[发明专利]一种卷积神经网络的高效编码方法、设备、存储介质

权利要求书

1.一种卷积神经网络的高效编码方法，其特征在于，包括以下步骤：

以卷积神经网络进行计算首帧图像，选择并保存中间层的特定行列数据作为参考卷积；

后续每一帧图像当计算完成第一层卷积时，与参考卷积比较，将变化小或不变的多个通道卷积结果输出进行游程编码；

为计算下一层卷积装载输入数据时，装载游程编码区域；

根据游程编码区域和非游程编码区域输入数据时，将从参考卷积和/或上一层卷积非游程编码输出区域取出相应中间层的特定行列数据以执行不同策略的卷积运算；

每隔预设帧数图像时，选择并保存当前卷积中间层的特定行列数据以更新参考卷积，继续执行后续每一帧图像的游程编码。

2.根据权利要求1所述的一种卷积神经网络的高效编码方法，其特征在于，所述以卷积神经网络进行计算首帧图像，包括：

装载第一帧图像，装载卷积神经网络卷积核权重；

按照标准的卷积神经网络计算方法进行计算；

选择并保存多层中间层的特定行列数据作为参考卷积。

3.根据权利要求1所述的一种卷积神经网络的高效编码方法，其特征在于，所述多个通道卷积结果输出进行游程编码，包括：

输入后续每一帧图像计算第一层卷积时，同时与首帧图像或参考卷积相应行列卷积输出数据进行比较；

若变化很小或没有变化，采用游程方式对连续数列卷积结果输出的数据进行编码，采用游程方式进行编码包括编码标志位+开始位置+列数，每增加一列在列数的基础上+1数值，直至连续数列变化较大后结束游程编码；

将游程编码和非游程编码的卷积数据分区域保存。

4.根据权利要求3所述的一种卷积神经网络的高效编码方法，其特征在于，还包括：

当第一层卷积游程编码稀疏时，判断图像发生晃动或者场景发生切换；

计算第一层卷积时，计算局部运动向量以及全局运动向量并判断：

若无明显全局运动向量，则判断为发生场景切换，返回执行以卷积神经网络进行计算首帧图像确定参考卷积的步骤；

若具有明显全局运动向量，则判断为图像发生晃动，获取与全局运动向量一致的位置并进行游程编码。

5.根据权利要求4所述的一种卷积神经网络的高效编码方法，其特征在于，所述计算局部运动向量以及全局运动向量，包括：

计算第一层卷积时，同时与上一帧的m*n范围内的卷积作比较，选取差值最小者，计算局部运动向量，相邻运动向量如果差别较小，视为一组并游程编码；

选取像素最多的组，并将该组的运动向量作为全局运动向量，如果像素最多的组没有包含超过一半像素，则判断为发生场景切换。

6.根据权利要求1所述的一种卷积神经网络的高效编码方法，其特征在于，所述为计算下一层卷积装载输入数据时，装载游程编码区域，包括：

为计算下一层卷积时，先装载游程编码区域，取出卷积核对应的相邻行的游程编码，计算当前位置开始的最大公共行游程；

忽略并跳过最大公共行游程，以对应游程编码将卷积结果输出，放置下一层游程编码输出区域。

7.根据权利要求1所述的一种卷积神经网络的高效编码方法，其特征在于，所述为计算下一层卷积装载输入数据时，装载游程编码区域，还包括：

为计算下一层卷积时，先装载游程编码区域，包括装载当具有全局运动向量时其所在的组像素的游程编码，用来计算最大公共行游程。

8.根据权要求1所述的一种卷积神经网络的高效编码方法，其特征在于，所述根据游程编码区域和非游程编码区域输入数据时，将从参考卷积和/或上一层卷积非游程编码输出区域取出相应中间层的特定行列数据以执行不同策略的卷积运算，包括：

为计算下一层卷积时，先装载游程编码区域，计算得到无公共行游程；

对于游程编码区域输入数据时，将从参考卷积取出相应中间层的特定行列数据；

对于非游程编码区域输入数据时，将从上一层的非游程编码输出区域取出相应中间层的特定行列数据，并装载卷积核权重，执行卷积运算。