[发明专利]基于改进CNN模型的图像分类方法、装置、设备及存储介质

说明书

本申请公开了一种基于改进CNN模型的图像分类方法，该方法中，冗余执行层会对输入数据进行冗余计算，得到两个中间计算结果，当且仅当两个中间计算结果相同时才传递至下一层，通过这种方式避免软错误，提升分类结果的可靠性。一方面，为避免严重的计算开销，该方法仅选取CNN模型的部分层作为冗余执行层。另一方面，由于越靠前的层产生的错误对最终的结果的影响越大，所以该方法中冗余执行层设置于正常执行层之前，通过前面的层来进行冗余计算，来最大程度保证分类准确性。此外，本申请还提供了一种基于改进CNN模型的图像分类装置、设备及可读存储介质，其技术效果与上述方法的技术效果相对应。

技术领域

本申请涉及计算机技术领域，特别涉及一种基于改进CNN模型的图像分类方法、装置、设备及可读存储介质。

背景技术

作为现代人工智能的基础，CNN(Convolutional Neural Networks，卷积神经网络)在工业和学术上都广受关注，例如在图像分类和自然语言处理上表现出很好的效果。

软错误是现代计算机系统中一个普遍的错误因子，通常由高能粒子撞击内存或逻辑电路导致，在数据或指令中均有可能发生。不同于永久性的硬件错误，软错误是一种瞬时性错误，能够一段时间后自行恢复。尽管如此，软错误仍可能导致灾难性的后果，例如无人车可能由于软错误的存在未识别到前方行人，导致严重后果。

综上，在利用CNN实现图像分类时，如何降低软错误带来的影响，保证图像分类结果的可靠性，是亟待本领域技术人员解决的问题。

发明内容

本申请的目的是提供一种基于改进CNN模型的图像分类方法、装置、设备及可读存储介质，用以解决由于软错误的存在，在利用CNN模型进行图像分类时，分类结果的可靠性较低的问题。其具体方案如下：

第一方面，本申请提供了一种基于改进CNN模型的图像分类方法，所述改进CNN模型包括冗余执行层和位于所述冗余执行层之后的正常执行层，该方法包括：

读取原始图像，以作为第一个所述冗余执行层的输入数据；

对于每个所述冗余执行层，利用所述冗余执行层对两份当前层的输入数据分别进行处理操作，得到两个中间计算结果；对所述两个中间计算结果进行对比，若一致，则输出所述中间计算结果以作为下一层的输入数据；

对于每个所述正常执行层，利用所述正常执行层对当前层的输入数据进行处理操作，得到中间计算结果并输出，以作为下一层的输入数据，直至所述正常执行层为所述改进CNN模型的最后一层；

输出所述原始图像的分类结果。

优选的，在所述对所述两个中间计算结果进行对比之后，还包括：

若不一致，再次利用所述冗余执行层对当前层的输入数据进行处理操作，得到中间计算结果并输出，以作为下一层的输入数据。

优选的，所述利用所述冗余执行层对两份当前层的输入数据分别进行处理操作，得到两个中间计算结果，包括：

利用所述冗余执行层对当前层的输入数据进行处理操作，得到第一中间计算结果；

再次利用所述冗余执行层对当前层的输入数据进行处理操作，得到第二中间计算结果。

优选的，所述冗余执行层的数量为3，所述正常执行层的数量为2。

第二方面，本申请提供了一种基于改进CNN模型的图像分类装置，所述改进CNN模型包括冗余执行层和位于所述冗余执行层之后的正常执行层，该装置包括：

原始图像读取模块，用于读取原始图像，以作为第一个所述冗余执行层的输入数据；