[发明专利]生成卷积神经网络的方法和装置、图像识别方法和装置

说明书

本公开提供了一种图像识别方法和装置，涉及计算机视觉、深度学习等技术领域。具体实现方案为：获取待识别图像；将待识别图像输入优化卷积神经网络，得到由优化卷积神经网络输出的对待识别图像中目标的分类结果；其中，优化卷积神经网络基于如下步骤得到：获取初始卷积神经网络以及初始卷积神经网络的原始激活函数；响应于检测到原始激活函数为预设的函数，基于原始激活函数，得到优化激活函数，优化激活函数通过拼接的负值的预设的函数将初始卷积神经网络的卷积层的输出的通道特征进行四倍或四倍以上扩充；基于优化激活函数，对初始卷积神经网络进行改进，得到优化卷积神经网络。该实施方式减少了生成的卷积神经网络的运算量。

技术领域

本公开涉及计算机技术领域，具体涉及计算机视觉、深度学习等技术领域，尤其涉及一种生成卷积神经网络的方法和装置、图像识别方法和装置、电子设备、计算机可读介质以及计算机程序产品。

背景技术

近年来，深度学习(Deep Learning，DL)和卷积神经网络(Convolutional neuralnetworks，CNNs)被广泛应用。但卷积神经网络模型，尤其是3D卷积神经模型，在模型训练阶段对于计算机内存有着较高的需求，使得一些性能优异、但运算量较大的模型，难以被应用于输入数据量较大的影像分析任务。

发明内容

提供了一种生成卷积神经网络的方法和装置、图像识别方法和装置、电子设备、计算机可读介质以及计算机程序产品。

根据第一方面，提供了一种生成卷积神经网络的方法，该方法包括：获取初始卷积神经网络以及初始卷积神经网络的原始激活函数；响应于检测到原始激活函数为预设的函数，基于原始激活函数，得到优化激活函数，优化激活函数通过拼接的负值的预设的函数将初始卷积神经网络的卷积层的输出的通道特征进行四倍或四倍以上扩充；基于优化激活函数，对初始卷积神经网络进行改进，得到优化卷积神经网络。

根据第二方面，提供了一种图像识别方法，该方法包括：获取待识别图像；将待识别图像输入优化卷积神经网络，得到由优化卷积神经网络输出的对待识别图像中目标的分类结果，优化卷积神经网络基于如第一方面任一实现方式描述的方法得到。

根据第三方面，提供了一种生成卷积神经网络的装置，该装置包括：获取单元，被配置成获取初始卷积神经网络以及初始卷积神经网络的原始激活函数；得到单元，被配置成响应于检测到原始激活函数为预设的函数，基于原始激活函数，得到优化激活函数，优化激活函数通过拼接的负值的预设的函数将初始卷积神经网络的卷积层的输出的通道特征进行四倍或四倍以上扩充；改进单元，被配置成基于优化激活函数，对初始卷积神经网络进行改进，得到优化卷积神经网络。

根据第四方面，又提供了一种图像识别装置，该装置包括：获取单元，被配置成获取待识别图像；得到单元，被配置成将待识别图像输入优化卷积神经网络，得到由优化卷积神经网络输出的对待识别图像中目标的分类结果；其中，优化卷积神经网络基于如第一方面任一实现方式描述的方法得到。

根据第五方面，提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器，其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面或第二方面任一实现方式描述的方法。

根据第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面或第二方面任一实现方式描述的方法。

根据第七方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面或第二方面任一实现方式描述的方法。