[发明专利]一种卷积神经网络的优化方法、装置及计算机存储介质

说明书

本发明实施例公开了一种卷积神经网络的优化方法、装置及计算机存储介质；所述方法包括：构建卷积神经网络，所述卷积神经网络至少包括四个网络层：图像输入层、至少一个卷积层、至少一个池化层和至少一个全连接层；当待检测物体数量低于预设阈值时，缩减CNN中卷积核的数量；将图像输入层输入的图像按照设定的边界判定策略划分为至少一个利用连续内存存储的内存数据段，并利用设定的连续内存拷贝函数对各内存数据段进行数据拷贝；按照设定的合并策略将批量正则化层中的原始参数与卷积层或全连接层的参数进行合并，将合并后的参数作为批量正则化层的新参数；其中，所述批量正则化层在所述卷积层或所述全连接层之后。减少通过CNN进行检测时的计算消耗。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种卷积神经网络(CNN，ConvolutionalNeural Network)的优化方法、装置及计算机存储介质。

背景技术

随着计算机技术以及信号处理技术的发展，越来越多的家电设备除了具有传统的按键操作控制之外，还能够根据用户的声音或者手势进行控制。

通过手势对家电设备进行控制，那就需要对手部等目标进行检测。目前相关的手部检测方案中，通常采用的是基于深度卷积神经网络(CNN，Convolutional NeuralNetwork)的手部检测方案，该方案设计了一个包含卷积层、池化层以及全连接层的深度卷积神经网络，对第一视角的RGB图像进行手部检测。由于该方案设置了深度较大的神经网络层，并且检测过程中需要对整个图像进行全卷积处理，因此，该方案的检测精度较高，但同时增加了计算代价，也就增加了方案在检测过程中所消耗的时间。

发明内容

为解决上述技术问题，本发明实施例期望提供一种卷积神经网络的优化方法、装置及计算机存储介质；减少通过CNN进行检测时的计算消耗。

本发明的技术方案是这样实现的：

第一方面，本发明实施例提供了一种CNN的优化方法，所述方法包括：

构建卷积神经网络，所述卷积神经网络至少包括四个网络层：图像输入层、至少一个卷积层、至少一个池化层和至少一个全连接层；

当待检测物体数量低于预设阈值时，缩减所述CNN中卷积核的数量；

将所述图像输入层输入的图像按照设定的边界判定策略划分为至少一个利用连续内存存储的内存数据段，并利用设定的连续内存拷贝函数对各内存数据段进行数据拷贝；

按照设定的合并策略将批量正则化层中的原始参数与所述卷积层或所述全连接层的参数进行合并，将合并后的参数作为批量正则化层的新参数；其中，所述批量正则化层在所述卷积层或所述全连接层之后。

在上述方案中，当待检测物体数量低于预设阈值时，缩减所述CNN中卷积核的数量，包括：

当进行单类检测或少类检测时，缩减所述CNN中每层卷积核的数量为小于等于100。

在上述方案中，所述利用设定的连续内存拷贝函数对各内存数据段进行数据拷贝，包括：

利用内存拷贝函数memcpy对所有利用连续内存存储的内存数据段进行数据拷贝。

在上述方案中，所述按照设定的合并策略将批量正则化层中的原始参数与所述卷积层或所述全连接层的参数进行合并，将合并后的参数作为批量正则化层的新参数，包括：

将所述批量正则化层中的均值参数按照第一合并策略与所述卷积层或所述全连接层中的偏置参数进行合并，获得第一合并结果；

基于所述第一合并结果，将所述批量正则化层中的方差参数按照第二合并策略与所述卷积层或所述全连接层中的偏置参数和权重参数进行合并。