[发明专利]使用卷积神经网络对图像进行卷积计算的方法和装置

权利要求书

1.一种使用卷积神经网络对图像进行卷积计算的方法，其特征在于，将所述图像输入所述卷积神经网络；所述卷积神经网络的第一卷积层输出第一特征图，所述第一特征图包含第一控制通道，所述第一卷积层为所述卷积神经网络的中间卷积层；所述方法包括：

将所述第一控制通道中特征值小于预设阈值的区域作为第一控制区域，所述第一控制通道为所述第一特征图中的一个通道，所述第一控制通道任一位置的特征值用于表征所述第一特征图的对应位置属于目标特征的概率；

根据所述第一控制区域确定所述第一特征图的冗余区域；

所述第一特征图中除冗余区域以外的其他区域进入所述第一卷积层的下一卷积层进行卷积运算，得到第二特征图。

2.根据权利要求1所述的方法，其特征在于，根据所述第一控制区域确定所述第一特征图的冗余区域的步骤，包括：

将所述第一特征图中与所述第一控制区域坐标位置对应的区域作为所述第一特征图的冗余区域。

3.根据权利要求1所述的方法，其特征在于，在得到第二特征图的步骤之后，所述方法还包括：将所述第二特征图中与所述第一特征图的冗余区域对应的区域的特征值设置为固定值。

4.根据权利要求1所述的方法，其特征在于，所述卷积神经网络的第三卷积层输出第三特征图，所述第三特征图包含第三控制通道，所述第三卷积层为所述卷积神经网络中不同于所述第一卷积层的中间卷积层；所述方法还包括：

将所述第三控制通道中特征值小于预设阈值的区域作为第三控制区域，所述第三控制通道为所述第三特征图中的一个通道，所述第三控制通道任一位置的特征值用于表征所述第三特征图的对应位置属于目标特征的概率；

根据所述第三控制区域确定所述第三特征图的冗余区域；

所述第三特征图中除冗余区域以外的其他区域进入所述第三卷积层的下一卷积层进行卷积运算，得到第四特征图。

5.根据权利要求1所述的方法，其特征在于，所述卷积神经网络的第三卷积层输出第三特征图，所述第三卷积层为所述卷积神经网络中不同于所述第一卷积层的中间卷积层；所述方法还包括：

根据所述第一控制区域确定所述第三特征图的冗余区域；

所述第三特征图中除冗余区域以外的其他区域进入所述第三卷积层的下一卷积层进行卷积运算，得到第四特征图；其中，所述第三特征图的通道大小与所述第一特征图的通道大小相同。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述控制通道通过以下步骤建立：

确定输出特征图包括控制通道的卷积层在卷积神经网络中所在的位置；

将所述输出特征图包括控制通道的卷积层的输出特征图的一个通道作为控制通道；

根据训练图像中目标的位置标注训练控制通道的特征值，使所述训练控制通道中对应于目标的位置的特征值为第一特征值，训练控制通道中对应于非目标的位置的特征值为第二特征值；

将所述训练图像输入卷积神经网络，根据所述卷积神经网络的初始参数获得所述控制通道的特征值；

根据所述控制通道的特征值和所述训练控制通道的特征值，得到损失值；

如果损失值收敛，则训练完成；如果损失值不收敛，则根据所述损失值调整所述卷积神经网络的参数。

7.一种使用卷积神经网络对图像进行卷积计算的装置，其特征在于，将所述图像输入所述卷积神经网络的；所述卷积神经网络的第一卷积层输出第一特征图，所述第一特征图包含第一控制通道，所述第一卷积层为所述卷积神经网络的中间卷积层；所述装置包括：

第一控制区域确定模块，用于将所述第一控制通道中特征值小于预设阈值的区域作为第一控制区域，所述第一控制通道为所述第一特征图中的一个通道，所述第一控制通道任一位置的特征值用于表征所述第一特征图的对应位置属于目标特征的概率；

冗余区域确定模块，用于根据所述第一控制区域确定所述第一特征图的冗余区域；

第二特征图获得模块，用于所述第一特征图中除冗余区域以外的其他区域进入所述第一卷积层的下一卷积层进行卷积运算，得到第二特征图。