[发明专利]针对卷积神经网络输入层的位解释

权利要求书

1.一种用于实现卷积神经网络的方法，包括：

接收所述卷积神经网络的输入数据；

在不提供预定义的序数结构的情况下，通过应用学习位特定相关性的按位加权算法来对所述输入数据进行过滤，以生成直接二进制输入数据；以及

将所述直接二进制输入数据提供给所述卷积神经网络内的卷积层。

2.根据权利要求1所述的方法，其中所述直接二进制输入数据被提供给所述卷积层，而不必对所述输入数据执行附加的归一化。

3.根据权利要求1所述的方法，其中所述按位加权算法通过将每个单独的输入数据值与对应于所述单独的输入数据值的每个位的位特定权重的乘积进行求和来操作。

4.根据权利要求3所述的方法，其中使用特定于给定用例的经标记的数据集来训练所述位特定权重。

5.根据权利要求1所述的方法，其中所述卷积神经网络进一步包括一个或多个全连接层和柔性最大层。

6.根据权利要求1所述的方法，其中所述直接二进制输入数据进一步被提供给包括卷积核（K）滤波器的二进制输入层，所述滤波器具有至少为1×1阵列的滤波器大小。

7.一种用于实现卷积神经网络的方法，包括：

接收所述卷积神经网络的输入数据；

在不提供预定义的序数结构的情况下，通过应用学习位特定相关性的按位加权算法来对所述输入数据进行过滤，以生成直接二进制输入数据；以及

将所述直接二进制输入数据提供给包括卷积核（K）滤波器的二进制输入层，所述滤波器具有至少为1×1阵列的滤波器大小。

8.根据权利要求7所述的方法，其中所述按位加权算法通过将每个单独的输入数据值与对应于所述单独的输入数据值的每个位的位特定权重的乘积进行求和来操作。

9.根据权利要求8所述的方法，其中使用特定于给定用例的经标记的数据集来训练所述位特定权重。

10.根据权利要求7所述的方法，其中所述直接二进制输入数据被提供给卷积层，而不必对所述输入数据执行附加的归一化。

11.根据权利要求7所述的方法，其中所述二进制输入层内包括一个或多个卷积核滤波器。

12.根据权利要求7所述的方法，其中所述二进制输入层在深度方面和点方面的卷积中分解卷积。

13.根据权利要求7所述的方法，其中所述卷积神经网络进一步包括一个或多个全连接层和柔性最大层。

14.一种用于实现卷积神经网络的系统，包括：

用于接收数据的输入；以及

处理器，其包括如下逻辑：所述逻辑用于在不提供预定义的序数结构的情况下，通过应用学习位特定相关性的按位加权算法来对所述输入数据进行过滤，以生成直接二进制输入数据；以及将所述直接二进制输入数据提供给所述卷积神经网络内的卷积层。

15.根据权利要求14所述的系统，其中，所述处理器进一步包括如下逻辑：所述逻辑将所述直接二进制输入数据提供给包括卷积核滤波器的二进制输入层，所述滤波器具有至少为1×1阵列的滤波器大小。

16.根据权利要求15所述的系统，其中，所述处理器进一步包括如下逻辑：所述逻辑包括能够接收由所述二进制输入层提供的直接二进制输入数据的卷积层。

17.根据权利要求15所述的系统，其中所述二进制输入层被设计成包括一个或多个卷积核滤波器。