[发明专利]利用了1xK或Kx1卷积运算的CNN方法及装置

权利要求书

1.一种学习方法，利用1xK卷积运算或Kx1卷积运算来学习CNN的参数，该CNN是Convolutional Neural Network即卷积神经网络，该CNN包括重塑层、后续卷积层和输出层，其特征在于，包括如下步骤：

(a)当获得至少一个训练图像时，学习上述CNN的参数的学习装置使上述重塑层将由上述训练图像或对此进行加工的特征图的所有通道按每组K个通道进行分组，并且将各个组内的K个通道中的按各个像素的特征级联到各自的一个通道来生成重塑特征图，使上述后续卷积层对上述重塑特征图适用上述1xK卷积运算或上述Kx1卷积运算来生成调整了卷的调整特征图；及

(b)上述学习装置使上述输出层参照上述调整特征图或对此进行加工的特征图上的特征来生成至少一个输出，使损失层参照上述输出和与此对应的至少一个GT来算出至少一个损失，从而将上述损失反向传播来学习上述后续卷积层的至少一部分参数，其中，上述GT是Ground Truth即真值。

2.根据权利要求1所述的学习方法，其特征在于，

在上述(a)步骤中，

在上述训练图像或对此进行加工的特征图的通道数量并非K的倍数的情况下，上述学习装置使上述重塑层对上述训练图像或对此进行加工的特征图的通道追加至少一个虚拟通道来使包括至少一个上述虚拟通道的上述通道的数量成为K的倍数，然后将由包括上述训练图像或对此进行加工的特征图的至少一个上述虚拟通道的上述所有通道中的各自对应的K个上述通道构成的各个上述组内的各个上述特征级联。

3.根据权利要求1所述的学习方法，其特征在于，

在将上述训练图像或对此进行加工的特征图的宽度设为W，将高度设为H，将通道数量设为L的情况下，

在上述(a)步骤中，

上述学习装置使上述重塑层生成宽度为W，高度为HxK，通道为的上述重塑特征图。

4.根据权利要求3所述的学习方法，其特征在于，

在将上述后续卷积层的卷积核数量设为M的情况下，

在上述(a)步骤中，

上述学习装置使上述后续卷积层对上述重塑特征图适用1xK卷积运算来生成宽度为W，高度为H，通道为M的具备WxHxM的卷的上述调整特征图。

5.根据权利要求1所述的学习方法，其特征在于，

在将上述训练图像或对此进行加工的特征图的宽度设为W，将高度设为H，将通道数量设为L的情况下，

在上述(a)步骤中，

上述学习装置使上述重塑层生成宽度为WxK，高度为H，通道为的上述重塑特征图。

6.根据权利要求5所述的学习方法，其特征在于，

在将上述后续卷积层的卷积核数量设为M的情况下，

在上述(a)步骤中，

上述学习装置使上述后续卷积层对上述重塑特征图适用Kx1卷积运算来生成具备宽度为W，高度为H，通道为M的具备WxHxM的卷的上述调整特征图。

7.根据权利要求1所述的学习方法，其特征在于，

在将上述训练图像或对此进行加工的特征图的宽度设为W，将高度设为H，将通道数量设为L的情况下，

在上述(a)步骤中，

上述学习装置使上述重塑层(i)生成宽度为W，高度为HxK，通道为的上述重塑特征图，或者(ii)生成宽度为WxK，高度为H，通道为的上述重塑特征图，

在第上述个通道上的上述重塑特征图的最终部分的尺寸并非宽度为W，高度为HxK的尺寸的情况下，使上述重塑层追加至少一个零填充来使第上述个通道上的上述重塑特征图的上述最终部分的尺寸为宽度为W，高度为HxK的尺寸，或者使第上述个通道上的上述重塑特征图的上述最终部分的尺寸并非宽度为WxK，高度为H的尺寸的情况下，使上述重塑层追加至少一个零填充来使第上述个通道上的上述重塑特征图的上述最终部分的尺寸成为宽度为WxK，高度为H的尺寸。