[发明专利]基于三维卷积神经网络的数据处理方法及数据处理装置

权利要求书

1.一种基于三维卷积神经网络的数据处理方法，其中，所述三维卷积神经网络包括依次设置的多层数据处理层，所述数据处理层至少包括卷积层，该数据处理方法包括：

将三维卷积神经网络中前一层数据处理层的输出特征数据进行二值化处理，以获得当前特征数据；以及

将所述当前特征数据输入当前层数据处理层进行数据处理，以得到当前层数据处理层的输出特征数据。

2.根据权利要求1所述的数据处理方法，其中，所述三维卷积神经网络用于执行视频数据处理任务。

3.根据权利要求1所述的数据处理方法，其中，所述将三维卷积神经网络中前一层数据处理层的输出特征数据进行二值化处理，以获得当前特征数据，包括：

基于二值激活函数，将三维卷积神经网络中前一层数据处理层的输出特征数据进行二值化处理，以获得当前特征数据。

4.根据权利要求3所述的数据处理方法，其中，所述二值激活函数包括阶跃函数。

5.根据权利要求3所述的数据处理方法，其中，所述基于二值激活函数，将三维卷积神经网络中前一层数据处理层的输出特征数据进行二值化处理，以获得当前特征数据，包括：

针对前一层数据处理层的输出特征数据中的至少一个特征值，当该特征值大于或等于阈值时，将该特征值置为1；

当该特征值小于阈值时，将该特征值置为0；

根据每个特征值对应的1或0，获得所述当前特征数据。

6.根据权利要求3所述的数据处理方法，其中，所述基于二值激活函数，将三维卷积神经网络中前一层数据处理层的输出特征数据进行二值化处理，以获得当前特征数据，包括：

针对前一层数据处理层的输出特征数据中的至少一个特征值，当该特征值大于或等于阈值与随机项之和时，将该特征值置为1；所述随机项为高斯分布随机数或均匀分布随机数；

当该特征值小于阈值与随机项之和时，将该特征值置为0；

根据每个特征值对应的1或0，获得所述当前特征数据。

7.根据权利要求5或6所述的数据处理方法，其中，所述将所述当前特征数据输入当前层数据处理层进行数据处理，以得到当前层数据处理层的输出特征数据，包括：

针对当前层卷积层的每个卷积核，利用该卷积核对所述当前特征数据中各卷积窗口对应的特征数据依次进行处理；

在利用该卷积核对当前卷积窗口对应的特征数据进行处理的过程中，将该卷积核中与特征数据中值为1的特征值所对应的权重进行相加，得到当前卷积窗口对应的特征值；

根据各卷积窗口对应的特征值，得到该卷积核对应的输出特征数据；

根据当前层卷积层的每个卷积核对应的输出特征数据，得到当前层卷积层的输出特征数据。

8.根据权利要求1-6任意一项所述的数据处理方法，其中，所述将三维卷积神经网络中前一层数据处理层的输出特征数据进行二值化处理，以获得当前特征数据之前，所述数据处理方法还包括：

获取待处理数据；

将所述待处理数据输入所述三维卷积神经网络的第一层数据处理层，以得到第一层数据处理层的输出特征数据。

9.根据权利要求8所述的数据处理方法，其中，所述获取待处理数据之前，所述数据处理方法还包括：

对所述三维卷积神经网络进行训练。

10.根据权利要求9所述的数据处理方法，其中，所述对所述三维卷积神经网络进行训练，包括：

将预设的训练样本输入所述三维卷积神经网络，得到所述训练样本的处理结果；

根据所述训练样本的标注结果及所述处理结果，确定所述三维卷积神经网络的网络损失；

对所述网络损失进行反向传播，更新所述三维卷积神经网络的网络参数，其中，在反向传播过程中，利用拟合函数的导数拟合阶跃函数的导数，以进行梯度计算。