[发明专利]可切换深度学习网络结构的方法与终端

摘要

本发明实施例涉及一种可切换深度学习网络结构的方法与终端。所述方法包括：获取表示物体特征的第一输入特征矩阵；根据第一输入特征矩阵，确定对应的多个显著特征矩阵的值和与显著特征矩阵对应的切换变量的估计值；将第一输入特征矩阵中的对应元素与对应的显著特征矩阵中的对应元素进行相乘运算，得到第一结果矩阵；将第一结果矩阵与第一参数矩阵进行相乘运算，得到第二结果矩阵；将第二结果矩阵与第一偏移量矩阵进行相加运算，得到第三结果矩阵；根据激活函数，对第三结果矩阵进行激活处理，得到激活矩阵；将激活矩阵中的元素与对应的切换变量的估计值进行相乘运算，得到切换矩阵；将切换矩阵中的对应元素进行累加求和运算，得到第一输出矩阵。

主权项

1.一种用于图像处理的可切换深度学习网络结构的方法，其特征在于，所述方法包括：获取输入图像，将所述输入图像划分为多个窗口；对于每一个窗口的2维特征矩阵施加滤波器处理，得到滤波矩阵；获取表示物体特征的一个或多个第一输入特征矩阵，其中所述第一输入特征矩阵是由所述滤波矩阵中的像素最大值组成；根据每个所述第一输入特征矩阵，确定与所述第一输入特征矩阵对应的多个显著特征矩阵的值和与每个所述显著特征矩阵对应的一个切换变量的估计值；根据所述显著特征矩阵的值，分别将每个所述第一输入特征矩阵中的对应元素与对应的多个所述显著特征矩阵中的对应元素进行相乘运算，得到多个第一结果矩阵；将每个所述第一结果矩阵与预设的或训练得到的第一参数矩阵进行相乘运算，得到多个第二结果矩阵；将每个所述第二结果矩阵与预设的或训练得到的第一偏移量矩阵进行相加运算，得到多个第三结果矩阵；根据激活函数，对每个所述第三结果矩阵进行激活处理，得到多个激活矩阵；将每个所述激活矩阵中的每个元素与对应的一个所述切换变量的估计值进行相乘运算，得到多个切换矩阵；将多个所述切换矩阵中的对应元素进行累加求和运算，得到第一输出矩阵，所述第一输出矩阵用于获取标识所述输入图像的物体特征的输出矩阵。