步骤；以及(d)所述CNN装置集成所述逆变换特征图中的至少一部分以得到集成的特征图的步骤的方法及利用其的装置。

背景技术

深度学习是用于对事物或数据聚类或分类的技术。例如，计算机仅凭照片无法区分狗与猫。而人能够轻易地区分。为此研究出了所谓“机器学习(Machine Learning)”的方法。是将大量数据输入到计算机并将近似的分为同一类的技术。其在输入了与存储的狗照片近似的照片的情况下，计算机将此分类为狗照片。

关于如何对数据分类，已经出现了很多机器学习算法。典型的有“决策树”、“贝叶斯网络”、“支持向量机(SVM)”、“人工神经网络”等。其中深度学习是人工神经网络的后裔。

深度卷积神经网络(Deep Convolution Neural Networks；Deep CNNs)是深度学习领域发生的惊人的发展核心。CNNs为了解决文字识别问题而自90年代以来开始使用，而像目前广泛使用是则多亏近来的研究结果。这种深度CNN在2012年ImageNet图像分类比赛打败其他竞争者获胜。自那以后卷积神经网络在机器学习(Machine Learning)领域非常有用的工具。另外，图像分割是接收输入的图像(训练图像或测试图像)并作为输出生成标签图像的方法。随着近来深度学习(Deep learning)技术受到关注，具有执行分割时也越来越多地利用深度学习的趋势。

另外，公开有用于提高这种分割性能的多种方法。

作为这种方法之一，执行分割时可试图利用多个CNN提高分割准确度。即，将相同输入数据输入到多个CNN装置后，将多个CNN装置各自的输出合起来使用，这种情况下具有多个CNN装置的参数的初始值都是每次随机设置，为了得到一个分割结果值而需要分别学习多个CNN装置的问题。

发明内容

技术问题

本发明的目的是解决上述所有问题。

本发明的另一目的是提供一种即使只使用一个CNN装置也能够从一个输入图像得到多种信息，从而能够提高分割性能的方法。

技术方案