CN107609599B - 特征识别方法及装置 - Google Patents

Abstract

本公开是关于一种特征识别方法及装置。该方法包括：针对深度卷积神经网络中的激活函数，为待识别图像的特征图中每个元素分配激活函数斜率存储空间；在存储空间中存储与每个元素相对应的激活函数斜率；根据激活函数以及其斜率，对特征图中多个元素并行循环进行激活处理，获取待识别图像的特征值；根据特征值，对待识别图像进行特征识别。根据本公开的实施例，通过为待识别图像的特征图中每个元素分配激活函数斜率存储空间，存储与每个元素相对应的激活函数斜率，对多个元素并行循环进行激活处理，获取待识别图像的特征值，并进行特征识别，从而在不增加计算复杂度的情况下提高特征识别的准确度。

Description

特征识别方法及装置

技术领域

本公开涉及计算机技术领域，尤其涉及一种特征识别方法及装置。

背景技术

随着深度卷积神经网络(Depth convolution neural network，DCNN)在物体分类、物体检测、自然语言理解等方面的应用，特征识别(例如人脸识别)算法也从传统的基于人工设计特征和分类器的阶段，前进到了采用深度卷积神经网络提取特征和分类的阶段。完整的深度卷积神经网络通常由不同类型的层依次连接而成，这些层包括卷积层、激活层、池化层、全连接层等。其中，激活层中的激活函数能够加入非线性因素，提高卷积网络的建模能力。

在相关技术中，激活函数ReLU(Rectified Linear Unit，修正线性单元)是常用的激活函数。在ReLU的基础上，激活函数PReLU(Parametric Rectified Linear Unit，参数修正线性单元)能够进一步提高特征识别模型的准确度。然而，与ReLU相比，PReLU的计算复杂度显著增加，导致特征识别的计算效率降低。

发明内容

为克服相关技术中存在的问题，本公开提供一种特征识别方法及装置。

根据本公开实施例的第一方面，提供一种特征识别方法，包括：

针对深度卷积神经网络中的激活函数，为待识别图像的特征图中的每个元素分配激活函数斜率存储空间；

在所述存储空间中存储与每个元素相对应的激活函数斜率；

根据所述激活函数以及所述激活函数斜率，对特征图中的多个元素并行循环进行激活处理，获取所述待识别图像的特征值；

根据所述待识别图像的特征值，对所述待识别图像进行特征识别。

对于以上方法，在一种可能的实现方式中，根据所述激活函数以及所述激活函数斜率，对特征图中的多个元素并行循环进行激活处理，获取所述待识别图像的特征值，包括：

从所述存储空间中读取与每个元素相对应的激活函数斜率；

根据所述激活函数斜率，对特征图中的多个元素采用单指令多数据SIMD方式并行循环进行激活处理，获取所述待识别图像的特征值。

对于以上方法，在一种可能的实现方式中，根据所述待识别图像的特征值，对所述待识别图像进行特征识别，包括：

根据所述待识别图像的特征值以及参考图像的特征值之间的欧氏距离，确定所述待识别图像与所述参考图像之间的相似度；

在所述相似度大于或等于相似度阈值时，识别所述待识别图像与所述参考图像的特征相同。

对于以上方法，在一种可能的实现方式中，所述激活函数包括参数修正线性单元PReLU，

其中，所述特征图包括多个通道，每个通道包括多个元素；

其中，不同通道的多个元素的激活函数斜率不同，相同通道的多个元素的激活函数斜率相同。

根据本公开实施例的第二方面，提供一种特征识别装置，包括：

空间分配模块，用于针对深度卷积神经网络中的激活函数，为待识别图像的特征图中的每个元素分配激活函数斜率存储空间；

斜率存储模块，用于在所述存储空间中存储与每个元素相对应的激活函数斜率；

特征值获取模块，用于根据所述激活函数以及所述激活函数斜率，对特征图中的多个元素并行循环进行激活处理，获取所述待识别图像的特征值；

特征识别模块，用于根据所述待识别图像的特征值，对所述待识别图像进行特征识别。

对于以上装置，在一种可能的实现方式中，所述特征值获取模块包括：

斜率读取子模块，用于从所述存储空间中读取与每个元素相对应的激活函数斜率；

特征值获取子模块，用于根据所述激活函数斜率，对特征图中的多个元素采用单指令多数据SIMD方式并行循环进行激活处理，获取所述待识别图像的特征值。

对于以上装置，在一种可能的实现方式中，所述特征识别模块包括：

相似度确定子模块，用于根据所述待识别图像的特征值以及参考图像的特征值之间的欧氏距离，确定所述待识别图像与所述参考图像之间的相似度；

识别子模块，用于在所述相似度大于或等于相似度阈值时，识别所述待识别图像与所述参考图像的特征相同。

对于以上装置，在一种可能的实现方式中，所述激活函数包括参数修正线性单元PReLU，

其中，所述特征图包括多个通道，每个通道包括多个元素；

其中，不同通道的多个元素的激活函数斜率不同，相同通道的多个元素的激活函数斜率相同。

根据本公开实施例的第三方面，提供一种特征识别装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行上述方法。

根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行上述特征识别方法。

本公开的实施例提供的技术方案可以包括以下有益效果：为待识别图像的特征图中的每个元素分配激活函数斜率存储空间，存储与每个元素相对应的激活函数斜率，对特征图中的多个元素并行循环进行激活处理，获取待识别图像的特征值，并根据特征值进行特征识别，从而在不增加计算复杂度的情况下提高特征识别的准确度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1a和图1b分别是根据相关技术的激活函数ReLU和激活函数PReLU的示意图。

图2是根据一示例性实施例示出的一种特征识别方法的流程图。

图3是根据一示例性实施例示出的一种特征识别方法的步骤S23的流程图。

图4是根据一示例性实施例示出的一种特征识别方法的步骤S24的流程图。

图5是根据一示例性实施例示出的一种特征识别方法的应用场景的示意图。

图6是根据一示例性实施例示出的一种特征识别装置的框图。

图7是根据一示例性实施例示出的一种特征识别装置的框图。

图8是根据一示例性实施例示出的一种特征识别装置的框图。

图9是根据一示例性实施例示出的一种特征识别装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1a和图1b分别是根据相关技术的激活函数ReLU和PReLU的示意图。在深度卷积神经网络的激活层中，激活函数ReLU的函数形式如图1a所示，该函数f1(y1)在自变量y1小于0时的斜率是0，也即f1(y1)＝0；在自变量y1大于0时的斜率是1，也即f1(y1)＝y1。而激活函数PReLU是对激活函数ReLU的改进，PReLU的函数形式如图1b所示，该函数f2(y2)在自变量y2小于0时的斜率是a(a为常数)，也即f2(y2)＝ay2；在自变量y2大于0时的斜率是1，也即f2(y2)＝y2。

在用于人脸识别的深度卷积神经网络中，特征图(Feature Map)的通道(Channel)数不多，相较于卷积层的参数的数量来说，PReLU新引入的参数个数可以忽略不计，所以不会出现过度拟合(overfitting)的不利情况。

PReLU对于特征图的每个通道的元素都会设置一个不同的斜率。也就是说，对于特征图的相同通道的元素采用相同的激活函数，不同通道的元素采用不同斜率的激活函数。

在进行激活操作之前，系统需要判断元素所处的通道，再根据所处通道判断应该使用哪个斜率的激活函数。假设输入PReLU的特征图有C个通道(C为自然数，且C大于1)，最简单的实现是用一个长度为C的数组阵列(array)存储C个对应于C个通道的斜率值。系统在在计算激活函数之前，可以从数组阵列中取出相应的斜率值，然后再计算激活函数。

然而，计算过程中循环(例如for循环)的次数等于特征图中元素的总数量，而阵列中斜率值的数量等于特征图中通道的数量，循环次数与斜率值数量不同，因此无法进行并行处理(例如无法采用单指令多数据SIMD(Single Instruction Multiple Data)方式进行并行处理)。因此，相比ReLU，由于PReLU对于不同通道的元素的激活函数斜率不同，因此导致计算复杂度增加，计算速度降低。

图2是根据一示例性实施例示出的一种特征识别方法的流程图，如图2所示，该特征识别方法用于终端或服务器中，包括以下步骤。

在步骤S21中，针对深度卷积神经网络中的激活函数，为待识别图像的特征图中的每个元素分配激活函数斜率存储空间；

在步骤S22中，在所述存储空间中存储与每个元素相对应的激活函数斜率；

在步骤S23中，根据所述激活函数以及所述激活函数斜率，对特征图中的多个元素并行循环进行激活处理，获取所述待识别图像的特征值；

在步骤S24中，根据所述待识别图像的特征值，对所述待识别图像进行特征识别。

根据本公开的实施例，为待识别图像的特征图中的每个元素分配激活函数斜率存储空间，存储与每个元素相对应的激活函数斜率，对特征图中的多个元素并行循环进行激活处理，获取待识别图像的特征值，并根据特征值进行特征识别，从而在不增加计算复杂度的情况下提高特征识别的准确度。

举例来说，在人脸识别系统中，可以选取或通过摄像头等拍摄待识别的图像，并将待识别图像输入到深度卷积神经网络模型中进行识别，该待识别图像可能具有三个通道(Channel)(例如红蓝绿三个颜色通道)。该待识别图像首先在卷积层进行卷积处理，处理后的待识别图像的特征图(Feature Map)具有更多个通道(例如10-20个通道)。每个通道中具有多个元素(element)，元素的数量根据每个通道的长度、宽度及深度确定。应当理解，可以采用相关技术中公知的方式对待识别图像进行卷积处理，并且，特征图的通道数量以及每个通道的元素数量可以根据识别系统的具体情况预先设定，本公开对此不作限制。

在一种可能的实现方式中，激活函数包括参数修正线性单元PReLU，

其中，所述特征图包括多个通道，每个通道包括多个元素；

其中，不同通道的多个元素的激活函数斜率不同，相同通道的多个元素的激活函数斜率相同。

举例来说，针对待识别图像的特征图，可以在激活层采用激活函数对该特征图进行处理(激活)，以获取待识别图像的特征值。其中，激活函数可包括PReLU(参数修正线性单元)。如上所述，待识别图像的特征图具有多个通道，PReLU对于特征图的每个通道的元素都会设置一个不同的斜率。也就是说，对于特征图的相同通道的元素采用相同的激活函数，不同通道的元素采用不同斜率的激活函数。

在一种可能的实现方式中，针对深度卷积神经网络中的激活函数，可为待识别图像的特征图中的每个元素分配激活函数斜率存储空间；并在所述存储空间中存储与特征图中每个元素相对应的激活函数斜率。举例来说，可以为同一通道中的元素重复存储相同的激活函数斜率，重复次数等于同一通道中的元素的个数。可以采用一个长度等于特征图中元素的总数量的阵列为每个元素存储激活函数的斜率。

图3是根据一示例性实施例示出的一种特征识别方法的步骤S23的流程图。如图3所示，步骤S23可包括：

在步骤S231中，从所述存储空间中读取与每个元素相对应的激活函数斜率；

在步骤S232中，根据所述激活函数斜率，对特征图中的多个元素采用单指令多数据SIMD方式并行循环进行激活处理，获取所述待识别图像的特征值。

举例来说，如前所述，待识别图像可以在卷积层进行卷积处理，获取待识别图像的特征图。根据激活函数PReLU以及所存储的斜率，可以对该特征图的所有元素并行循环进行激活操作。由于斜率值的数量等于特征图中元素的总数量，与计算过程中的循环次数相同，因此，可以采用SIMD方式进行并行处理，从而能够快速地完成对特征图的激活操作。在完成对特征图的激活操作后，获得的输出结果可以依次进入池化层、全连接层等进行进一步处理，并可将全连接层的输出结果作为所述待识别图像的特征值。

在一种可能的实现方式中，在基于ARM架构的终端设备(例如智能手机)中进行特征识别时，还可以采用适用于ARM处理器的128位SIMD扩展结构的NEON方式进行并行处理，从而快速完成对特征图的激活操作。

通过这种方式，采用空间换时间的策略，为同一通道中的元素重复存储相同的激活函数斜率以实现SIMD并行处理，从而在不增加计算复杂度的情况下提高特征识别的准确度。相比激活函数ReLU，采用PReLU的特征识别模型(例如人脸识别模型)的识别准确率能够提高5％-20％(例如8.12％)。

图4是根据一示例性实施例示出的一种特征识别方法的步骤S24的流程图。如图4所示，步骤S24可包括：

在步骤S241中，根据所述待识别图像的特征值以及参考图像的特征值之间的欧氏距离，确定所述待识别图像与所述参考图像之间的相似度；

在步骤S242中，在所述相似度大于或等于相似度阈值时，识别所述待识别图像与所述参考图像的特征相同。

举例来说，在获取到待识别图像的特征值时，可以对待识别图像进行特征识别。例如，在人脸识别系统中，可以获取待识别图像的特征值与系统中已存储的参考图像的特征值之间的欧氏距离，从而确定待识别图像与参考图像之间的相似度。

如果相似度大于或等于相似度阈值，则可识别待识别图像与参考图像的特征相同，认为待识别图像符合识别条件，从而可以执行相对应的操作，例如系统解锁等。应当理解，可以采用本领域公知的方式，根据特征值确定待识别图像与参考图像之间的相似度；相似度阈值也可以根据实际情况确定，本公开对此不作限制。

应用示例

以下结合“对待识别图像进行人脸识别”作为一个示例性应用场景，给出根据本公开实施例的应用示例，以便于理解特征识别方法的流程。本领域技术人员应理解，以下应用示例仅仅是出于便于理解本发明实施例的目的，不应视为对本发明实施例的限制。

图5是根据一示例性实施例示出的一种特征识别方法的应用场景的示意图。如图5所示，在该应用示例中，可以选取或通过摄像头等拍摄待识别图像，并将待识别图像输入到深度卷积神经网络模型中进行识别。该深度卷积神经网络模型可以包括多个卷积层conv1a、conv2、conv3、conv4、conv5_1、conv5_2；多个激活层prelu1a、prelu2、prelu3、prelu4、prelu5_1、prelu5_2；多个池化层pool1a、pool2、pool3、pool4；残差层res5_2以及全连接层fc5。

在该应用示例中，可将待识别图像输入卷积层conv1a进行卷积操作获得特征图，然后将特征图输入激活层prelu1a。根据激活函数PReLU及所存储的与特征图中每个元素相对应的激活函数斜率，可以对该特征图的所有元素并行循环进行激活操作。由于斜率值的数量等于特征图中元素的总数量，与计算过程中的循环次数相同，因此，可以采用SIMD方式进行并行处理，从而能够快速地完成对特征图的激活操作。

在该应用示例中，激活层prelu1a获得的输出结果进入池化层pool1a进行池化操作。重复上述步骤，依次进行多次卷积(卷积层conv2、conv3、conv4、conv5_1、conv5_2)、激活(激活层prelu2、prelu3、prelu4、prelu5_1、prelu5_2)及池化(池化层pool2、pool3、pool4)处理。然后，可将池化层pool4的输出结果与激活层prelu5_2的输出结果在残差层res5_2做残差；然后将残差层的输出结果输入全连接层fc5进行全连接处理。可将全连接层fc5的输出结果作为待识别图像的特征值。

在该应用示例中，可将待识别图像的特征值与以及系统中已存储的参考图像的特征值进行比较，根据特征值之间的欧氏距离，确定待识别图像与参考图像之间的相似度。在相似度大于或等于相似度阈值时，认为待识别图像符合识别条件，从而可以执行相对应的操作，例如系统解锁等，从而完成人脸识别的整个过程。

根据本公开的实施例，通过存储与特征图中每个元素相对应的激活函数斜率，根据激活函数及所存储的斜率对待识别图像进行处理以获取特征值，并根据特征值进行特征识别，从而在不增加计算复杂度的情况下提高特征识别的准确度。

图6是根据一示例性实施例示出的一种特征识别装置的框图。参照图6，该装置包括空间分配模块61、斜率存储模块62，特征值获取模块63和特征识别模块64。

空间分配模块61被配置为针对深度卷积神经网络中的激活函数，为待识别图像的特征图中的每个元素分配激活函数斜率存储空间

斜率存储模块62被配置为在所述存储空间中存储与每个元素相对应的激活函数斜率；

特征值获取模块63被配置为根据所述激活函数以及所述激活函数斜率，对特征图中的多个元素并行循环进行激活处理，获取所述待识别图像的特征值；

特征识别模块64被配置为根据所述待识别图像的特征值，对所述待识别图像进行特征识别。

图7是根据一示例性实施例示出的一种特征识别装置的框图。参照图7，在一种可能的实现方式中，特征值获取模块63包括：

斜率读取子模块631，用于从所述存储空间中读取与每个元素相对应的激活函数斜率；

特征值获取子模块632，用于根据所述激活函数斜率，对特征图中的多个元素采用单指令多数据SIMD方式并行循环进行激活处理，获取所述待识别图像的特征值。

参照图7，在一种可能的实现方式中，所述特征识别模块64包括：

相似度确定子模块641，用于根据所述待识别图像的特征值以及参考图像的特征值之间的欧氏距离，确定所述待识别图像与所述参考图像之间的相似度；

识别子模块642，用于在所述相似度大于或等于相似度阈值时，识别所述待识别图像与所述参考图像的特征相同。

在一种可能的实现方式中，所述激活函数包括参数修正线性单元PReLU，

其中，所述特征图包括多个通道，每个通道包括多个元素；

其中，不同通道的多个元素的激活函数斜率不同，相同通道的多个元素的激活函数斜率相同。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图8是根据一示例性实施例示出的一种特征识别装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图8，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

图9是根据一示例性实施例示出的一种特征识别装置1900的框图。例如，装置1900可以被提供为一服务器。参照图9，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1932，上述指令可由装置1900的处理组件1922执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种特征识别方法，其特征在于，包括：

针对深度卷积神经网络中的激活函数，为待识别图像的特征图中的每个通道的每个元素分配激活函数斜率存储空间；

在所述存储空间中存储与每个通道的每个元素相对应的激活函数斜率；

根据所述激活函数以及所述激活函数斜率，对特征图中的多个通道的多个元素并行循环进行激活处理，获取所述待识别图像的特征值；

根据所述待识别图像的特征值，对所述待识别图像进行特征识别。

2.根据权利要求1所述的方法，其特征在于，根据所述激活函数以及所述激活函数斜率，对特征图中的多个通道的多个元素并行循环进行激活处理，获取所述待识别图像的特征值，包括：

从所述存储空间中读取与每个元素相对应的激活函数斜率；

根据所述激活函数斜率，对特征图中的多个通道的多个元素采用单指令多数据SIMD方式并行循环进行激活处理，获取所述待识别图像的特征值。

3.根据权利要求1所述的方法，其特征在于，根据所述待识别图像的特征值，对所述待识别图像进行特征识别，包括：

根据所述待识别图像的特征值以及参考图像的特征值之间的欧氏距离，确定所述待识别图像与所述参考图像之间的相似度；

在所述相似度大于或等于相似度阈值时，识别所述待识别图像与所述参考图像的特征相同。

4.根据权利要求1-3中任意一项所述的方法，其特征在于，所述激活函数包括参数修正线性单元PReLU，

其中，所述特征图包括多个通道，每个通道包括多个元素；

其中，不同通道的多个元素的激活函数斜率不同，相同通道的多个元素的激活函数斜率相同。

5.一种特征识别装置，其特征在于，包括：

空间分配模块，用于针对深度卷积神经网络中的激活函数，为待识别图像的特征图中的每个通道的每个元素分配激活函数斜率存储空间；

斜率存储模块，用于在所述存储空间中存储与每个通道的每个元素相对应的激活函数斜率；

特征值获取模块，用于根据所述激活函数以及所述激活函数斜率，对特征图中的多个通道的多个元素并行循环进行激活处理，获取所述待识别图像的特征值；

特征识别模块，用于根据所述待识别图像的特征值，对所述待识别图像进行特征识别。

6.根据权利要求5所述的装置，其特征在于，所述特征值获取模块包括：

斜率读取子模块，用于从所述存储空间中读取与每个元素相对应的激活函数斜率；

特征值获取子模块，用于根据所述激活函数斜率，对特征图中的多个通道的多个元素采用单指令多数据SIMD方式并行循环进行激活处理，获取所述待识别图像的特征值。

7.根据权利要求5所述的装置，其特征在于，所述特征识别模块包括：

相似度确定子模块，用于根据所述待识别图像的特征值以及参考图像的特征值之间的欧氏距离，确定所述待识别图像与所述参考图像之间的相似度；

识别子模块，用于在所述相似度大于或等于相似度阈值时，识别所述待识别图像与所述参考图像的特征相同。

8.根据权利要求5-7中任意一项所述的装置，其特征在于，所述激活函数包括参数修正线性单元PReLU，

其中，所述特征图包括多个通道，每个通道包括多个元素；

其中，不同通道的多个元素的激活函数斜率不同，相同通道的多个元素的激活函数斜率相同。

9.一种特征识别装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行权利要求1-4中任意一项所述的方法。

10.一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行根据权利要求1-4中任意一项所述的方法。

Images