[发明专利]基于卷积神经网络的图像处理方法和图像处理装置

权利要求书

1.一种基于卷积神经网络的图像处理方法，其特征在于，包括：

接收输入图像；

对所述输入图像进行预处理，得到预处理后的图像信息；

使用卷积神经网络对所述图像信息进行卷积操作，所述卷积神经网络包括N层卷积层，所述卷积操作包括：使用第n层卷积层中的M个卷积核对所述图像信息执行卷积运算，其中，所述M个卷积核中包括m个主卷积核和r个辅卷积核，所述r个辅卷积核由所述m个主卷积核得到，一个主卷积核对应得到一个或多个辅卷积核；其中，N和M均为大于0的整数；n为大于0，且小于或等于N的整数；m为大于0且小于M的整数，r为大于0且小于M的整数；

输出卷积操作结果，所述卷积操作结果包括M个特征图。

2.根据权利要求1所述的方法，其特征在于，所述r个辅卷积核中任一辅卷积核包括P个通道，所述任一辅卷积核对应的主卷积核包括P个通道，所述任一辅卷积核在第p个通道上的二维矩阵包括所述任一辅卷积核对应的主卷积核在第p个通道上的二维矩阵的子矩阵；其中，P为大于0的整数，p为大于0且不大于P的整数。

3.根据权利要求2所述的方法，其特征在于，所述任一辅卷积核在第p个通道上的二维矩阵包括的元素为所述任一辅卷积核对应的主卷积核在第p个通道上的二维矩阵中除最外围的K行和最外围的K列中的元素之外的元素；K为不小于1的整数。

4.根据权利要求1所述的方法，其特征在于，所述r个辅卷积核中任一辅卷积核包括P个通道，所述任一辅卷积核包括所述任一辅卷积核对应的主卷积核包括的Q个通道中P个连续通道上的二维矩阵，P和Q均为大于0的整数，P小于Q。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述r个辅卷积核中的s个辅卷积核由所述m个主卷积核中任一主卷积核得到，s为大于或等于1的整数，所述使用卷积神经网络对所述图像信息进行卷积操作之前，所述方法还包括：训练所述卷积神经网络；所述训练卷积神经网络包括：

使用所述卷积神经网络对训练样本进行卷积操作，得到卷积操作结果；

根据所述卷积操作结果，分别计算所述s个辅卷积核的梯度；

根据所述任一主卷积核的梯度，更新所述任一主卷积核中的元素，所述任一主卷积核的梯度为所述s个辅卷积核的梯度之和。

6.一种电子设备，其特征在于，包括：至少一个处理器和与所述至少一个处理器耦合的非瞬时性计算机可读存储介质，所述非瞬时性计算机可读存储介质用于存储由所述至少一个处理器执行的编程指令；所述编程指令指示所述至少一个处理器执行如下操作：

接收输入图像；对所述输入图像进行预处理，得到预处理后的图像信息；

利用卷积神经网络对所述图像信息进行卷积操作，所述卷积神经网络包括N层卷积层，所述卷积操作包括：

使用第n层卷积层中的M个卷积核对所述图像信息执行卷积运算，其中，所述M个卷积核中包括m个主卷积核和r个辅卷积核，所述r个辅卷积核由所述m个主卷积核得到，一个主卷积核对应得到一个或多个辅卷积核；其中，N和M均为大于0的整数；n为大于0，且小于或等于N的整数；m为大于0且小于M的整数，r为大于0且小于M的整数；输出卷积操作结果，所述卷积操作结果包括M个特征图。

7.根据权利要求6所述的电子设备，其特征在于，所述任一辅卷积核包括P个通道，所述任一辅卷积核对应的主卷积核包括P个通道，所述任一辅卷积核在第p个通道上的二维矩阵包括所述任一辅卷积核对应的主卷积核在第p个通道上的二维矩阵的子矩阵；其中，P为大于0的整数，p为大于0且不大于P的整数。

8.根据权利要求7所述的电子设备，其特征在于，所述任一辅卷积核在第p个通道上的二维矩阵包括的元素为所述任一辅卷积核对应的主卷积核在第p个通道上的二维矩阵中除最外围的K行和最外围的K列之外的元素；K为不小于1的整数。