[发明专利]深度卷积网络压缩方法、存储介质和终端

权利要求书

1.一种深度卷积网络压缩方法，其特征在于，包括步骤：

对图像的人物和背景进行分离时，将背景抠图所用的原始深度卷积网络划分为特征提取部分和特征利用部分，其中，所述特征提取部分用于对输入的原始数据的图像数据进行特征的转化和提取，所述特征利用部分用于根据转化和提取的图像特征输出最终结果；

对所述特征提取部分进行压缩，获得卷积子网络，由若干个所述卷积子网络构建与所述特征提取部分效果相比拟的循环卷积神经网络；

将原始数据的图像数据输入所述循环卷积神经网络进行循环计算，输出转化和提取的图像特征；

将转化和提取的图像特征输入所述特征利用部分，利用所述特征利用部分对该转化和提取的图像特征进行计算，输出所述原始数据的图像数据中的图像特征对应的最终结果；所述最终结果包括图像数据的图像特征对应的类别。

2.根据权利要求1所述的深度卷积网络压缩方法，其特征在于，所述循环卷积神经网络中第一个卷积子网络的输入通道数为原始数据的通道数，之后的卷积子网络的输入通道数为原始数据的通道数和上一个卷积子网络输出数据的通道数的级联。

3.根据权利要求2所述的深度卷积网络压缩方法，其特征在于，所述循环卷积神经网络还包括位于两个卷积子网络之间的设定卷积层，所述设定卷积层的输入通道数为原始数据的通道数和上一个卷积子网络输出数据的通道数的级联，输出通道数为第一个卷积子网络的输入通道数。

4.根据权利要求1所述的深度卷积网络压缩方法，其特征在于，所述对所述特征提取部分进行压缩，获得卷积子网络，包括：

对所述特征提取部分进行通道数压缩，获得卷积子网络。

5.根据权利要求4所述的深度卷积网络压缩方法，其特征在于，所述对所述特征提取部分进行通道数压缩，包括：

统计所述特征提取部分的每层网络中各个通道的权值总和；

分别将每层网络中权值总和小于预设阈值的通道移除。

6.根据权利要求4所述的深度卷积网络压缩方法，其特征在于，所述循环卷积神经网络包含的卷积子网络的个数根据压缩后的通道数与压缩前的通道数的比值确定；所述循环卷积神经网络的体积为所述特征提取部分的体积的N/n²，其中，N为卷积子网络的个数，1/n为压缩后的通道数与压缩前的通道数的比值。

7.根据权利要求1至6任意一项所述的深度卷积网络压缩方法，其特征在于，所述特征提取部分包括卷积层或者所述特征提取部分包括卷积层和池化层。

8.根据权利要求1至6任意一项所述的深度卷积网络压缩方法，其特征在于，所述特征利用部分包括上采样层或者全连接层。

9.一种计算机可读的存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任意一项所述的深度卷积网络压缩方法。

10.一种终端，其特征在于，所述终端包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任意一项所述的深度卷积网络压缩方法。