[发明专利]卷积神经网络模型优化方法、装置、计算机设备及存储介质

权利要求书

1.一种卷积神经网络模型优化方法，其特征在于，包括：

将预设的卷积神经网络模型的输入层输出的初始特征矩阵划分为多个子初始特征矩阵；

将各所述子初始特征矩阵逐一输入到所述卷积神经网络模型的卷积层中以获得各所述子初始特征矩阵的子特征提取矩阵；

将各所述子初始特征矩阵的子特征提取矩阵进行叠加后获得总特征提取矩阵；

将所述总特征提取矩阵输入到所述卷积神经网络模型的下一层中以得到输出结果。

2.根据权利要求1所述的方法，其特征在于，所述将预设的卷积神经网络模型的输入层输出的初始特征矩阵划分为多个子初始特征矩阵，包括：

根据预设的行数阈值以及列数阈值将所述初始特征矩阵划分为多个子初始特征矩阵，其中所述子初始特征矩阵的行数少于所述行数阈值，所述子初始特征矩阵的列数少于所述列数阈值；

记录各所述子初始特征矩阵在所述初始特征矩阵中的坐标位置。

3.根据权利要求1所述的方法，其特征在于，所述将各所述子初始特征矩阵逐一输入到所述卷积神经网络模型的卷积层中以获得各所述子初始特征矩阵的子特征提取矩阵，包括：

获取一所述子初始特征矩阵作为目标子初始特征矩阵，并将所述目标子初始特征矩阵输入到所述卷积神经网络模型的卷积层中以获得所述目标子初始特征矩阵的子特征提取矩阵；

对所述目标子初始特征矩阵进行标记；

判断是否存在未标记的子初始特征矩阵；

若存在未标记的子初始特征矩阵，获取一未标记的子初始特征矩阵作为目标子初始特征矩阵，并返回所述将所述目标子初始特征矩阵输入到所述卷积神经网络模型的卷积层中以获得所述目标子初始特征矩阵的子特征提取矩阵的步骤。

4.根据权利要求3所述的方法，其特征在于，所述对所述目标子初始特征矩阵进行标记，包括：

在所述目标子初始特征矩中添加预设的特征标记符。

5.根据权利要求4所述的方法，其特征在于，所述判断是否存在未标记的子初始特征矩阵，包括：

判断是否所有的子初始特征矩阵中均包含预设的特征标记符；

若所有的子初始特征矩阵中均包含预设的特征标记符，判定不存在未标记的子初始特征矩阵；

若存在不包含预设的特征标记符的子初始特征矩阵，判定存在未标记的子初始特征矩阵。

6.根据权利要求2所述的方法，其特征在于，所述将各所述子初始特征矩阵的子特征提取矩阵进行叠加后获得总特征提取矩阵，包括：

根据各所述子初始特征矩阵在所述初始特征矩阵中的坐标位置将各所述子初始特征矩阵的子特征提取矩阵叠加为总特征提取矩阵，其中，所述子初始特征矩阵的子特征提取矩阵在所述总特征提取矩阵中的坐标位置与所述子初始特征矩阵在所述初始特征矩阵中的坐标位置相同。

7.根据权利要求1所述的方法，其特征在于，在所述将预设的卷积神经网络模型的输入层输出的初始特征矩阵划分为多个子初始特征矩阵之前，所述方法还包括：

将待处理数据输入到卷积神经网络模型的输入层中以得到所述初始特征矩阵。

8.一种卷积神经网络模型优化装置，其特征在于，包括：

第一划分单元，用于将预设的卷积神经网络模型的输入层输出的初始特征矩阵划分为多个子初始特征矩阵；

第一输入单元，用于将各所述子初始特征矩阵逐一输入到所述卷积神经网络模型的卷积层中以获得各所述子初始特征矩阵的子特征提取矩阵；

第一叠加单元，用于将各所述子初始特征矩阵的子特征提取矩阵进行叠加后获得总特征提取矩阵；

第二输入单元，用于将所述总特征提取矩阵输入到所述卷积神经网络模型的下一层中以得到输出结果。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现如权利要求1-7中任一项所述的方法。