[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

说明书

本发明提供了一种使用卷积神经网络对图像进行卷积计算的方法和装置；其中，将图像输入卷积神经网络；第一卷积层输出第一特征图，第一特征图包含第一控制通道，第一卷积层为卷积神经网络的中间卷积层；方法包括：将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，第一控制通道任一位置的特征值用于表征第一特征图的对应位置属于目标特征的概率；根据第一控制区域确定第一特征图的冗余区域；第一特征图中除冗余区域以外的其他区域进入第一卷积层的下一卷积层进行卷积运算，得到第二特征图。该方式中，冗余区域不进行下一层卷积运算，可以防止无效计算，减少神经网络的计算量，提高卷积计算的效率，降低卷积计算的功耗。

技术领域

本发明涉及卷积神经网络技术领域，尤其是涉及一种使用卷积神经网络对图像进行卷积计算的方法和装置。

背景技术

相关技术中，卷积神经网络算法包括一步法和两步法。其中，两步法需要两个模型进行计算，首先采用第一个模型进行粗检测网络的计算，得到有效区域，比如目标(如人脸)出现的几率热力图；然后在第一个模型的输出图像的基础上抠图，抠图后的图像作为第二个模型的输入图像，由第二个模型进行精细检测网络或属性网络的计算，从而得到需要的准确检测或属性结果。两步法的卷积神经网络需要两个模型，而且还需要由CPU(CentralProcessing Unit，中央处理器)进行繁琐的图像处理操作(例如：抠图、大小调整、对齐等)，并且往往后一个模型的输入图像都会比较小而多，这些操作会影响卷积神经网络的计算效率，导致总体效率偏低。

一步法是指通过一个模型直接把整个图像中每一区域的检测结果和属性结果计算出来。从头到尾整个模型需要把输入图像的所有区域都计算一遍，当输入图像很大时，要获得足够的精度，模型的总体计算力的需求就会特别大，导致卷积神经网络的速度较慢、效率较低、功耗较高。

发明内容

有鉴于此，本发明的目的在于提供一种使用卷积神经网络对图像进行卷积计算的方法和装置，以减少神经网络的计算量，提高卷积计算的效率，降低卷积计算的功耗。

第一方面，本发明实施例提供了一种使用卷积神经网络对图像进行卷积计算的方法，将图像输入卷积神经网络；上述卷积神经网络的第一卷积层输出第一特征图，第一特征图包含第一控制通道，第一卷积层为卷积神经网络的中间卷积层；上述方法包括：将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，第一控制通道为第一特征图中的一个通道，第一控制通道任一位置的特征值用于表征第一特征图的对应位置属于目标特征的概率；根据第一控制区域确定第一特征图的冗余区域；第一特征图中除冗余区域以外的其他区域进入第一卷积层的下一卷积层进行卷积运算，得到第二特征图。

在本发明较佳的实施例中，上述根据第一控制区域确定第一特征图的冗余区域的步骤，包括：将第一特征图中与第一控制区域坐标位置对应的区域作为第一特征图的冗余区域。

在本发明较佳的实施例中，在得到第二特征图的步骤之后，上述方法还包括：将第二特征图中与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。

在本发明较佳的实施例中，上述将卷积神经网络的第三卷积层输出第三特征图，第三特征图包含第三控制通道，第三卷积层为卷积神经网络中不同于第一卷积层的中间卷积层；上述方法还包括：将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，第三控制通道为第三特征图中的一个通道，第三控制通道任一位置的特征值用于表征第三特征图的对应位置属于目标特征的概率；根据第三控制区域确定第三特征图的冗余区域；第三特征图中除冗余区域以外的其他区域进入第三卷积层的下一卷积层进行卷积运算，得到第四特征图。

在本发明较佳的实施例中，上述卷积神经网络的第三卷积层输出第三特征图，第三卷积层为卷积神经网络中不同于第一卷积层的中间卷积层；上述方法还包括：根据第一控制区域确定第三特征图的冗余区域；第三特征图中除冗余区域以外的其他区域进入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，第三特征图的通道大小与第一特征图的通道大小相同。