[发明专利]卷积神经网络池化层的运算方法、火灾检测方法

权利要求书

1.一种卷积神经网络池化层的运算方法，其特征在于，包括：

获取特征图数组，所述特征图数组中包括由多个输入通道输入的多张特征图；

将所述特征图数组在所述多个输入通道的通道方向上划分为多个子数组，其中，每个所述子数组中至少包括两张特征图；

对所述多个子数组进行所述通道方向上的池化处理，获得相应的输出数据。

2.根据权利要求1所述的一种卷积神经网络池化层的运算方法，其特征在于，

将所述特征图数组在所述多个输入通道的通道方向上划分为多个子数组，包括：

确定出所述特征图数组在所述多个输入通道方向上的通道步长；

基于所述通道步长确定出所述特征图数组中的多个子数组。

3.根据权利要求1所述的一种卷积神经网络池化层的运算方法，其特征在于，

对所述多个子数组进行所述通道方向上的池化处理，获得相应的输出数据，包括：

获取所述子数组中每张特征图的数据；

对所述子数组中的每张特征图相对应位置的数据进行池化处理，获得该子数组的输出数据；

遍历每个子数组，获得所有子数组的输出数据。

4.根据权利要求3所述的一种卷积神经网络池化层的运算方法，其特征在于，

对所述子数组中的每张特征图相对应位置的数据进行池化处理，之前，包括：

获得每张特征图的窗口大小；

根据所述窗口大小对每张特征图的数据进行池化处理，获得每张特征图的数据。

5.根据权利要求1-4任一所述的一种卷积神经网络池化层的运算方法，其特征在于，

所述池化处理为最大值池化或平均值池化。

6.一种火灾检测方法，其特征在于，包括：

接收输入的图像；

将所述图像输入训练好的、用于确定所述图像中是否具有火焰画面的火灾检测模型中，所述火灾检测模型为基于卷积神经网络模型对预先收集的火焰数据进行火焰特征深度学习后获得，所述火灾检测模型包括主干网络、瓶颈网络和输出网络；其中，所述主干网络包括卷积层和池化层，所述池化层采用如权利要求1-5任一所述的运算方法。

7.根据权利要求6所述的火灾检测方法，其特征在于，

所述输出网络包括物体类别特征提取子网络，所述物体类别特征提取子网络用于输出所述图像中的多个物体类别，所述物体类别包括火焰和/或烟雾；

其中，每个所输出的所述物体类别包括多个潜在状态。

8.根据权利要求6或7所述的火灾检测方法，其特征在于，

所述输出网络包括前景类别特征提取子网络，所述前景体类别特征提取子网络用于输出所述图像中的前景类别；

其中，每个所输出的所述前景类别包括多个潜在状态。

9.一种电子设备，其特征在于，包括：

处理器；以及

存储器，与所述处理器通讯连接；

其中，所述存储器存储有可被处理器执行的程序，当程序被所述处理器执行时，所述处理器能够执行根据如权利要求1-5任一所述的卷积神经网络池化层的运算方法或根据如权利要求6-8任一所述的火灾检测方法。

10.一种可读存储介质，其特征在于，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现根据如权利要求1-5任一所述的卷积神经网络池化层的运算方法或根据如权利要求6-8任一所述的火灾检测方法。