[发明专利]卷积神经网络池化层的运算方法、火灾检测方法

说明书

本发明公开了一种卷积神经网络池化层的运算方法及火灾检测方法，其中，运算方法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。上述方案中，本发明通过在通道方向上进行池化运算，增加可以相关替换的特征，从而达到提高图像识别的鲁棒性的目的。

技术领域

本发明属于数据处理技术领域，具体地说，涉及一种卷积神经网络池化层的运算方法、火灾检测方法、电子设备及可读存储介质。

背景技术

卷积神经网络(Convolutional Neural Networks，CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deeplearning)的代表算法之一。卷积神经网络包括卷积层和池化层，在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤。池化层包含预设定的池化函数，其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量。池化层选取池化区域与卷积核扫描特征图步骤相同，由池化大小、步长和填充控制。

申请号为CN201980039309.2的专利申请公开了一种感兴趣区域-池化层的计算方法与装置、以及神经网络系统。并具体公开了：

ROI-pooling层的功能是对特征图中的感兴趣区域(ROI)进行下采样。

ROI-pooling层的输入数据(input feature map，IFM)是上一层的输出。ROI-pooling层的输入数据可以为一张特征图(feature map)组成的数组，也可以为多张特征图组成的3D的数组。ROI-pooling层的输入数据为L张特征图，每张特征图的分辨率为H(高)×W(宽)。

ROI-pooling层的输出数据(output feature map，OFM)由若干个立方体组成，共有M个立方体，ROI-pooling层输出的立方体的个数由输入特征图中的感兴趣区域(ROI)的数量决定。

每个立方体的维度都是相同的，例如，每个立方体由L张输出特征图组成。其中，每张输出特征图的分辨率是相同的，例如，立方体中的每张输出特征图的分辨率均为E(高)×F(宽)。

ROI-pooling层的功能是输入的特征图中的感兴趣区域进行下采样。例如，以L张特征图中的一张特征图为例，ROI-pooling层将分辨率为H×W的输入特征图下采样处理为分辨率为E×F的输出特征图。

ROI-pooling层输出的特征图的分辨率可以预先定义，例如，输出的立方体的分辨率E×F可以是预定义的。

ROI-pooling层的计算过程为：根据输出的立方体的分辨率E×F、输入特征图中的感兴趣区域的位置，逐点反推出输出数据在输入特征图上对应的数据窗口区域；对该数据窗口区域内的数据进行运算处理，获得对该数据窗口区域对应的输出数据。

但是，上述池化层的运算方式为在空间上仅对每一特征层进行的池化，鲁棒性不高。

有鉴于此，特提出本发明。

发明内容

本发明要解决的技术问题在于克服现有技术的不足，提供一种卷积神经网络池化层的运算方法，通过在通道方向上进行池化运算，增加可以相关替换的特征，从而达到提高图像识别的鲁棒性的目的。

本发明的另外一个目的是提供一种火灾检测方法。

本发明的另外一个目的是提供一种电子设备。

本发明的另外一个目的是提供一种可读存储介质。

为解决上述技术问题，本发明采用技术方案的基本构思是：