[发明专利]卷积处理方法、装置及存储介质

说明书

本公开是关于一种卷积处理方法及装置，属于图像处理技术领域。所述方法包括：当需要对目标特征图进行卷积处理时，对于至少一个卷积核中的每个卷积核，根据该卷积核包括的至少两个子卷积核中每个子卷积核的加权系数对该目标特征图进行卷积处理，得到与每个卷积核对应的激活图。也即，在本公开实施例中，当通过一个卷积核对目标特征图进行卷积处理时，是通过该卷积核包括的子卷积核对该目标特征图进行卷积处理。由于子卷积核的高度、宽度和通道数三个参数中存在至少一个参数为1，因此可以降低一次卷积处理过程中的计算量，提高了通过卷积处理进行人脸识别的速度。

技术领域

本公开涉及图像处理技术领域，尤其涉及一种卷积处理方法、装置及存储介质。

背景技术

近年来，随着图像处理技术的发展，CNN(Convolution Neural Network，卷积神经网络)模型因其无需对图像进行复杂的预处理而得到广泛的应用。尤其在通过图像进行人脸识别的过程中，利用CNN模型中卷积层和池化层依次对该图像进行卷积处理和池化处理，可以快速提取该图像中的特征，以实现快速进行人脸识别。其中，卷积处理作为池化处理的预处理步骤，对实现快速进行人脸识别起着至关重要的作用。

相关技术中，当需要对图像进行卷积处理时，确定该图像的特征图(FeatureMap)，并对该图像的特征图进行卷积处理，得到激活图(Activation Map)，以便后续对该激活图进行池化处理。其中，该图像的特征图采用三个参数来描述，分别为高度、宽度和通道数，高度和宽度分别是该图像在高度方向的像素大小和在宽度方向的像素大小，通道数是指描述该图像的变量的个数。比如，对于采用RGB(Red、Green、Blue，三原色光模式)方式描述的图像，该图像的像素大小为120×240，则该图像的特征图的高度为120、宽度为240、通道数为3。

如图1所示，将描述该特征图的三个参数，即高度、宽度和通道数分别标记为H、W和C。当对该特征图进行卷积处理时，获取已经训练的卷积核，该卷积核也包括三个参数，即高度、宽度和通道数，并且实际应用中，该卷积核通常为正方形卷积核，也即卷积核的高度和宽度相同，如图1所示，将卷积核的高度、宽度和深度分别标记为t、t和C。假设卷积的步长为1，则按照每次移动一个像素点的方式将该卷积核依次滑过该特征图，在卷积核每移动一次之后，确定该特征图中与该卷积核所处位置对应的局部区域内的像素点，并将确定的像素点的像素值按照该卷积核中对应的加权系数进行加权处理，得到激活图中对应像素点处的像素值。当卷积核滑过该整个图像时，得到与该卷积核对应的激活图中的所有像素点的像素值，也即得到与该卷积核对应的激活图。

发明内容

为克服相关技术中存在的问题，本公开提供了一种卷积处理方法、装置及存储介质。

根据本公开实施例的第一方面，提供一种卷积处理方法，所述方法包括：

确定用于对目标特征图进行卷积处理的至少一个卷积核；

其中，每个卷积核包括至少两个子卷积核，每个子卷积核的高度、宽度和通道数三个参数中存在至少一个参数为1，其他参数与所属的卷积核中对应的参数的大小相同；

根据每个卷积核包括的至少两个子卷积核的加权系数对所述目标特征图进行卷积处理，得到与每个卷积核对应的激活图。

可选地，每个卷积核包括三个子卷积核，每个子卷积核的高度、宽度和通道数三个参数中存在两个参数为1，其他一个参数与所属的卷积核中对应的参数的大小相同；

所述根据每个卷积核包括的至少两个子卷积核的加权系数对所述目标特征图进行卷积处理，包括：

根据第一子卷积核的加权系数，对所述目标特征图进行第一次卷积处理，得到第一卷积图，所述第一子卷积核为目标卷积核包括的三个子卷积核中的任一者，所述目标卷积核为所述至少一个卷积核中的任一者；