[发明专利]通过神经网络识别图像的方法和设备

说明书

提供了通过神经网络识别图像的方法和设备。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。

本申请要求于2020年7月15日提交到韩国知识产权局的第10-2020-0087449号韩国专利申请的权益，该韩国专利申请的全部公开出于所有目的通过引用包含于此。

技术领域

下面的描述涉及具有神经网络运算处理的方法和设备。

背景技术

识别处理的技术自动化可使用例如由处理器实现为特殊计算结构的神经网络模型来实现，其可在相当大的训练之后提供输入模式与输出模式之间的计算上直观的映射。被训练以生成这样的映射的能力可被称为“神经网络的训练能力”。此外，由于专用的训练，这样的专用的和训练的神经网络可具有针对未被训练的输入模式生成相对准确的输出的泛化能力。

发明内容

提供本发明内容来以简化的形式介绍在以下具体实施方式中进一步描述的构思的选择。本发明内容不意在确定要求权利的主题的关键特征或必要特征，也不意在用于帮助确定要求权利的主题的范围。

在一个总体方面，一种通过神经网络识别图像的方法包括：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。

在另一总体方面，一种通过神经网络识别图像的设备包括：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。

在另一总体方面，一种电子设备包括：相机，被配置为生成输入图像；和处理器，被配置为：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；和基于输出特征图生成输入图像的识别结果。

在另一总体方面，一种处理器实现的神经网络方法包括：获得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；和基于卷积运算的运算结果来生成神经网络层的输出特征图。

修剪信息可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可对应于有效向量，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。

确定针对每个权重元素向量的处理范围的步骤可包括：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可包括：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。

第一权重元素向量与第一处理范围之间的卷积运算可包括1×1卷积运算。

第一权重元素向量与第一处理范围之间的卷积运算可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。