[发明专利]通过神经网络识别图像的方法和设备

权利要求书

1.一种通过神经网络识别图像的方法，所述方法包括：

获得待识别的图像作为输入图像；

确定与输入图像对应的输入特征图；

获得神经网络的权重模型的第一权重核和第一权重核的修剪信息；

基于修剪信息，确定针对第一权重核的每个权重元素向量的输入特征图的处理范围；

基于确定的处理范围执行输入特征图与第一权重核之间的卷积运算；

基于卷积运算的运算结果来生成输出特征图；和

基于输出特征图，输出图像识别结果。

2.根据权利要求1所述的方法，其中，

修剪信息包含包括在第一权重核中的权重元素向量的数量的信息以及第一权重核中的权重元素向量的位置的信息，并且

第一权重核中的每个权重元素向量对应于有效向量，有效向量区别于在修剪处理中从第一权重核去除的无效向量。

3.根据权利要求1所述的方法，其中，

确定针对每个权重元素向量的处理范围的步骤包括：基于修剪信息，确定输入特征图中的与第一权重核的第一权重元素向量对应的第一处理范围，并且

执行卷积运算的步骤包括：通过执行第一权重元素向量与第一处理范围之间的卷积运算来生成第一中间输出平面。

4.根据权利要求3所述的方法，其中，第一权重元素向量与第一处理范围之间的卷积运算包括1×1卷积运算。

5.根据权利要求4所述的方法，其中，第一权重元素向量与第一处理范围之间的卷积运算包括第一处理范围的每个输入元素向量与第一权重元素向量之间的1×1卷积运算。

6.根据权利要求3所述的方法，其中，生成输出特征图的步骤包括：通过累加包括第一中间输出平面的中间输出平面来生成输出特征图的第一输出平面。

7.根据权利要求1所述的方法，其中，生成输出特征图的步骤包括：通过累加与卷积运算的运算结果对应的中间输出平面来生成输出特征图的第一输出平面。

8.根据权利要求7所述的方法，其中，第一权重核和第一输出平面对应于第一输出通道。

9.根据权利要求1所述的方法，其中，

权重模型包括：多个权重核，所述多个权重核包括第一权重核，并且

所述多个权重核的权重元素向量对应于非零向量。

10.根据权利要求9所述的方法，其中，通过使用相应的基本权重核和缩放矩阵的训练处理来增加权重模型的所述多个权重核中的每个的稀疏性。

11.根据权利要求10所述的方法，其中，训练处理包括，针对所述多个权重核中的每个：

基于损失函数将稀疏性诱导至缩放矩阵；和

基于基本权重核与诱导了稀疏性的缩放矩阵之间的逐点乘法来生成权重核。

12.根据权利要求1至权利要求11中的任意一项所述的方法，还包括：

使用相机生成输入图像。

13.一种存储指令的非暂时性计算机可读存储介质，所述指令在被处理器执行时，配置处理器执行根据权利要求1至权利要求12中的任何一项所述的方法。

14.一种通过神经网络识别图像的设备，所述设备包括：

处理器，被配置为：

获得待识别的图像作为输入图像；

确定与输入图像对应的输入特征图；

获得神经网络的权重模型的第一权重核和第一权重核的修剪信息；

基于修剪信息，确定针对第一权重核的每个权重元素向量的输入特征图的处理范围；

基于确定的处理范围执行输入特征图与第一权重核之间的卷积运算；

基于卷积运算的运算结果来生成输出特征图；和

基于输出特征图，输出图像识别结果。