CN110322388B - 池化方法及装置、池化系统、计算机可读存储介质 - Google Patents

池化方法及装置、池化系统、计算机可读存储介质 Download PDF

Info

Publication number
CN110322388B
CN110322388B CN201810272843.5A CN201810272843A CN110322388B CN 110322388 B CN110322388 B CN 110322388B CN 201810272843 A CN201810272843 A CN 201810272843A CN 110322388 B CN110322388 B CN 110322388B
Authority
CN
China
Prior art keywords
pooling
pixel data
column
window
pooling window
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
Application number
CN201810272843.5A
Other languages
English (en)
Other versions
CN110322388A (zh
Inventor
蔡金池
李晓鹏
陈亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Thinkforce Electronic Technology Co ltd
Original Assignee
Thinkforce Electronic Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Thinkforce Electronic Technology Co ltd filed Critical Thinkforce Electronic Technology Co ltd
Priority to CN201810272843.5A priority Critical patent/CN110322388B/zh
Priority to US16/362,290 priority patent/US11106935B2/en
Publication of CN110322388A publication Critical patent/CN110322388A/zh
Application granted granted Critical
Publication of CN110322388B publication Critical patent/CN110322388B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

一种池化方法及装置、池化系统、计算机可读存储介质，池化方法包括：每次移动池化窗口后，逐列获取所述池化窗口内的各列像素数据；在获取到所述池化窗口内最后一列像素数据时，对所述池化窗口内所有像素数据进行池化运算；输出所述池化运算的池化结果。本发明技术方案可以提高池化效率，提升系统性能。

Description

池化方法及装置、池化系统、计算机可读存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种池化方法及装置、池化系统、计算机可读存储介质。
背景技术
在图像处理中，为了减小要处理或存储的数据量，通常会进行池化操作。例如，通过卷积获得了特征(features)之后，下一步希望利用这些特征去做分类，但这样操作面临计算量的挑战。因此，为了描述较大的图像，可以对不同位置的特征进行聚合统计，也即池化(pooling)。
目前常用的神经网络中的池化方案是采用基于软件的方案。池化计算涉及三个部分：输入数据，池化操作以及输出结果。具体如下：中央处理器(Central Processing Unit,CPU)或者卷积硬件加速器把需要做池化的二维图像数据结构保存在主存上；数据结构二维数组记为img[height][width]，其中，height为二维数组的高度，width为二维数组的宽度。CPU在进行池化操作时，需要逐行从内存中调取像素数据。
但是，现有技术通过主控CPU准备池化数据，读取池化数据以及写入池化结果需要占用大量的CPU时间；且CPU在逐行调取像素数据时，调取到的像素数据不一定在同一池化窗口内，进一步延长了CPU的等待时间，那么CPU分配给其他任务的时间就会变少，导致其他任务的完成时间会被推后，系统整体性能就会随之下降。此外，在目前主流处理器架构上，如果遇上缓存失效(Cache Miss)或者缓存清除(Cache Flush)操作，CPU在进行池化操作时需要花费大量的等待时间，降低池化效率。
发明内容
本发明解决的技术问题是提高池化效率，提升系统性能。
为解决上述技术问题，本发明实施例提供一种池化方法，所述池化方法包括：每次移动池化窗口后，逐列获取所述池化窗口内的各列像素数据；在获取到所述池化窗口内最后一列像素数据时，对所述池化窗口内所有像素数据进行池化运算；输出所述池化运算的池化结果。
可选的，所述池化窗口的尺寸为N×N，N为正整数，所述池化窗口移动的步幅等于N，所述逐列获取所述池化窗口内的各列像素数据包括：从外部接收所述池化窗口内的各列像素数据，所述各列像素数据是逐列发出的；或者，从外部逐列读取所述池化窗口内的各列像素数据。
可选的，所述池化窗口的尺寸为N×N，N为正整数，所述池化窗口移动的步幅小于N，所述逐列获取所述池化窗口内的各列像素数据包括：从外部逐列读取所述池化窗口内的各列像素数据。
可选的，所述像素数据为卷积运算后得到的卷积运算结果。
为解决上述技术问题，本发明实施例还公开了一种池化装置，池化装置包括：获取模块，适于每次移动池化窗口后，逐列获取所述池化窗口内的各列像素数据；池化运算模块，适于在获取到所述池化窗口内最后一列像素数据时，对所述池化窗口内所有像素数据进行池化运算；输出模块，适于输出所述池化运算的池化结果。
可选的，所述池化窗口的尺寸为N×N，N为正整数，所述池化窗口移动的步幅等于N，所述获取模块包括：像素数据接收单元，适于从外部接收所述池化窗口内的各列像素数据，所述各列像素数据是逐列发出的；第一像素数据读取单元，适于从外部逐列读取所述池化窗口内的各列像素数据。
可选的，所述池化窗口的尺寸为N×N，N为正整数，所述池化窗口移动的步幅小于N，所述获取模块包括：第二像素数据读取单元，适于从外部逐列读取所述池化窗口内的各列像素数据。
可选的，所述像素数据为卷积运算后得到的卷积运算结果。
为解决上述技术问题，本发明实施例还公开了一种池化系统，池化系统包括：所述的池化装置；像素数据输出部件，适于提供所述像素数据。
可选的，所述像素数据输出部件逐列输出所述池化窗口所处各行的像素数据。
可选的，所述像素数据输出部件响应于所述池化装置的读取请求，逐列输出所述池化窗口内的各列像素数据。
可选的，所述像素数据输出部件为卷积运算加速器或中央处理器。
本发明实施例还公开了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行所述池化方法的步骤。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
本发明技术方案每次移动池化窗口后，逐列获取所述池化窗口内的各列像素数据；在获取到所述池化窗口内最后一列像素数据时，对所述池化窗口内所有像素数据进行池化运算；输出所述池化运算的池化结果。本发明技术方案在需要获取像素数据时，逐列获取池化窗口内的像素数据；避免了现有技术中逐行读取像素数据时需要等待一段时间后才能获得池化窗口内的像素数据，从而可以更快的获取到池化窗口内的所有像素数据，更快的进行池化运算，提高了池化效率。此外，由于获取到的均是池化窗口内的像素数据，并没有额外(例如池化窗口之外的)的像素数据，因此无需内存或缓存来暂存像素数据，有利于池化装置的硬件实现。
进一步地，所述池化窗口的尺寸为N×N，N为正整数，所述池化窗口移动的步幅等于N，所述逐列获取所述池化窗口内的各列像素数据包括：从外部接收所述池化窗口内的各列像素数据，所述各列像素数据是逐列发出的；或者，从外部逐列读取所述池化窗口内的各列像素数据。本发明技术方案中，池化窗口的步幅为N，相邻池化窗口之间不存在重叠，每一像素数据仅获取一次；故而可以从外部逐列接收或者逐列读取像素数据，实现了像素数据获取方式的多样性，进一步提高了池化效率。
进一步地，所述池化窗口的尺寸为N×N，N为正整数，所述池化窗口移动的步幅小于N，所述逐列获取所述池化窗口内的各列像素数据包括：从外部逐列读取所述池化窗口内的各列像素数据。本发明技术方案中，池化窗口的步幅小于N，相邻池化窗口之间存在重叠，重叠部分的像素数据需要获取两次；故而可以从外部逐列读取像素数据，以实现重复获取像素数据；从而可以在提升池化效率的基础上，兼顾池化窗口的多样性，扩展池化方法的适用范围。
附图说明
图1是本发明实施例一种池化方法的流程图；
图2是本发明实施例的池化方法的一种具体应用场景示意图；
图3是本发明实施例的池化方法的另一种具体应用场景示意图；
图4是本发明实施例一种池化装置的结构示意图；
图5是本发明实施例一种池化系统的结构示意图。
具体实施方式
如背景技术中所述，现有技术通常通过主控CPU准备池化数据，读取池化数据以及写入池化结果需要占用大量的CPU时间；且CPU在逐行调取像素数据时，调取到的像素数据不一定在同一池化窗口内，进一步延长了CPU的等待时间，那么CPU分配给其他任务的时间就会变少，导致其他任务的完成时间会被推后，系统整体性能就会随之下降。此外，在目前主流处理器架构上，如果遇上缓存失效(Cache Miss)或者缓存清除(Cache Flush)操作，CPU在进行池化操作时需要花费大量的等待时间，池化效率较低。
本发明技术方案在移动窗口后，需要获取像素数据时，将会逐列获取池化窗口内的像素数据；避免了现有技术中逐行读取像素数据时需要等待一段时间后才能获得池化窗口内的像素数据，从而可以更快的获取到池化窗口内的所有像素数据，更快的进行池化运算，提高了池化效率。此外，由于获取到的均是池化窗口内的像素数据，并没有池化窗口之外的像素数据，因此无需内存或缓存来暂存像素数据，有利于池化装置的硬件实现。
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
图1是本发明实施例一种池化方法的流程图。
图1所示的池化方法可以包括以下步骤：
步骤S101：每次移动池化窗口后，逐列获取所述池化窗口内的各列像素数据；
步骤S102：在获取到所述池化窗口内最后一列像素数据时，对所述池化窗口内所有像素数据进行池化运算；
步骤S103：输出所述池化运算的池化结果。
本实施例中所称池化运算是指：对池化窗口内所有像素数据进行适当的数学运算，以得到池化结果。例如，计算池化窗口内所有像素数据的平均值，或者选取池化窗口内所有像素数据的最大值。
本实施例中，池化窗口的大小的单位通常是像素数据。
在步骤S101的具体实施中，获取的像素数据为需要池化的数据。在池化操作过程中，需要移动池化窗口，以遍历所有待池化的像素数据，也即待池化图像。具体地，移动池化窗口可以是指横向移动池化窗口，或者纵向移动池化窗口，例如先横向移动再纵向移动。
例如，请参照图2，池化窗口20的大小为2×2，待池化的图像大小为12×8；池化窗口20处于0行和1行，以及0列和1列位置时，逐列获取的数据依次是像素数据(0,0)、像素数据(1,0)、像素数据(0,1)和像素数据(1,1)。其中，像素数据(1,0)表示行号为1，列号为0的像素数据。获取像素数据的顺序如图2中箭头所示。
同理，当池化窗口20横向移动2个像素数据后，池化窗口20处于0行和1行，以及2列和3列位置时，逐列获取的数据依次是像素数据(0,2)、像素数据(1,2)、像素数据(0,3)和像素数据(1,3)。其中，像素数据(0,2)表示行号为0，列号为2的像素数据。
其他情况与上述过程类似，此处不再赘述。
需要说明的是，逐列获取池化窗口内的各列像素数据是指按照池化窗口所处的列号的顺序依次获取像素数据。例如，池化窗口所处的列号按照顺序依次是0列、1列和2列，那么先获取0列像素数据中处于池化窗口内的像素数据，再获取1列像素数据中处于池化窗口内的像素数据，最后获取3列像素数据中处于池化窗口内的像素数据。
继续参照图1，在步骤S102的具体实施中，获取到池化窗口内最后一列像素数据时，表示已完全获取到池化窗口内的所有像素数据。此时可以对池化窗口内的像素数据执行池化运算。
具体地，池化运算可以是平均池化(mean pooling)、最大池化(max pooling)或随机池化。平均池化是指计算池化窗口内所有数据的平均值作为该次池化运算的值。最大池化是指选取池化窗口内所有数据的最大值作为该次池化运算的值。随机池化是指对池化窗口内所有数据按照其概率值大小随机选择，数据的概率值与数据的大小相关。
进而在步骤S103的具体实施中，可以将池化结果进行输出。例如，可以将池化结果输出至适当的存储器进行存储，或者也可以将池化结果输出至CPU或者其他部件以进行进一步处理。
本发明实施例在移动窗口后，需要获取像素数据时，将会逐列获取池化窗口内的像素数据；避免了现有技术中逐行读取像素数据时需要等待一段时间后才能获得池化窗口内的像素数据，从而可以更快的获取到池化窗口内的所有像素数据，更快的进行池化运算，提高了池化效率。此外，由于获取到的均是池化窗口内的像素数据，并没有池化窗口之外的像素数据，因此无需内存或缓存来暂存像素数据，有利于池化装置的硬件实现。
本发明一个具体实施例中，所述池化窗口的尺寸为N×N，N为正整数，所述池化窗口移动的步幅等于N；图1所示步骤S101可以包括以下步骤：从外部接收所述池化窗口内的各列像素数据，所述各列像素数据是逐列发出的；或者，从外部逐列读取所述池化窗口内的各列像素数据。
本实施例中，池化窗口的步幅为N，相邻池化窗口之间不存在重叠，每一像素数据仅需要获取一次。
在具体实施中，可以从外部逐列接收或者逐列读取像素数据。其中，从外部接收像素数据可以是被动地获取像素数据的方式，例如，外部的像素数据输出部件(如CPU或卷积运算加速器等)采用按列输出的方式将像素数据输出，通过被动接收的方式即可得到该像素数据；读取像素数据可以是主动获取像素数据的方式，例如，从像素数据存储部件(如CPU或卷积运算加速器的存储部件、主存等)采用按列读取的方式读出像素数据，具体而言，可以向像素数据存储部件发出按列读取的读取请求，该像素数据存储部件响应于读取请求采用按列输出的方式提供相应的像素数据。
进一步而言，提供像素数据的部件逐列输出池化窗口内的像素数据，在这种情况下，可以逐列接收所述像素数据；或者，也可以主动从提供像素数据的部件中逐列读取所述像素数据。
可以理解的是，读取像素数据的方式可以根据实际的应用需求，例如池化窗口的大小进行自定义配置，本发明实施例对此不做限制。
本发明实施例可以从外部逐列接收或者逐列读取像素数据，实现了像素数据获取方式的多样性，进一步提高了池化效率。
本发明另一个具体实施例中，所述池化窗口的尺寸为N×N，N为正整数，所述池化窗口移动的步幅小于N；图1所示步骤S101可以包括以下步骤：从外部逐列读取所述池化窗口内的各列像素数据。
本实施例中，池化窗口移动的步幅小于N，相邻池化窗口之间存在重叠，重叠部分的像素数据需要获取两次。在这种情况下，由于提供像素数据的部件仅输出一次每列像素数据，因此被动接收像素数据将无法完成对所有像素数据的池化操作。
请参照图3，池化窗口30的大小为3×3，待池化的图像大小为12×8。池化窗口30处于0行、1行和2行，以及0列、1列和2列位置时，逐列获取的数据依次是像素数据(0,0)、像素数据(1,0)、像素数据(2,0)；像素数据(0,1)、像素数据(1,1)、像素数据(2,1)；像素数据(0,2)、像素数据(1,2)、像素数据(2,2)。其中，像素数据(1,0)表示行号为1，列号为0的像素数据。读取像素数据的顺序如图3中箭头所示。
同理，当池化窗口30横向移动2个像素数据后，池化窗口30处于0行、1行和2行，以及2列、3列和4列位置时，逐列获取的数据依次是像素数据(0,2)、像素数据(1,2)、像素数据(2,2)；像素数据(0,3)、像素数据(1,3)、像素数据(2,3)以及像素数据(0,4)、像素数据(1,4)、像素数据(2,4)。像素数据(0,2)、像素数据(1,2)、像素数据(2,2)是重复读取的像素数据。
其他情况与上述过程类似，此处不再赘述。
本发明实施例可以从外部逐列读取像素数据，以实现重复获取像素数据；从而可以在提升池化效率的基础上，兼顾池化窗口的多样性，扩展池化方法的适用范围。
本发明一个优选实施例中，所述像素数据为卷积运算后得到的卷积运算结果。
可以理解的是，像素数据也可以是其他适当的像素数据，例如未经过卷积运算的数据。
本发明实施例可以针对卷积运算结果进行池化，可以减小卷积运算结果中的特征数量，以用于分类、识别等操作。
请参照图4，池化装置40可以包括获取模块401、池化运算模块402和输出模块403。
其中，获取模块401适于每次移动池化窗口后，逐列获取所述池化窗口内的各列像素数据；
池化运算模块402在获取到所述池化窗口内最后一列像素数据时，对所述池化窗口内所有像素数据进行池化运算；
输出模块403输出所述池化运算的池化结果。
本发明实施例在移动窗口后，需要获取像素数据时，将会逐列获取池化窗口内的像素数据；避免了现有技术中逐行读取像素数据时需要等待一段时间后才能获得池化窗口内的像素数据，从而可以更快的获取到池化窗口内的所有像素数据，更快的进行池化运算，提高了池化效率。此外，由于获取到的均是池化窗口内的像素数据，并没有池化窗口之外的像素数据，因此无需内存或缓存来暂存像素数据，有利于池化装置40的硬件实现。
本发明一个具体实施例中，所述池化窗口的尺寸为N×N，N为正整数，所述池化窗口移动的步幅等于N。所述获取模块401可以包括：像素数据接收单元(图未示)，适于从外部接收所述池化窗口内的各列像素数据，所述各列像素数据是逐列发出的；第一像素数据读取单元(图未示)，适于从外部逐列读取所述池化窗口内的各列像素数据。
本发明另一个具体实施例中，所述池化窗口的尺寸为N×N，N为正整数，所述池化窗口移动的步幅小于N，所述获取模块401可以包括：第二像素数据读取单元(图未示)，适于从外部逐列读取所述池化窗口内的各列像素数据。
关于所述池化装置40的工作原理、工作方式的更多内容，可以参照图1至图3中的相关描述，这里不再赘述。
请参照图5，池化系统50可以包括图4所示的池化装置40以及像素数据输出部件501。
其中，像素数据输出部件501适于提供所述像素数据。
本发明一个具体实施例中，所述像素数据输出部件501逐列输出所述池化窗口所处各行的像素数据。
本发明另一个具体实施例中，所述像素数据输出部件501响应于所述池化装置40的读取请求，逐列输出所述池化窗口内的各列像素数据。
本实施例中，池化系统50可以执行完整的池化操作。池化系统50可以更快的获取到池化窗口内的所有像素数据，更快的进行池化运算，从而节省了CPU的有效时间，以使得CPU可以执行更多其他任务，提升了系统整体性能。
可以理解的是，池化系统50可以内置于任意可实施的终端设备中，例如计算机、平板电脑、智能手机等。
进一步而言，所述像素数据输出部件501为卷积运算加速器或中央处理器。
所述卷积运算加速器可以对图像数据执行卷积操作，其输出的卷积运算结果可以输出至池化装置40，以用于进行池化操作。
池化装置40还可以从中央处理器中获取所述像素数据。更具体地，中央处理器中的像素数据可以是从卷积运算加速器获取的，也可以是从其他任意可实施的设备中获取的，本发明实施例对此不做限制。其中，卷积运算加速器可以是专用于快速完成卷积运算的电路或装置。
本发明实施例还公开了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时可以执行图1中所示的池化方法的步骤。所述计算机可读可以包括ROM、RAM、磁盘或光盘等。所述存储介质还可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器等。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (11)

1.一种池化方法，其特征在于，包括：
每次移动池化窗口后，从像素数据输出部件逐列接收所述池化窗口内的各列像素数据或者从所述像素数据输出部件逐列读取所述池化窗口内的各列像素数据，所述池化窗口的尺寸为N×N，N为正整数，所述池化窗口移动的步幅等于N，相邻池化窗口之间不存在重叠，每一像素数据获取一次；在获取到所述池化窗口内最后一列像素数据时，对所述池化窗口内所有像素数据进行池化运算；
输出所述池化运算的池化结果。
2.根据权利要求1所述的池化方法，其特征在于，所述各列像素数据是所述像素数据输出部件逐列发出的。
3.根据权利要求1所述的池化方法，其特征在于，所述像素数据为卷积运算后得到的卷积运算结果。
4.一种池化装置，其特征在于，包括：
获取模块，适于每次移动池化窗口后，从像素数据输出部件逐列接收所述池化窗口内的各列像素数据或者从所述像素数据输出部件逐列读取所述池化窗口内的各列像素数据，所述池化窗口的尺寸为N×N，N为正整数，所述池化窗口移动的步幅等于N，相邻池化窗口之间不存在重叠，每一像素数据获取一次；
池化运算模块，适于在获取到所述池化窗口内最后一列像素数据时，对所述池化窗口内所有像素数据进行池化运算；
输出模块，适于输出所述池化运算的池化结果。
5.根据权利要求4所述的池化装置，其特征在于，所述各列像素数据是所述像素数据输出部件逐列发出的。
6.根据权利要求4所述的池化装置，其特征在于，所述像素数据为卷积运算后得到的卷积运算结果。
7.一种池化系统，其特征在于，包括：
如权利要求4或5所述的池化装置；
像素数据输出部件，适于提供所述像素数据。
8.根据权利要求7所述的池化系统，其特征在于，所述像素数据输出部件逐列输出所述池化窗口所处各行的像素数据。
9.根据权利要求7所述的池化系统，其特征在于，所述像素数据输出部件响应于所述池化装置的读取请求，逐列输出所述池化窗口内的各列像素数据。
10.根据权利要求7所述的池化系统，其特征在于，所述像素数据输出部件为卷积运算加速器或中央处理器。
11.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至4中任一项所述池化方法的步骤。
CN201810272843.5A 2018-03-29 2018-03-29 池化方法及装置、池化系统、计算机可读存储介质 Active CN110322388B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810272843.5A CN110322388B (zh) 2018-03-29 2018-03-29 池化方法及装置、池化系统、计算机可读存储介质
US16/362,290 US11106935B2 (en) 2018-03-29 2019-03-22 Pooling method and device, pooling system, computer-readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810272843.5A CN110322388B (zh) 2018-03-29 2018-03-29 池化方法及装置、池化系统、计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110322388A CN110322388A (zh) 2019-10-11
CN110322388B true CN110322388B (zh) 2023-09-12

Family

ID=68054470

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810272843.5A Active CN110322388B (zh) 2018-03-29 2018-03-29 池化方法及装置、池化系统、计算机可读存储介质

Country Status (2)

Country Link
US (1) US11106935B2 (zh)
CN (1) CN110322388B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112905530B (zh) * 2021-03-29 2023-05-26 上海西井信息科技有限公司 片上架构、池化计算加速器阵列、单元以及控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407891A (zh) * 2016-08-26 2017-02-15 东方网力科技股份有限公司 基于卷积神经网络的目标匹配方法及装置
TWI607389B (zh) * 2017-02-10 2017-12-01 耐能股份有限公司 卷積神經網路的池化運算裝置及方法
CN107749044A (zh) * 2017-10-19 2018-03-02 珠海格力电器股份有限公司 图像信息的池化方法及装置
CN107818367A (zh) * 2017-10-30 2018-03-20 中国科学院计算技术研究所 用于神经网络的处理系统和处理方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3451238A4 (en) * 2016-04-29 2020-01-01 Cambricon Technologies Corporation Limited DEVICE AND METHOD FOR CARRYING OUT A POOLING OPERATION
US20180131946A1 (en) * 2016-11-07 2018-05-10 Electronics And Telecommunications Research Institute Convolution neural network system and method for compressing synapse data of convolution neural network
US10176551B2 (en) * 2017-04-27 2019-01-08 Apple Inc. Configurable convolution engine for interleaved channel data
US10646973B2 (en) * 2017-05-14 2020-05-12 Fireball Tool Works Llc Workpiece-holding tools and techniques
US20190179635A1 (en) * 2017-12-11 2019-06-13 Futurewei Technologies, Inc. Method and apparatus for tensor and convolution operations

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407891A (zh) * 2016-08-26 2017-02-15 东方网力科技股份有限公司 基于卷积神经网络的目标匹配方法及装置
TWI607389B (zh) * 2017-02-10 2017-12-01 耐能股份有限公司 卷積神經網路的池化運算裝置及方法
CN107749044A (zh) * 2017-10-19 2018-03-02 珠海格力电器股份有限公司 图像信息的池化方法及装置
CN107818367A (zh) * 2017-10-30 2018-03-20 中国科学院计算技术研究所 用于神经网络的处理系统和处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于ACF与PCANet改进通道特征的级联行人检测;黄鹏 等;《计算机工程》;20171115;第43卷(第11期);第221-226页 *

Also Published As

Publication number Publication date
CN110322388A (zh) 2019-10-11
US11106935B2 (en) 2021-08-31
US20190303705A1 (en) 2019-10-03

Similar Documents

Publication Publication Date Title
CN108573305B (zh) 一种数据处理方法、设备及装置
US10936937B2 (en) Convolution operation device and convolution operation method
US20180137414A1 (en) Convolution operation device and convolution operation method
CN109036522B (zh) 图像处理方法、装置、设备及可读存储介质
CN111984189B (zh) 神经网络计算装置和数据读取、数据存储方法及相关设备
CN110322388B (zh) 池化方法及装置、池化系统、计算机可读存储介质
US11822900B2 (en) Filter processing device and method of performing convolution operation at filter processing device
US20190164254A1 (en) Processor and method for scaling image
CN107808394B (zh) 一种基于卷积神经网络的图像处理方法及移动终端
WO2021088569A1 (en) Convolution method and device, electronic device
CN109324984B (zh) 在卷积运算中使用循环寻址的方法和装置
CN110322389B (zh) 池化方法、装置及系统、计算机可读存储介质
CN109034176B (zh) 辨识系统以及辨识方法
US11481994B2 (en) Method and apparatus for extracting image data in parallel from multiple convolution windows, device, and computer-readable storage medium
CN110097525B (zh) 一种图像渲染方法、装置和计算设备
CN115620017A (zh) 图像的特征提取方法、装置、设备及存储介质
CN114090231A (zh) 一种数据处理方法、控制器及可读存储介质
CN113393368A (zh) 基于神经网络模型的图像处理方法、介质和电子设备
US8423597B1 (en) Method and system for adaptive matrix trimming in an inverse discrete cosine transform (IDCT) operation
KR102590926B1 (ko) 왜곡 이미지의 이미지 복원 방법 및 장치
CN111831405B (zh) 一种数据处理方法、逻辑芯片及其设备
CN111931123B (zh) 边界卷积计算方法、装置、硬件加速器及计算机设备
US11842273B2 (en) Neural network processing
CN115456858B (zh) 图像处理方法、装置、计算机设备及计算机可读存储介质
US20230040673A1 (en) Optimised machine learning processing

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