[发明专利]图像处理设备及其操作方法

说明书

提供了一种图像处理设备，包括：存储器，存储至少一个指令；以及处理器，被配置为执行存储在存储器中的所述至少一个指令以执行以下操作：通过对第一图像和多个卷积层中的第一卷积层中包括的第一内核执行卷积运算来获得第一特征信息；基于第一特征信息获得至少一条特性信息；基于第一特征信息和所述至少一条特性信息获得第二特征信息；通过对获得的第二特征信息和包括在第二卷积层中的第二内核执行卷积运算来获得第三特征信息，其中，第二卷积层是所述多个卷积层中的第一卷积层的下一层；以及基于第三特征信息获得输出图像。

技术领域

本公开涉及一种用于通过使用卷积神经网络来处理图像的图像处理设备及其操作方法，并且更具体地，涉及一种能够提高图像处理性能的图像处理设备及其操作方法。

背景技术

随着计算机技术的发展，数据流量以指数函数的形式增加，人工智能(AI)已经成为引领未来创新的重要趋势。因为AI模拟人们的思考方式，所以它实际上可以无限地应用于所有行业。代表性的AI技术包括模式识别、机器学习、专家系统、神经网络和自然语言处理。

神经网络通过数学表达式模拟人类生物神经元的特性，并使用一种模拟人类学习能力的算法。通过该算法，神经网络能够产生输入数据和输出数据之间的映射，并且产生这种映射的能力可以被称为神经网络的学习能力。此外，神经网络具有基于学习结果针对不用于学习的输入数据产生正确输出数据的泛化能力。

当通过使用卷积神经网络(CNN)来处理图像时，因为通过仅使用在先前层中产生的特征信息来执行卷积运算，所以不能从在先前层中产生的特征信息获得的特性不能被反映在图像处理中。

发明内容

技术方案

提供了一种图像处理设备及其操作方法，其中，可以通过将从作为卷积运算的结果而产生的多条特性信息获得的特征信息与多条现有特征信息组合并将组合的特征信息用于卷积运算来提高图像处理的性能。

有益效果

根据本公开实施例的图像处理设备可以通过将从在CNN中获得的现有特征信息获得的至少一个特性与现有特征信息组合来执行卷积运算，从而通过使用CNN来使用在卷积运算中从现有特征信息不可获得的其他特性和特征。

可以有意地获得根据本公开的实施例的至少一条特性信息，并且通过在将有意获得的特性信息与现有特征信息组合之后执行卷积运算，可以在沿预期方向处理图像的同时保持现有特征。

根据本公开的实施例的图像处理设备可以在不大幅增加硬件复杂度的情况下提高图像处理性能。

附图说明

图1是用于描述根据本公开的实施例的由图像处理设备执行的通过使用卷积神经网络来处理图像的方法的示图；

图2是用于描述根据本公开的另一实施例的由图像处理设备执行的通过使用卷积神经网络来处理图像的方法的示图；

图3是用于描述根据本公开的实施例的获得至少一条特性信息的方法的示图；

图4是用于描述根据本公开的实施例的由图像处理设备执行的从至少一条特性信息获得至少一条子特征信息的方法的示图；

图5是用于描述根据本公开的实施例的由图像处理设备执行的从至少一条特性信息获得至少一条子特征信息的方法的示图；

图6是用于描述根据本公开的实施例的由图像处理设备执行的获得第二特征信息的方法的示图；

图7是用于描述根据本公开的另一实施例的由图像处理设备执行的通过使用卷积神经网络来处理图像的方法的示图；

图8是用于描述根据本公开的另一实施例的由图像处理设备执行的通过使用卷积神经网络来处理图像的方法的示图；