CN109858609B - 一种分区块池化的方法和系统 - Google Patents
一种分区块池化的方法和系统 Download PDFInfo
- Publication number
- CN109858609B CN109858609B CN201811613312.4A CN201811613312A CN109858609B CN 109858609 B CN109858609 B CN 109858609B CN 201811613312 A CN201811613312 A CN 201811613312A CN 109858609 B CN109858609 B CN 109858609B
- Authority
- CN
- China
- Prior art keywords
- pooling
- matrix
- convolution
- partition
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种分区块池化的方法和系统，包括：将卷积输出矩阵划分为多个分区；确定每个分区各自对应的池化方式；对所述卷积输出矩阵中的每个分区采用与其对应的池化方式进行池化处理。通过对图像进行拉伸和/或收缩，得到输入矩阵；对输入矩阵进行卷积计算，得到卷积输出矩阵。根据池化比例，分别计算卷积输出矩阵各分区的范围；根据各所述分区的范围，确定各分区坐标。本方法可以支持一切以卷积神经网络为基础的深度学习架构，例如AlexNet，VGG，Inception等，且能够应用在任何以卷积神经网络为基础的架构中，应用范围广；无需推翻原有神经网络结构即可实现优化，操作简单。
Description
技术领域
本申请涉及深度学习领域，尤其涉及一种分区块池化的方法和系统。
背景技术
深度学习已经是当前人工智能各行业的主流技术，作为其核心的神经网络也受到广泛使用，卷积神经网络作为其中不可或缺的一类，占据当前技术的绝对主流。当前，卷积神经网络已经被成功的应用到图像处理、视频处理、自然语言处理等多种技术中。
池化(Pooling)技术，作为卷积神经网络的重要技术之一，扮演着输入数据特征抽取、筛选、降维的关键作用。其设计就是为了解决卷积层产生的大量特征，并保证其在旋转、平移、伸缩下的不变性。在经过卷积层特征增强的数据存在大量的特征，由于这些特征维度太大、普适性较低，当仅用这些特征进行全连接进行训练时，往往造成过拟合现象以及运算量巨大的问题。
针对池化技术的设计，当前主要包括以下3种方式(设池化核覆盖的像素点为α1-αN)：
(1)最大值池化(Max Pooling)：
αmax＝max(α1α2...αN)
(2)均值池化(Mean Pooling)：
(3)随机池化(Stochastic Pooling)：
αstochastic＝αrand()
其中最大池化是使用最多的方式。其原因在于很多任务中，神经网络提取的特征点往往是强度最强的点。均值池化少有使用，但在数据特征集中度差、呈现时序非相干的时候表现优秀，随机池化主要是在某些特殊的数据集上表现最优。
综上所述，上述每种池化方式都有其优缺点，适用范围均有所局限，需要提供一种兼容性更强、适用范围更广的池化技术。
发明内容
为解决以上问题，本申请提出了一种分区块池化的方法和系统。
一方面，本申请提出一种分区块池化的方法，包括：
将卷积输出矩阵划分为多个分区；
确定每个分区各自对应的池化方式；
对所述卷积输出矩阵中的每个分区采用与其对应的池化方式进行池化处理。
优选地，所述将卷积输出矩阵划分为多个分区之前，还包括：
对图像进行拉伸和/或收缩，得到输入矩阵；
对输入矩阵进行卷积计算，得到卷积输出矩阵。
优选地，所述将卷积输出矩阵划分为多个分区，包括：
根据池化比例，分别计算卷积输出矩阵各分区的范围；
根据各所述分区的范围，确定各分区坐标。
优选地，所述池化比例根据设定值确定。
优选地，所述池化方式包括最大池化、均值池化或随机池化。
优选地，在每次所述池化处理之前，根据前一步卷积计算输出的卷积输出矩阵重新计算一次各分区的范围和坐标。
优选地，所述方法还包括：
若卷积层的输出端连接全连接层，则对卷积输出矩阵进行特征抽取，得到特征矩阵，并将所述特征矩阵输出至全连接层；
若池化层的输出端连接全连接层，则对池化输出矩阵进行矩阵向量化处理后按顺序首尾相接，得到池化向量矩阵，并将所述池化向量矩阵输出至全连接层。
优选地，所述方法还包括：
将所述特征矩阵和/或池化向量矩阵输入全连接层进行计算，得到最终输出矩阵；
对所述最终输出矩阵进行误差分析，并将分析确定的误差反馈至卷积神经网络；
根据所述误差对卷积神经网络进行调整；
将所述输入矩阵输入至调整后的神经网络再次进行训练；
训练结束后，输出输出图片。
第二方面，本申请提出一种分区块池化的系统，包括：
输入模块：用于对图像进行拉伸和/或收缩，得到输入矩阵；
卷积池化模块：用于根据设定的计算次数，对所述输入矩阵进行卷积计算和分区池化处理，得到特征矩阵和/或池化向量矩阵；
全连接模块：用于对所述特征矩阵和/或池化向量矩阵进行计算，得到最终输出矩阵，对所述最终输出矩阵进行误差分析，根据误差，对卷积池化模块进行调整，将所述输入矩阵输入至调整后的卷积池化模块进行计算，根据设定的训练次数确定误差分析的次数，最终得到输出图片。
优选地，所述卷积池化模块包括：
卷积单元：对所述输入矩阵进行卷积计算，得到卷积输出矩阵和/或特征矩阵；
池化单元：根据卷积输出矩阵和池化比例，分别计算各分区的范围和坐标，根据所述范围和坐标，对所述卷积输出矩阵进行池化处理，得到池化输出矩阵和/或池化向量矩阵。
本申请的优点在于：通过对同时使用多种池化，并对不同的池化方式进行分区，对于数据特征既包含强度高、也包含时序非相干的神经网络特征提取表现优秀，同时增强池化对卷积神经网络特征提取的准确程度；相较于传统的方法并没有增加运算时间，效率高；无需推翻原有神经网络结构即可实现优化，操作简单。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选事实方案的目的，而并不认为是对本申请的限制。而且在整个附图中，用同样的参考符号表示相同的部件。在附图中：
图1是本申请提供的一种分区块池化的方法的步骤示意图；
图2是本申请提供的一种分区块池化的方法的示例图；
图3是本申请提供的一种分区块池化的方法的三种池化分析示意图；
图4是本申请提供的一种分区块池化的方法的池化层分区块示意图；
图5是本申请提供的一种分区块池化的方法的卷积神经网络示意图；
图6是本申请提供的一种分区块池化的方法的池化示意图；
图7是本申请提供的一种分区块池化的方法的池化过程示意图；
图8是本申请提供的一种分区块池化的系统的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
根据本申请的实施方式，提出一种分区块池化的方法，如图1所示，包括：
将卷积输出矩阵划分为多个分区；
确定每个分区各自对应的池化方式；
对所述卷积输出矩阵中的每个分区采用与其对应的池化方式进行池化处理。
所述将卷积输出矩阵划分为多个分区之前，还包括：
对图像进行拉伸和/或收缩，得到输入矩阵；
对输入矩阵进行卷积计算，得到卷积输出矩阵。
所述对卷积输出矩阵划分为多个分区，包括：
根据池化比例，分别计算卷积输出矩阵各分区的范围；
根据各所述分区的范围，确定各分区坐标。
所述池化比例根据设定值确定。
在进行所述卷积计算时，可以根据设定选择去掉或者保留卷积输出矩阵的边界，所述卷积输出矩阵包括有边界的和/或无边界的卷积输出矩阵。
所述池化比例为各分区大小的长和宽与卷积输出矩阵的长和宽之间的比例。
所述池化比例根据设定值(设定比例)确定。根据所述池化比例和卷积输出矩阵的长宽，计算所述各分区的范围大小以及坐标位置。
所述池化方式包括最大池化、均值池化或随机池化。
所述各分区的池化方式根据设定确定。
所述卷积计算次数和池化处理次数根据设定值确定。在每次所述池化处理之前，根据前一步卷积计算输出的卷积输出矩阵重新计算一次各分区的范围和坐标。
根据设定的卷积计算次数和池化处理次数，对输入矩阵依次进行卷积计算、池化范围和坐标计算、以及池化处理，直到完成所有的计算次数。若卷积层的输出端连接全连接层，即最终输出至全连接层的数据为卷积输出矩阵，则对最后的卷积层输出的卷积输出矩阵进行特征抽取，将抽取的特征矩阵传输至全连接层；若池化层的输出端连接全连接层，即最终输出至全连接层的数据为池化输出矩阵，则将最后一次池化处理得到的所有池化输出矩阵向量化后首尾相接，传输至全连接层。
所述方法还包括：
将所述特征矩阵和/或池化向量矩阵输入全连接层进行计算，得到最终输出矩阵；
对所述最终输出矩阵进行误差分析，并将分析确定的误差反馈至卷积神经网络；
根据所述误差对卷积神经网络进行调整；
将所述输入矩阵输入至调整后的神经网络再次进行训练；
训练结束后，输出输出图片。
所述训练次数根据设定值确定，在完成所有训练后(训练结束后)，池化层输出输出图片。
以对图片进行分区块池化为例，如图2所示，需要增强的是位于图像中部的线状、点状目标，位于图像周围的浅色片状目标区域，同时抑制背景噪声。其中位于图像中央的目标群和位于图像周围的浅色区域为两种结构不同，色彩不同，分布不同的数据，两种所述数据的特征为需要在神经网络中进行准确提取的目标。对于线状、点状目标，使用最大值池化能够表征其特征，对于图像周围的浅色片状区域目标，使用均值池化能够表征其特征。
分析数据中需要识别的目标的分布情况，如图3所示，为它们在最大值池化、均值池化、随机池化中的特征点分布，其中(a)为最大值池化，(b)为均值池化，(c)为随机池化。
通过图3可以看出，对于图像中间的亮目标来说，最大值池化的特征最为集中，对于周围的浅色片状区域来说，均值池化最能够代表有效特征。因此此方案中选择最大值-均值池化的结构。
对于图2所示的四幅图，采用中间最大值池化，周围均值池化的方式，如图4所示，最大限度的增强特征点提取的准确程度。
对图片进行拉伸和/或收缩，使图片达到设定的大小，即为输入矩阵，此例中使用60×60的矩阵大小，则需要将图片进行拉伸和/或收缩，使图片达到60×60的矩阵大小。
将输入矩阵输入至卷积神经网络，以图5所示的卷积神经网络为例，所述卷积层C1层、C3层、C5层的卷积核数量分别为3个、6个、5个。所述卷积核的大小为5×5的矩阵，所述池化层的核(filter)的大小为2×2的矩阵。所述卷积层和池化层中的参数可以调整，所述卷积层和池化层中的参数包括卷积核、卷积核中的参数、卷积大小、步幅、池化核大小、池化步长等参数。
如表1所示，输入矩阵的维度为60×60，经过C1层进行卷积计算后，输出维度为56×56的卷积输出矩阵。P2层(池化层)根据C1层输出的卷积输出矩阵的维度和所选的池化比例，对各分区(池化区域)和池化坐标进行计算。以池化比例0.5为例，得到第一池化分区(中间最大值池化区块)的范围大小为28×28，在所述卷积输出矩阵的中心位置，第二池化分区(周围均值池化区块)为除去第一池化分区范围的部分。对第一池化分区中的数据进行最大值池化处理，对第二池化分区中的数值进行均值池化处理，得到维度(大小)为28×28的池化输出矩阵。以此类推，直到P6层计算结束后，输出大小为为4×4的池化输出矩阵。
表1
| 名称 | 层类型 | 输入维度 | 大小 | 核个数 | 输出维度 |
| 输入层 | 输入 | - | - | - | 60×60 |
| C1 | 卷积层 | 60×60 | 5×5 | 3 | 56×56 |
| P2 | Pooling层 | 56×56 | 2×2 | - | 28×28 |
| C3 | 卷积层 | 28×28 | 5×5 | 6 | 24×24 |
| P4 | Pooling层 | 24×24 | 2×2 | - | 12×12 |
| C5 | 卷积层 | 12×12 | 5×5 | 12 | 8×8 |
| P6 | Pooling层 | 8×8 | 2×2 | - | 4×4 |
| FC7 | 全连接层 | 4×4 | - | - | 2×1 |
对所述池化输出矩阵向量化后，首尾相接，输入至FC7层(全连接层)进行计算，的带输出图片，对所述输出图片进行误差分析，根据误差大小，对C1层、C3层、C5层的参数进行调整，调整完成后，再次将输入矩阵输入至此卷积神经网络进行训练，直到训练的次数达到设定的次数，FC7层将数据所述输出图片输出，得到最终的输出图片。
池化(Pooling)层的基本原理如图6所示，设池化层涉及的范围是2×2，当10×10的图像经过3×3的卷积核后，其大小变为8×8(去掉边界后)，在经过2×2的池化之后变为4×4大小，进而实现了降维。
如图7所示，最大值池化和均值池化的过程就是取该区域的最大值和均值，随机池化的过程却是通过按照区域内的多项式分布随机进行取值，并在反传的时候通过加权进行。
进行神经网路训练，指的是将数据送到已经构造好的神经网络中进行训练。输入为卷积神经网络能够支持的所有数据，输出为回归、分类、或特征提取等结果。
根据本申请的实施方式，还提出一种分区块池化的系统，如图8所示，包括：
输入模块：用于对图像进行拉伸和/或收缩，得到输入矩阵；
卷积池化模块：用于根据设定的计算次数，对所述输入矩阵进行卷积计算和分区块池化处理，得到特征矩阵和/或池化向量矩阵；
全连接模块：用于对所述特征矩阵和/或池化向量矩阵进行计算，得到最终输出矩阵，对所述最终输出矩阵进行误差分析，根据误差，对卷积池化模块进行调整，将所述输入矩阵输入至调整后的卷积池化模块进行计算，根据设定的训练次数确定误差分析的次数，最终得到输出图片。
所述卷积池化模块包括：
卷积单元：对所述输入矩阵进行卷积计算，得到卷积输出矩阵和/或特征矩阵；
池化单元：根据卷积输出矩阵和池化比例，分别计算各分区的范围和坐标，根据所述范围和坐标，对所述卷积输出矩阵进行池化处理，得到池化输出矩阵和/或池化向量矩阵。
所述卷积单元还用于：对得到的所述卷积输出矩阵的边界根据设定选择去掉或者保留，根据设定对卷积输出矩阵的边界进行处理，处理后的卷积输出矩阵传输至池化单元进行计算。
本申请的一种分区块池化的方法，通过在池化单元的不同区域部分采用不同的池化方案，进而实现对异构的目标在同一个池化层下的同时提取；对复杂的数据特征进行提取时，能够减少精度下降；对于数据特征既包含强度高、也包含时序非相干的神经网络特征提取表现优秀，增强池化对卷积神经网络特征提取的准确程度；本方法可以支持一切以卷积神经网络为基础的深度学习架构，例如AlexNet，VGG，Inception等，应用范围广；本方法是卷积神经网络处理的重要步骤，能够应用在任何以卷积神经网络为基础的架构中，无需推翻原有神经网络结构即可实现优化，操作简单；相较于传统的方法并没有增加运算时间，效率高。以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种分区块池化的方法，其特征在于，包括：
对图像进行拉伸和/或收缩，得到输入矩阵；
对输入矩阵进行卷积计算，得到卷积输出矩阵；
将卷积输出矩阵划分为多个分区；所述将卷积输出矩阵划分为多个分区，包括：根据池化比例，分别计算卷积输出矩阵各分区的范围，所述池化比例为各分区大小的长和宽与卷积输出矩阵的长和宽之间的比例；根据各所述分区的范围，确定各分区坐标；
分析数据中需要识别的目标的分布情况，确定每个分区各自对应的池化方式；所述池化方式包括最大池化、均值池化或随机池化；
对所述卷积输出矩阵中的每个分区采用与其对应的池化方式进行池化处理。
2.如权利要求1所述的一种分区块池化的方法，其特征在于，所述池化比例根据设定值确定。
3.如权利要求1所述的一种分区块池化的方法，其特征在于，在每次所述池化处理之前，根据前一步卷积计算输出的卷积输出矩阵重新计算一次各分区的范围和坐标。
4.如权利要求1所述的一种分区块池化的方法，其特征在于，所述方法还包括：
若卷积层的输出端连接全连接层，则对卷积输出矩阵进行特征抽取，得到特征矩阵，并将所述特征矩阵输出至全连接层；
若池化层的输出端连接全连接层，则对池化输出矩阵进行矩阵向量化处理后按顺序首尾相接，得到池化向量矩阵，并将所述池化向量矩阵输出至全连接层。
5.如权利要求4所述的一种分区块池化的方法，其特征在于，所述方法还包括：
将所述特征矩阵和/或池化向量矩阵输入全连接层进行计算，得到最终输出矩阵；
对所述最终输出矩阵进行误差分析，并将分析确定的误差反馈至卷积神经网络；
根据所述误差对卷积神经网络进行调整；
将所述输入矩阵输入至调整后的神经网络再次进行训练；
训练结束后，输出输出图片。
6.一种分区块池化的系统，其特征在于，包括：
输入模块：用于对图像进行拉伸和/或收缩，得到输入矩阵；
卷积池化模块：用于根据设定的计算次数，对所述输入矩阵进行卷积计算和分区池化处理，得到特征矩阵和/或池化向量矩阵；
所述卷积池化模块包括：
卷积单元：对所述输入矩阵进行卷积计算，得到卷积输出矩阵和/或特征矩阵；
池化单元：分析数据中需要识别的目标的分布情况，确定每个分区各自对应的池化方式；根据卷积输出矩阵和池化比例，分别计算各分区的范围和坐标，所述池化比例为各分区大小的长和宽与卷积输出矩阵的长和宽之间的比例；根据所述范围和坐标，对所述卷积输出矩阵进行池化处理，得到池化输出矩阵和/或池化向量矩阵; 所述池化方式包括最大池化、均值池化或随机池化；
全连接模块：用于对所述特征矩阵和/或池化向量矩阵进行计算，得到最终输出矩阵，对所述最终输出矩阵进行误差分析，根据误差，对卷积池化模块进行调整，将所述输入矩阵输入至调整后的卷积池化模块进行计算，根据设定的训练次数确定误差分析的次数，最终得到输出图片。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811613312.4A CN109858609B (zh) | 2018-12-27 | 2018-12-27 | 一种分区块池化的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811613312.4A CN109858609B (zh) | 2018-12-27 | 2018-12-27 | 一种分区块池化的方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109858609A CN109858609A (zh) | 2019-06-07 |
| CN109858609B true CN109858609B (zh) | 2021-09-14 |
Family
ID=66892700
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811613312.4A Active CN109858609B (zh) | 2018-12-27 | 2018-12-27 | 一种分区块池化的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109858609B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112446458A (zh) * | 2019-08-27 | 2021-03-05 | 北京灵汐科技有限公司 | 一种神经网络的全局池化方法及众核系统 |
| CN111160491B (zh) * | 2020-04-03 | 2020-09-01 | 北京精诊医疗科技有限公司 | 一种卷积神经网络中的池化方法和池化模型 |
| CN113806354B (zh) * | 2020-06-12 | 2023-12-22 | 第四范式（北京）技术有限公司 | 实现时序特征抽取的方法及装置 |
| CN113128510A (zh) * | 2021-03-26 | 2021-07-16 | 武汉光谷信息技术股份有限公司 | 一种语义分割方法及系统 |
| CN117953354B (zh) * | 2024-03-22 | 2024-09-27 | 深圳禾思众成科技有限公司 | 一种计算统一设备架构的超大像素图像处理方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408479A (zh) * | 2014-11-28 | 2015-03-11 | 电子科技大学 | 一种基于深度局部特征描述符的海量图像分类方法 |
| CN107748895A (zh) * | 2017-10-29 | 2018-03-02 | 北京工业大学 | 基于dct‑cnn模型的无人机着陆地貌图像分类方法 |
| CN107871136A (zh) * | 2017-03-22 | 2018-04-03 | 中山大学 | 基于稀疏性随机池化的卷积神经网络的图像识别方法 |
-
2018
- 2018-12-27 CN CN201811613312.4A patent/CN109858609B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408479A (zh) * | 2014-11-28 | 2015-03-11 | 电子科技大学 | 一种基于深度局部特征描述符的海量图像分类方法 |
| CN107871136A (zh) * | 2017-03-22 | 2018-04-03 | 中山大学 | 基于稀疏性随机池化的卷积神经网络的图像识别方法 |
| CN107748895A (zh) * | 2017-10-29 | 2018-03-02 | 北京工业大学 | 基于dct‑cnn模型的无人机着陆地貌图像分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| Mixed Pooling for Convolutional Neural Networks;Dingjun Yu等;《International Conference on Rough Sets & Knowledge Technology》;20141231;第2-3节 * |
| 基于深度学习的人脸识别问题研究;陈城;《中国优秀硕士学位论文全文数据库信息科技辑》;20180215;第1.3.1节，第4章 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109858609A (zh) | 2019-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109858609B (zh) | 一种分区块池化的方法和系统 | |
| CN110929602B (zh) | 一种基于卷积神经网络的地基云图云状识别方法 | |
| CN109858623B (zh) | 用于执行人工神经网络正向运算的装置和方法 | |
| CN111325751A (zh) | 基于注意力卷积神经网络的ct图像分割系统 | |
| US20190303757A1 (en) | Weight skipping deep learning accelerator | |
| US20210357735A1 (en) | Split accumulator for convolutional neural network accelerator | |
| US11580369B2 (en) | Inference apparatus, convolution operation execution method, and program | |
| CN112712546A (zh) | 一种基于孪生神经网络的目标跟踪方法 | |
| CN111582007A (zh) | 物体识别方法、装置和网络 | |
| CN109255438B (zh) | 调整张量数据的方法和装置 | |
| US10755169B2 (en) | Hybrid non-uniform convolution transform engine for deep learning applications | |
| CN113392953A (zh) | 用于对神经网络中卷积层进行剪枝的方法和装置 | |
| CN110909663A (zh) | 一种人体关键点识别方法、装置及电子设备 | |
| CN111784699B (zh) | 一种对三维点云数据进行目标分割方法、装置及终端设备 | |
| CN112257844A (zh) | 一种基于混合精度配置的卷积神经网络加速器及其实现方法 | |
| CN106683043B (zh) | 一种多通道光学探测系统的并行图像拼接方法、装置 | |
| CN115984701A (zh) | 一种基于编解码结构的多模态遥感图像语义分割方法 | |
| CN114519868A (zh) | 一种基于坐标系回归的实时骨骼关键点识别方法及系统 | |
| CN110782001A (zh) | 一种基于组卷积神经网络使用共享卷积核的改进方法 | |
| US12118730B2 (en) | Device for detecting an edge using segmentation information and method thereof | |
| CN114358252A (zh) | 目标神经网络模型中的操作执行方法及装置、存储介质 | |
| CN114091648A (zh) | 基于卷积神经网络的图像分类方法、装置及卷积神经网络 | |
| CN106683044B (zh) | 一种多通道光学探测系统的图像拼接方法、装置 | |
| CN116245765A (zh) | 基于增强型深度扩张卷积神经网络的图像去噪方法及系统 | |
| CN115186799A (zh) | 一种基于卷积神经网络的稀疏化计算方法及芯片 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |