CN110399883A - 图像特征提取方法、装置、设备及计算机可读存储介质 - Google Patents
图像特征提取方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110399883A CN110399883A CN201910576197.6A CN201910576197A CN110399883A CN 110399883 A CN110399883 A CN 110399883A CN 201910576197 A CN201910576197 A CN 201910576197A CN 110399883 A CN110399883 A CN 110399883A
- Authority
- CN
- China
- Prior art keywords
- image
- information
- processed
- dimensional information
- processor
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000000605 extraction Methods 0.000 claims abstract description 76
- 230000001360 synchronised effect Effects 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 10
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000003491 array Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0007—Image acquisition
-
- 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
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种图像特征提取方法,包括获取待处理图像和对应的卷积核信息;根据所述卷积核信息确定卷积核的维度信息;根据所述维度信息进行处理器重构,获得重构后的各个数据处理器单元;通过各个所述数据处理器单元对所述待处理图像进行同步特征提取,获得特征图像数据;该图像特征提取方法能够更加有效的提高图像特征的提取效率。本申请还公开了一种图像特征提取装置、设备及计算机可读存储介质,均具上述有益效果。
Description
技术领域
本申请涉及图像处理领域,特别涉及一种图像特征提取方法,还涉及一种图像特征提取装置、设备及计算机可读存储介质。
背景技术
特征提取一般被用于计算机视觉和图像处理,具体是指使用计算机提取图像信息,以决定每个图像的点是否属于一个图像特征;特征提取的结果是将图像上的点分为不同的子集,这些子集往往属于孤立的点、连续的曲线或者连续的区域。
近年来,CNN(Convolutional Neural Networks,卷积神经网络)成为研究热点,利用CNN实现图像的特征提取最为常用。CNN具有局部连接性和权值共享性,其中,权值共享即为卷积核共享,对于一个卷积核将其与给定的图像做卷积即可提取出一种图像特征,不同的卷积核可以提取出不同的图像特征。
其中,CNN中必不可少的运算是卷积运算,目前已有方案大部分是采用软件代码,如python、java、c++等来实现。然而,由于采用软件实现,而卷积中涉及乘法运算和加法运算,且其运算过程都是按照迭代和顺序执行的,没有做到并行运算,导致图像处理过程存在效率低下、周期过程长、延迟较大的问题,进而导致图像特征提取效率的降低。
因此,如何更为有效地提高图像特征的提取效率是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种图像特征提取方法,该图像特征提取方法能够更加有效的提高图像特征的提取效率;本申请的另一目的是提供一种图像特征提取装置、设备及计算机可读存储介质,均具有上述有益效果。
为解决上述技术问题,本申请提供了一种图像特征提取方法,所述图像特征提取方法包括:
获取待处理图像和对应的卷积核信息;
根据所述卷积核信息确定卷积核的维度信息;
根据所述维度信息进行处理器重构,获得重构后的各个数据处理器单元;
通过各个所述数据处理器单元对所述待处理图像进行同步特征提取,获得特征图像数据。
优选的,所述获取待处理图像和对应的卷积核信息,包括:
获取所述待处理图像和所述卷积核信息对应的预存地址信息;
根据所述预存地址信息在所述第一BUFFER中读取所述待处理图像和所述卷积核信息。
优选的,所述根据所述维度信息进行处理器重构,获得重构后的各个数据处理器单元,包括:
结合FPGA动态可重构技术,根据所述维度信息进行处理器重构,获得各个所述数据处理器单元。
优选的,所述数据处理器单元包括乘法器单元和/或加法器单元。
优选的,所述通过各个所述数据处理器单元对所述待处理图像进行同步特征提取,获得特征图像数据,包括:
通过各个所述乘法器单元对所述待处理图像进行同步处理,获得各个乘法处理结果;
通过各个所述加法器单元对各个所述乘法处理结果进行同步处理,获得所述特征图像数据。
优选的,所述图像特征提取方法还包括:
将各个所述乘法处理结果保存至第二BUFFER。
优选的,所述图像特征提取方法还包括:
当接收到待处理新图像和对应的新卷积核信息时,根据所述新卷积核信息确定新维度信息;
判断所述新维度信息与所述维度信息是否相同;
若所述新维度信息与所述维度信息相同,则执行所述根据所述维度信息进行处理器重构,获得重构后的各个数据处理器单元的步骤;
若所述新维度信息与所述维度信息不同,则执行所述通过各个所述数据处理器单元对所述待处理图像进行同步特征提取,获得特征图像数据的步骤。
为解决上述技术问题,本申请还提供了一种图像特征提取装置,所述图像特征提取装置包括:
数据信息获取模块,用于获取待处理图像和对应的卷积核信息;
维度信息确定模块,用于根据所述卷积核信息确定卷积核的维度信息;
处理器重构模块,用于根据所述维度信息进行处理器重构,获得重构后的各个数据处理器单元;
特征提取模块,用于通过各个所述数据处理器单元对所述待处理图像进行同步特征提取,获得特征图像数据。
为解决上述技术问题,本申请还提供了一种图像特征提取设备,所述图像特征提取设备包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述任意一种图像特征提取方法的步骤。
为解决上述技术问题,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一种图像特征提取方法的步骤。
本申请所提供的一种图像特征提取方法,包括获取待处理图像和对应的卷积核信息;根据所述卷积核信息确定卷积核的维度信息;根据所述维度信息进行处理器重构,获得重构后的各个数据处理器单元;通过各个所述数据处理器单元对所述待处理图像进行同步特征提取,获得特征图像数据。
可见,本申请所提供的技术方案,当需要对图像数据进行特征提取时,首先根据其对应的卷积核确定相应的维度信息,其中,卷积核的维度即为进行滑窗操作的维度,进一步,根据卷积核的维度进行处理器重构,即构建图像提取过程中所需要的各个数据处理器单元,如乘法器、加法器等,由此,即可利用各个数据处理器单元对待处理图像进行同步处理,以实现特征提取,由于整个运算过程为并行处理,相较于传统的串行处理方式,本申请所提供的图像特征提取方法更加快速高效。
本申请所提供的一种图像特征提取装置、设备及计算机可读存储介质,均具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请所提供的一种图像特征提取方法的流程示意图;
图2为本申请所提供的一种图像特征提取的逻辑架构图;
图3为本申请所提供的一种图像特征提取装置的结构示意图;
图4为本申请所提供的一种图像特征提取设备的结构示意图。
具体实施方式
本申请的核心是提供一种图像特征提取方法,该图像特征提取方法能够更加有效的提高图像特征的提取效率;本申请的另一核心是提供一种图像特征提取装置、设备及计算机可读存储介质,均具有上述有益效果。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
现有的图像特征提取多基于CNN实现,然而,由于其采用软件实现,而卷积中涉及乘法运算和加法运算,且其运算过程都是按照迭代和顺序执行的,没有做到并行运算,导致图像处理过程存在效率低下、周期过程长、延迟较大的问题,进而导致图像特征提取效率的降低。
因此,为解决上述问题,本申请提供了一种图像特征提取方法,该图像特征提取方法通过重构各个用于进行特征提取的数据处理器单元,进而实现对待处理图像的同步处理,以实现特征提取,由于整个运算过程为并行处理,相较于传统的串行处理方式,本申请所提供的图像特征提取方法更加快速高效。
请参考图1,图1为本申请所提供的一种图像特征提取方法的流程示意图,该图像特征提取方法可以包括:
S101:获取待处理图像和对应的卷积核信息;
本步骤旨在实现待处理图像及其对应卷积核信息的获取,其中,待处理图像即为需要进行特征提取的图像数据,卷积核为用于实现图像特征提取的一种参数,具体而言,对于一个卷积核将其与给定的图像做卷积即可提取出一种图像特征,不同的卷积核可以提取出不同的图像特征。
此外,上述待处理图像及其卷积核信息可以为用户直接基于客户端输入的,也可以为预存在存储介质中直接调取的,其具体获取方式并不影响本技术方案的实施。
优选的,上述获取待处理图像和对应的卷积核信息,可以包括:获取待处理图像和卷积核信息对应的预存地址信息;根据预存地址信息在第一BUFFER中读取待处理图像和卷积核信息。
本申请实施实例提供了一种较为具体的待处理图像及其卷积核信息的获取方式,具体的,可预先将待处理图像及其卷积核信息存储于BUFFER中,即上述第一BUFFER中,当需要对其进行特征提取时,可由用户基于客户端输入待处理图像及其卷积核信息在第一BUFFER中的预存地址信息,或对用户输入的特征提取指令进行解析获得对应的预存地址信息,由此,即可根据预存地址信息在第一BUFFER中读取获得相应的待处理图像及其卷积核信息。
S102:根据卷积核信息确定卷积核的维度信息;
本步骤旨在实现卷积核维度的获取,具体而言,卷积核信息本身携带有自身对应的维度信息,通过对卷积核信息进行数据解析,即可获得相应的维度信息,也即卷积核的维度。其中,对于其数据解析的具体实现过程,可采用已有技术中的任意一种,本申请在此不再赘述。
S103:根据维度信息进行处理器重构,获得重构后的各个数据处理器单元;
本步骤旨在实现处理器的重构,即根据S102确定的维度信息实现。具体而言,由于不同的待处理图像可能需要进行不同特征信息的提取,其对应的卷积核维度也各不相同,这里的处理器重构是指对图像特征提取过程中的所需要的数据处理器单元进行构建。
优选的,上述数据处理器单元可包括乘法器单元和/或加法器单元。
具体而言,数据处理器单元的重构内容可涉及其类型、数量等,如一定数量个加法器单元和/或乘法器单元等,当然,对于数据处理器单元的具体重构数量和类型,均可以根据待处理图像的卷积核维度信息确定,而卷积核维度的具体取值由技术人员根据实际需求进行设置即可,本申请对此不做具体限定。
优选的,上述根据维度信息进行处理器重构,获得重构后的各个数据处理器单元,可以包括:结合FPGA动态可重构技术,根据维度信息进行处理器重构,获得各个数据处理器单元。
本申请实施例提供了一种较为具体的处理器重构方法,即基于上述FPGA动态可重构技术实现,进而获得各个数据处理器单元。其中,FPGA动态可重构技术能够在FPGA运行过程中对其内部的全部或部分逻辑资源进行重新配置,进而实现逻辑功能的动态切换,而不终止器件的运行。
S104:通过各个数据处理器单元对待处理图像进行同步特征提取,获得特征图像数据。
本步骤旨在实现特征信息的提取,以获得相应的特征图像数据。具体而言,由于基于S103进行了各个数据处理器单元的构建,由此,即可将待处理图像输入至各个数据处理器单元,以实现待处理图像的同步特征提取,进而获得相应的特征图像数据。由于待处理图像的特征提取处理流程是基于各个数据处理器单元进行同步处理实现的,相较于传统技术中串行处理的方式,该种实现方式更加快速便捷,极大的提高了图像特征的提取效率。
优选的,上述通过各个数据处理器单元对待处理图像进行同步特征提取,获得特征图像数据,可以包括:通过各个乘法器单元对待处理图像进行同步处理,获得各个乘法处理结果;通过各个加法器单元对各个乘法处理结果进行同步处理,获得特征图像数据。
本申请实施例提出了一种较为具体的特征提取的实现方式,具体而言,当数据处理器单元涉及乘法器单元和加法器单元时,根据运算优先级,可先通过各个乘法器单元对待处理图像进行同步处理,再通过各个加法器单元对各个乘法器单元输出的各个乘法处理结果进行同步处理,进而完成特征提取,获得特征图像数据。
优选的,上述图像特征提取方法还可以包括:将各个乘法处理结果保存至第二BUFFER。
本申请实施例旨在实现对各个乘法处理结果的保存,将其保存至预设的存储介质中即可,如上述第二BUFFER,便与后续读取和调用。
作为一种优选实施例,该图像特征提取方法还可以包括:
当接收到待处理新图像和对应的新卷积核信息时,根据新卷积核信息确定新维度信息;判断新维度信息与维度信息是否相同;若新维度信息与维度信息相同,则执行上述S103;若新维度信息与维度信息不同,则执行上述S104。
具体的,基于本申请所提供的图像特征提取方法对待处理图像进行特征提取,除首次进行特征提取之外,当再次接收到新的待处理图像时,可在确定其对应的卷积核维度之后,判断该待处理新图像的卷积核维度与上一次处理的待处理图像对应的卷积核维度是否相同,若二者相同,则无需再次进行处理器重构,直接基于上次构建的各个数据处理器单元进行特征提取即可,若二者不同,则需要再次进行处理器重构,以通过重构后的各个新的数据处理单元对待处理新图像进行特征提取。由此,该优选实施例增设卷积核维度的判断功能,对于未改变卷积核维度的待处理图像,不再进行处理器重构,节省了处理器重构的时间,进一步提升了图像特征的提取效率。
此外,对应于上述基于第一BUFFER实现待处理图像及其维度信息的获取,还可增设第三BUFFER,用以实现最终处理结果,也即特征图像数据的存储,因此,在完成特征提取获得特征图像数据后,类似于上述数据地址信息的读取过程,可写入数据地址信息至第三BUFFER,进而完成特征图像数据的存储。
本申请所提供的图像特征提取方法,当需要对图像数据进行特征提取时,首先根据其对应的卷积核确定相应的维度信息,其中,卷积核的维度即为进行滑窗操作的维度,进一步,根据卷积核的维度进行处理器重构,即构建图像提取过程中所需要的各个数据处理器单元,如乘法器、加法器等,由此,即可利用各个数据处理器单元对待处理图像进行同步处理,以实现特征提取,由于整个运算过程为并行处理,相较于传统的串行处理方式,本申请所提供的图像特征提取方法更加快速高效。
在上述各实施例的基础上,请参考图2,图2为本申请所提供的一种图像特征提取的逻辑架构图,结合其逻辑架构,本申请提供了一种更为具体的图像特征提取方法。
首先,参照图2,Control logic单元为逻辑控制模块,即主控器,用于从BUFFER数据缓存区控制(上述第一BUFFER和上述第一BUFFER)写入(ReadAddress)或者读出(WriteAddress)数据,以及控制multipler(乘法运算)或者adder(加法运算)并且监测运行状态。The Arrays of the Multipler unit单元是卷积操作中的乘法器单元,The Arrays ofthe Adder unit单元是卷积操作中的加法器单元,二者均是动态可重配置的,其配置数量由原始数据(Feature Date)的维度与卷积核(Weight Data)的维度决定,配置相应的乘法器和加法器的目的是在同一时刻,该组卷积所有的乘法或者加法能够同时进行并行操作,可大大缩短卷积时间,提高效率。The result of multipler单元即为上述第二BUFFER,用以存储乘法器单元输出的运算结果。
进一步,基于上述图像特征提取的逻辑架构,本申请实施例所提供的图像特征方法的实现流程如下:
步骤1、一批次卷积运算开始,用户向BUFFER输入(INPUT)需要进行特征提取的原始数据(待处理图像)和卷积核的维度信息;
步骤2、逻辑控制单元根据维度信息,利用FPGA动态可重构技术,对乘法器单元和加法器单元进行重构,并配置一次FPGA逻辑;
步骤3、逻辑控制单元根据原始数据及其卷积核信息的预存地址信息从BUFFER中读取相应的原始数据与卷积核数据;
步骤4、启动所有的乘法器单元与加法器单元,对原始数据进行并行运算;
步骤5、判断乘法运算是否完毕,如果是,则进入步骤6,如果否,则在当前步骤等待乘法运算完毕;
步骤6、存储乘法结果到BUFFER;
步骤7、利用加法器单元进行加法运算,获得计算结果,将计算结果写入至BUFFER,并进行输出(OUTPUT);
步骤8、判断下一批次参与卷积的新图像数据的维数信息是否发生变化,如果否,则进入步骤3进行下批次新图像数据的卷积运算,进行迭代,如果是,则进入步骤1。
本申请实施例所提供的图像特征提取方法,当需要对图像数据进行特征提取时,首先根据其对应的卷积核确定相应的维度信息,其中,卷积核的维度即为进行滑窗操作的维度,进一步,根据卷积核的维度进行处理器重构,即构建图像提取过程中所需要的各个数据处理器单元,如乘法器、加法器等,由此,即可利用各个数据处理器单元对待处理图像进行同步处理,以实现特征提取,由于整个运算过程为并行处理,相较于传统的串行处理方式,本申请所提供的图像特征提取方法更加快速高效。
下面对本申请实施例提供的图像特征提取装置进行介绍,下文描述的图像特征提取装置与上文描述的图像特征提取方法可相互对应参照。
请参考图3,图3为本申请所提供的一种图像特征提取装置的结构示意图,该图像特征提取装置可以包括:
数据信息获取模块10,用于获取待处理图像和对应的卷积核信息;
维度信息确定模块20,用于根据卷积核信息确定卷积核的维度信息;
处理器重构模块30,用于根据维度信息进行处理器重构,获得重构后的各个数据处理器单元;
特征提取模块40,用于通过各个数据处理器单元对待处理图像进行同步特征提取,获得特征图像数据。
本申请所提供的图像检索装置,当需要对图像数据进行特征提取时,首先根据其对应的卷积核确定相应的维度信息,其中,卷积核的维度即为进行滑窗操作的维度,进一步,根据卷积核的维度进行处理器重构,即构建图像提取过程中所需要的各个数据处理器单元,如乘法器、加法器等,由此,即可利用各个数据处理器单元对待处理图像进行同步处理,以实现特征提取,由于整个运算过程为并行处理,相较于传统的串行处理方式,本申请所提供的图像特征提取方法更加快速高效。
作为一种优选实施例,上述数据信息获取模块10可具体用于获取待处理图像和卷积核信息对应的预存地址信息;根据预存地址信息在第一BUFFER中读取待处理图像和卷积核信息。
作为一种优选实施例,上述处理器重构模块30可具体用于结合FPGA动态可重构技术,根据维度信息进行处理器重构,获得各个数据处理器单元。
作为一种优选实施例,上述特征提取模块40可包括:
乘法处理单元,用于通过各个乘法器单元对待处理图像进行同步处理,获得各个乘法处理结果;
加法处理单元,用于通过各个加法器单元对各个乘法处理结果进行同步处理,获得特征图像数据。
作为一种优选实施例,该图像特征提取装置还可以包括:
数据信息存储模块,用于将各个乘法处理结果保存至第二BUFFER。
作为一种优选实施例,该图像特征提取装置还可以包括:
新数据处理模块,用于当接收到待处理新图像和对应的新卷积核信息时,根据新卷积核信息确定新维度信息;判断新维度信息与维度信息是否相同;若新维度信息与维度信息相同,则进入上述处理器重构模块30;若新维度信息与维度信息不同,则进入上述特征提取模块40。
对于本申请提供的装置的介绍请参照上述方法实施例,本申请在此不做赘述。
下面对本申请实施例提供的图像特征提取设备进行介绍,下文描述的图像特征提取设备与上文描述的图像特征提取方法可相互对应参照。
请参考图4,图4为本申请所提供的一种图像特征提取设备的结构示意图,该图像特征提取设备可以包括:
存储器1,用于存储计算机程序;
处理器2,用于执行上述存储器1存储的计算机程序时可实现如下步骤:
获取待处理图像和对应的卷积核信息;根据卷积核信息确定卷积核的维度信息;根据维度信息进行处理器重构,获得重构后的各个数据处理器单元;通过各个数据处理器单元对待处理图像进行同步特征提取,获得特征图像数据。
对于本申请提供的设备的介绍请参照上述方法实施例,本申请在此不做赘述。
进一步的,本申请实施例还公开了一种计算机可读存储介质,用于存储计算机程序,其中,计算机程序被处理器执行时可实现如下步骤:
获取待处理图像和对应的卷积核信息;根据卷积核信息确定卷积核的维度信息;根据维度信息进行处理器重构,获得重构后的各个数据处理器单元;通过各个数据处理器单元对待处理图像进行同步特征提取,获得特征图像数据。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本申请提供的计算机可读存储介质的具体介绍请参照上述方法实施例,本申请在此不做赘述。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的图像特征提取方法、装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围要素。
Claims (10)
1.一种图像特征提取方法,其特征在于,包括:
获取待处理图像和对应的卷积核信息;
根据所述卷积核信息确定卷积核的维度信息;
根据所述维度信息进行处理器重构,获得重构后的各个数据处理器单元;
通过各个所述数据处理器单元对所述待处理图像进行同步特征提取,获得特征图像数据。
2.如权利要求1所述的图像特征提取方法,其特征在于,所述获取待处理图像和对应的卷积核信息,包括:
获取所述待处理图像和所述卷积核信息对应的预存地址信息;
根据所述预存地址信息在所述第一BUFFER中读取所述待处理图像和所述卷积核信息。
3.如权利要求1所述的图像特征提取方法,其特征在于,所述根据所述维度信息进行处理器重构,获得重构后的各个数据处理器单元,包括:
结合FPGA动态可重构技术,根据所述维度信息进行处理器重构,获得各个所述数据处理器单元。
4.如权利要求3所述的图像特征提取方法,其特征在于,所述数据处理器单元包括乘法器单元和/或加法器单元。
5.如权利要求4所述的图像特征提取方法,其特征在于,所述通过各个所述数据处理器单元对所述待处理图像进行同步特征提取,获得特征图像数据,包括:
通过各个所述乘法器单元对所述待处理图像进行同步处理,获得各个乘法处理结果;
通过各个所述加法器单元对各个所述乘法处理结果进行同步处理,获得所述特征图像数据。
6.如权利要求5所述的图像特征提取方法,其特征在于,还包括:
将各个所述乘法处理结果保存至第二BUFFER。
7.如权利要求1至6任意一项所述的图像特征提取方法,其特征在于,还包括:
当接收到待处理新图像和对应的新卷积核信息时,根据所述新卷积核信息确定新维度信息;
判断所述新维度信息与所述维度信息是否相同;
若所述新维度信息与所述维度信息相同,则执行所述根据所述维度信息进行处理器重构,获得重构后的各个数据处理器单元的步骤;
若所述新维度信息与所述维度信息不同,则执行所述通过各个所述数据处理器单元对所述待处理图像进行同步特征提取,获得特征图像数据的步骤。
8.一种图像特征提取装置,其特征在于,包括:
数据信息获取模块,用于获取待处理图像和对应的卷积核信息;
维度信息确定模块,用于根据所述卷积核信息确定卷积核的维度信息;
处理器重构模块,用于根据所述维度信息进行处理器重构,获得重构后的各个数据处理器单元;
特征提取模块,用于通过各个所述数据处理器单元对所述待处理图像进行同步特征提取,获得特征图像数据。
9.一种图像特征提取设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任意一项所述的图像特征提取方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7任意一项所述的图像特征提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910576197.6A CN110399883A (zh) | 2019-06-28 | 2019-06-28 | 图像特征提取方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910576197.6A CN110399883A (zh) | 2019-06-28 | 2019-06-28 | 图像特征提取方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110399883A true CN110399883A (zh) | 2019-11-01 |
Family
ID=68323930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910576197.6A Pending CN110399883A (zh) | 2019-06-28 | 2019-06-28 | 图像特征提取方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110399883A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052756A (zh) * | 2019-12-27 | 2021-06-29 | 武汉Tcl集团工业研究院有限公司 | 一种图像处理方法、智能终端及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105869117A (zh) * | 2016-03-28 | 2016-08-17 | 上海交通大学 | 一种针对深度学习超分辨率技术的gpu加速方法 |
CN106875012A (zh) * | 2017-02-09 | 2017-06-20 | 武汉魅瞳科技有限公司 | 一种基于fpga的深度卷积神经网络的流水化加速系统 |
CN106951961A (zh) * | 2017-02-24 | 2017-07-14 | 清华大学 | 一种粗粒度可重构的卷积神经网络加速器及系统 |
CN107403117A (zh) * | 2017-07-28 | 2017-11-28 | 西安电子科技大学 | 基于fpga的三维卷积器 |
US20180114116A1 (en) * | 2016-10-26 | 2018-04-26 | Sentient Technologies (Barbados) Limited | Cooperative evolution of deep neural network structures |
CN108154229A (zh) * | 2018-01-10 | 2018-06-12 | 西安电子科技大学 | 基于fpga加速卷积神经网络框架的图片处理方法 |
CN109086867A (zh) * | 2018-07-02 | 2018-12-25 | 武汉魅瞳科技有限公司 | 一种基于fpga的卷积神经网络加速系统 |
CN109598338A (zh) * | 2018-12-07 | 2019-04-09 | 东南大学 | 一种基于fpga的计算优化的卷积神经网络加速器 |
-
2019
- 2019-06-28 CN CN201910576197.6A patent/CN110399883A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105869117A (zh) * | 2016-03-28 | 2016-08-17 | 上海交通大学 | 一种针对深度学习超分辨率技术的gpu加速方法 |
US20180114116A1 (en) * | 2016-10-26 | 2018-04-26 | Sentient Technologies (Barbados) Limited | Cooperative evolution of deep neural network structures |
CN106875012A (zh) * | 2017-02-09 | 2017-06-20 | 武汉魅瞳科技有限公司 | 一种基于fpga的深度卷积神经网络的流水化加速系统 |
CN106951961A (zh) * | 2017-02-24 | 2017-07-14 | 清华大学 | 一种粗粒度可重构的卷积神经网络加速器及系统 |
CN107403117A (zh) * | 2017-07-28 | 2017-11-28 | 西安电子科技大学 | 基于fpga的三维卷积器 |
CN108154229A (zh) * | 2018-01-10 | 2018-06-12 | 西安电子科技大学 | 基于fpga加速卷积神经网络框架的图片处理方法 |
CN109086867A (zh) * | 2018-07-02 | 2018-12-25 | 武汉魅瞳科技有限公司 | 一种基于fpga的卷积神经网络加速系统 |
CN109598338A (zh) * | 2018-12-07 | 2019-04-09 | 东南大学 | 一种基于fpga的计算优化的卷积神经网络加速器 |
Non-Patent Citations (1)
Title |
---|
余子健等: "基于FPGA的卷积神经网络加速器", 《计算机工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052756A (zh) * | 2019-12-27 | 2021-06-29 | 武汉Tcl集团工业研究院有限公司 | 一种图像处理方法、智能终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
GB2587841A (en) | Utilizing a neural network having a two-stream encoder architecture to generate composite digital images | |
CN108133270A (zh) | 卷积神经网络加速方法及装置 | |
CN107277615B (zh) | 直播风格化处理方法、装置、计算设备及存储介质 | |
CN109784372A (zh) | 一种基于卷积神经网络的目标分类方法 | |
CN109146065B (zh) | 二维数据的卷积运算方法及装置 | |
EP4156079A1 (en) | Image data storage method, image data processing method and system, and related apparatus | |
CN105739951A (zh) | 一种基于gpu的l1最小化问题快速求解方法 | |
CN109992541A (zh) | 一种数据搬运方法、相关产品及计算机存储介质 | |
EP2901275A1 (en) | Loop vectorization methods and apparatus | |
CN110147252A (zh) | 一种卷积神经网络的并行计算方法及装置 | |
WO2019076109A1 (zh) | 图像信息的池化方法及装置、存储介质、处理器 | |
CN109102361A (zh) | 一种基于智能电子秤的物品订单确认方法及系统 | |
RU2009139403A (ru) | Сжатие и восстановление изображений с использованием способа pixon | |
CN113286174B (zh) | 视频抽帧方法、装置、电子设备、计算机可读存储介质 | |
CN110399883A (zh) | 图像特征提取方法、装置、设备及计算机可读存储介质 | |
CN109615067B (zh) | 一种卷积神经网络的数据调度方法及装置 | |
CN110009644B (zh) | 一种特征图行像素分段的方法和装置 | |
CN116431562B (zh) | 一种基于加速处理器的多头注意力机制融合计算分配方法 | |
CN107357206A (zh) | 一种基于fpga板卡的运算优化的方法、装置及系统 | |
CN107247944B (zh) | 基于深度学习的人脸检测速度优化方法及装置 | |
CN107894957B (zh) | 面向卷积神经网络的存储器数据访问与插零方法及装置 | |
CN107111878A (zh) | 数据处理方法、装置及系统 | |
CN110399971A (zh) | 一种卷积神经网络加速方法及装置、存储介质 | |
US20230267710A1 (en) | Method, system and apparatus for training object recognition model | |
CN115933994A (zh) | 一种数据处理方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191101 |