CN109993200A - 一种基于卷积神经网络的毫米波图像目标识别方法 - Google Patents
一种基于卷积神经网络的毫米波图像目标识别方法 Download PDFInfo
- Publication number
- CN109993200A CN109993200A CN201910049827.4A CN201910049827A CN109993200A CN 109993200 A CN109993200 A CN 109993200A CN 201910049827 A CN201910049827 A CN 201910049827A CN 109993200 A CN109993200 A CN 109993200A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural networks
- convolutional neural
- logic
- matrix
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
一种基于卷积神经网络的毫米波图像目标识别方法,用于加速卷积神经网络处理的逻辑,所述处理器包括:第一逻辑,所述第一逻辑用于对图像应用卷积层以生成第一卷积结果;以及第二逻辑,所述第二逻辑用于对所述第一卷积结果应用查找卷积层以生成第二卷积结果,所述第二卷积结果与所述第一卷积结果在全局过滤内核内的位置相关联,还包括特征提取层、部位检测层、形变处理层、遮挡处理层和分类器。
Description
技术领域
本发明是一种目标识别方法,具体是一种基于卷积神经网络的毫米波图像目 标识别方法。
背景技术
积神经网络中卷积层间的连接被称为稀疏连接(sparse connection),即相比 于前馈神经网络中的全连接,卷积层中的神经元仅与其相邻层的部分,而非全部 神经元相连。具体地,卷积神经网络隐含层特征图Zl中的任意一个像素(神经 元)都仅是Zl-1中卷积核所定义的感受野内的像素的线性组合。卷积神经网络 的稀疏连接具有正则化的效果,提高了网络结构的稳定性和泛化能力,避免过度 拟合,同时,稀疏连接减少了权重参数的总量,有利于神经网络的快速学习,和 在计算时减少内存开销。
卷积神经网络中特征图同一通道内的所有像素共享一组卷积核权重系数,该 性质被称为权重共享(weight sharing)。权重共享将卷积神经网络和其它包含局 部连接结构的神经网络相区分,后者虽然使用了稀疏连接,但不同连接的权重是 不同的。权重共享和稀疏连接一样,减少了卷积神经网络的参数总量,并具有 正则化的效果。
在全连接网络视角下,卷积神经网络的稀疏连接和权重共享可以被视为两个 无限强的先验(pirior),即一个隐含层神经元在其感受野之外的所有权重系数恒 为0(但感受野可以在空间移动);且在一个通道内,所有神经元的权重系数相 同。
发明内容
本发明的目的是:提供一种权重系数相同,减少了参数总量的基于卷积神经 网络的毫米波图像目标识别方法。
为实现上述技术目的,本发明采用的技术方案如下:一种基于卷积神经网络 的毫米波图像目标识别方法,用于加速卷积神经网络处理的逻辑,所述处理器包 括:第一逻辑,所述第一逻辑用于对图像应用卷积层以生成第一卷积结果;以及 第二逻辑,所述第二逻辑用于对所述第一卷积结果应用查找卷积层以生成第二卷 积结果,所述第二卷积结果与所述第一卷积结果在全局过滤内核内的位置相关联, 还包括特征提取层、部位检测层、形变处理层、遮挡处理层和分类器,其特征在 于包括以下步骤
步骤一,预定数量的存储阵列,用于存储一层卷积神经网络的输入数据阵列, 其中所述预定数量大于等于卷积神经网络的内核尺寸;而且其中,输入数据阵列 的每一行依次存在一个存储阵列的各行内;
步骤二,针对第一层卷积神经网络,接受输入进行神经元计算,将每个神经 元的输出暂时保持在计算单元内;利用细胞阵列中的细胞阵列网状通信网络把这 一层神经元的输出转送到预定临近区域中的需要该输出的计算单元内;
步骤三,将卷积层运算转换为m行K列的矩阵A、K行n列的矩阵B的矩阵 乘;将矩阵结果C分为m行n列个矩阵子块;启动矩阵乘法器预取矩阵子块的操 作数;
步骤四,对多个输入数据进行加法运算以输出累加数据;对累加数据进行位 元移位运算以输出移位数据;以及对移位数据进行加权运算以输出加权数据,其 中加权运算的因子依据输入数据的数量、位元移位运算中向右移位的位元数量以 及卷积神经网络的后续层的缩放权值而定。
具体实施方式
下面对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅 是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技 术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范 围。
为了清楚,不描述实际实施例的全部特征,在下列描述中,不详细描述公知 的功能和结构,因为它们会使本发明由于不必要的细节而混乱,应当认为在任 何实际实施例的开发中,必须做出大量实施细节以实现开发者的特定目标,例 如按照有关系统或有关商业的限制,由一个实施例改变为另一个实施例,另外, 应当认为这种开发工作可能是复杂和耗费时间的,但是对于本领域技术人员来 说仅仅是常规工作。
一种基于卷积神经网络的毫米波图像目标识别方法,用于加速卷积神经网络 处理的逻辑,所述处理器包括:第一逻辑,所述第一逻辑用于对图像应用卷积层 以生成第一卷积结果;以及第二逻辑,所述第二逻辑用于对所述第一卷积结果应 用查找卷积层以生成第二卷积结果,所述第二卷积结果与所述第一卷积结果在全 局过滤内核内的位置相关联,还包括特征提取层、部位检测层、形变处理层、遮 挡处理层和分类器,其特征在于包括以下步骤
步骤一,预定数量的存储阵列,用于存储一层卷积神经网络的输入数据阵列, 其中所述预定数量大于等于卷积神经网络的内核尺寸;而且其中,输入数据阵列 的每一行依次存在一个存储阵列的各行内;
步骤二,针对第一层卷积神经网络,接受输入进行神经元计算,将每个神经 元的输出暂时保持在计算单元内;利用细胞阵列中的细胞阵列网状通信网络把这 一层神经元的输出转送到预定临近区域中的需要该输出的计算单元内;
步骤三,将卷积层运算转换为m行K列的矩阵A、K行n列的矩阵B的矩阵 乘;将矩阵结果C分为m行n列个矩阵子块;启动矩阵乘法器预取矩阵子块的操 作数;
步骤四,对多个输入数据进行加法运算以输出累加数据;对累加数据进行位 元移位运算以输出移位数据;以及对移位数据进行加权运算以输出加权数据,其 中加权运算的因子依据输入数据的数量、位元移位运算中向右移位的位元数量以 及卷积神经网络的后续层的缩放权值而定。
上述实施例仅示例性说明本发明的原理及其功效,而非用于限制本发明。任 何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修 饰或改变。因此,凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精 神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (1)
1.一种基于卷积神经网络的毫米波图像目标识别方法,用于加速卷积神经网络处理的逻辑,所述处理器包括:第一逻辑,所述第一逻辑用于对图像应用卷积层以生成第一卷积结果;以及第二逻辑,所述第二逻辑用于对所述第一卷积结果应用查找卷积层以生成第二卷积结果,所述第二卷积结果与所述第一卷积结果在全局过滤内核内的位置相关联,还包括特征提取层、部位检测层、形变处理层、遮挡处理层和分类器,其特征在于包括以下步骤
步骤一,预定数量的存储阵列,用于存储一层卷积神经网络的输入数据阵列,其中所述预定数量大于等于卷积神经网络的内核尺寸;而且其中,输入数据阵列的每一行依次存在一个存储阵列的各行内;
步骤二,针对第一层卷积神经网络,接受输入进行神经元计算,将每个神经元的输出暂时保持在计算单元内;利用细胞阵列中的细胞阵列网状通信网络把这一层神经元的输出转送到预定临近区域中的需要该输出的计算单元内;
步骤三,将卷积层运算转换为m行K列的矩阵A、K行n列的矩阵B的矩阵乘;将矩阵结果C分为m行n列个矩阵子块;启动矩阵乘法器预取矩阵子块的操作数;
步骤四,对多个输入数据进行加法运算以输出累加数据;对累加数据进行位元移位运算以输出移位数据;以及对移位数据进行加权运算以输出加权数据,其中加权运算的因子依据输入数据的数量、位元移位运算中向右移位的位元数量以及卷积神经网络的后续层的缩放权值而定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910049827.4A CN109993200A (zh) | 2019-01-18 | 2019-01-18 | 一种基于卷积神经网络的毫米波图像目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910049827.4A CN109993200A (zh) | 2019-01-18 | 2019-01-18 | 一种基于卷积神经网络的毫米波图像目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109993200A true CN109993200A (zh) | 2019-07-09 |
Family
ID=67129918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910049827.4A Withdrawn CN109993200A (zh) | 2019-01-18 | 2019-01-18 | 一种基于卷积神经网络的毫米波图像目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993200A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517183A (zh) * | 2019-07-26 | 2019-11-29 | 电子科技大学 | 一种基于视网膜机制的高速低功耗图像处理器 |
CN113379819A (zh) * | 2020-03-09 | 2021-09-10 | 辉达公司 | 使用神经网络来扩展图像的技术 |
-
2019
- 2019-01-18 CN CN201910049827.4A patent/CN109993200A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517183A (zh) * | 2019-07-26 | 2019-11-29 | 电子科技大学 | 一种基于视网膜机制的高速低功耗图像处理器 |
CN113379819A (zh) * | 2020-03-09 | 2021-09-10 | 辉达公司 | 使用神经网络来扩展图像的技术 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109903221B (zh) | 图像超分方法及装置 | |
CN108154228B (zh) | 一种人工神经网络计算装置和方法 | |
CN109948029B (zh) | 基于神经网络自适应的深度哈希图像搜索方法 | |
CN106951395A (zh) | 面向压缩卷积神经网络的并行卷积运算方法及装置 | |
CN108416327B (zh) | 一种目标检测方法、装置、计算机设备及可读存储介质 | |
CN107169563B (zh) | 应用于二值权重卷积网络的处理系统及方法 | |
WO2021218517A1 (zh) | 获取神经网络模型的方法、图像处理方法及装置 | |
CN107918794A (zh) | 基于计算阵列的神经网络处理器 | |
CN108416436A (zh) | 使用多核心处理模块进行神经网络划分的方法及其系统 | |
CN107533667A (zh) | 神经网络处理器中的向量计算单元 | |
Alaeddine et al. | Deep residual network in network | |
CN110321997A (zh) | 高并行度计算平台、系统及计算实现方法 | |
CN111353424A (zh) | 深度递归残差网络的遥感图像空谱融合方法和电子设备 | |
CN107103285A (zh) | 基于卷积神经网络的人脸深度预测方法 | |
CN112215199B (zh) | 基于多感受野与密集特征聚合网络的sar图像舰船检测方法 | |
CN109993200A (zh) | 一种基于卷积神经网络的毫米波图像目标识别方法 | |
CN113469891A (zh) | 一种神经网络架构搜索方法、训练方法、图像补全方法 | |
CN115423081A (zh) | 一种基于fpga的cnn_lstm算法的神经网络加速器 | |
CN113989169A (zh) | 一种膨胀卷积加速计算方法及装置 | |
US11775803B2 (en) | System and method for accelerating RNN network, and storage medium | |
Tanghatari et al. | Federated learning by employing knowledge distillation on edge devices with limited hardware resources | |
Benkirane et al. | Hyper-AdaC: adaptive clustering-based hypergraph representation of whole slide images for survival analysis | |
CN108256640A (zh) | 卷积神经网络实现方法 | |
CN109359542A (zh) | 基于神经网络的车辆损伤级别的确定方法及终端设备 | |
CN104992425B (zh) | 一种基于gpu加速的dem超分辨率方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190709 |
|
WW01 | Invention patent application withdrawn after publication |