CN112231627A - 边界卷积计算方法、装置、计算机设备及可读存储介质 - Google Patents
边界卷积计算方法、装置、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN112231627A CN112231627A CN202011097227.4A CN202011097227A CN112231627A CN 112231627 A CN112231627 A CN 112231627A CN 202011097227 A CN202011097227 A CN 202011097227A CN 112231627 A CN112231627 A CN 112231627A
- Authority
- CN
- China
- Prior art keywords
- image
- boundary
- column
- current image
- convolution calculation
- 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.)
- Granted
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Image Processing (AREA)
Abstract
本申请公开了边界卷积计算方法、装置、计算机设备及可读存储介质，该方法包括加载当前图像，若当前图像是整个图像的第一部分图像，则针对当前图像执行卷积计算，并将当前图像中的边界元素存储至内部存储模块；若不是，则取出内部存储模块中存储的目标邻近图像的边界元素，将目标邻近图像的边界元素按位置大小合并至当前图像中，针对得到的合并图像执行卷积计算，并将合并图像中的边界元素存储至内部存储模块，其中，目标邻近图像为与当前图像相邻的图像，目标邻近图像与当前图像之间不存在重复的元素。上述方法对边界元素进行暂存，当需要进行卷积计算时再取出，不会导致整个图像卷积计算总次数的增加，有效提高卷积计算效率。
Description
技术领域
本申请涉及卷积神经网络技术领域，尤其涉及一种边界卷积计算方法、装置、计算机设备及可读存储介质。
背景技术
对图像进行卷积运算时，通常会令卷积核矩阵在图像上滑动，同时求取卷积核矩阵与图像中对应元素的相乘累加结果。实际计算时，由于执行卷积计算的硬件加速器尺寸有限，无法一次性完成整个图像的计算，通常一次仅针对部分图像执行卷积计算，计算完毕后加载下一部分图像再执行卷积计算，在整个图像的卷积计算过程中，需逐行逐列的加载固定大小的图像。
通常，位于图像边界处的元素并不能被卷积操作到，原因在于边界的元素没有完全跟卷积核重叠。参见图1，若卷积核的大小为3×3(图中灰色部分)，硬件加速器一次能够针对8×8大小的图像执行卷积计算，首次计算时，硬件加速器会加载出第1-8行及第1-8列的图像，卷积核按照每次一步从左到右在图像中进行滑动，每次覆盖图像中3行3列的元素，当滑到第6、7、8列时，便不会继续向右滑动。针对下一部分图像(第9-16行及第9至16列)进行卷积计算时，卷积核一开始便覆盖图像中的第9、10、11列，这种情况下，图像第7、8、9列及图像第8、9、10列并未被执行卷积操作。
为了解决这一问题，通常会在执行第二次卷积计算时，加载图像中第7-14列的元素进行计算。这种边界卷积的方法采用了重复加载的方式，将导致原本应该加载的第15及16列被第7及8列占据，增加了执行卷积计算的总次数，极大的降低了计算效率。
发明内容
为了解决利用重复加载的方式进行边界卷积计算，将导致增加计算的总次数，降低计算效率的问题，本申请通过以下实施例公开了边界卷积计算方法、装置、计算机设备及可读存储介质。
本申请第一方面公开了一种边界卷积计算方法，包括：
加载当前图像；
判断所述当前图像是否为整个图像的第一部分图像；
若是，则针对所述当前图像执行卷积计算，并将所述当前图像中的边界元素存储至内部存储模块；
若不是，则取出所述内部存储模块中存储的目标邻近图像的边界元素，将所述目标邻近图像的边界元素按位置大小合并至所述当前图像中，针对得到的合并图像执行卷积计算，并将所述合并图像中的边界元素存储至内部存储模块，其中，所述目标邻近图像为与所述当前图像相邻的图像，所述目标邻近图像与所述当前图像之间不存在重复的元素。
可选的，在加载当前图像之前，所述方法还包括：
根据卷积核的尺寸，获取所述边界元素在每一部分图像中所处的位置，其中，若所述卷积核的尺寸为n×n，则所述边界元素在所述每一部分图像中所处的位置为倒数n-1行和/或倒数n-1列。
可选的，所述目标邻近图像包括行邻近图像和/或列邻近图像，其中，所述行邻近图像位于所述当前图像同一列的前一行，所述列邻近图像位于所述当前图像同一行的前一列。
可选的，所述将所述目标邻近图像的边界元素按位置大小合并至所述当前图像中，包括：
若所述目标邻近图像仅包括行邻近图像，则将所述目标邻近图像中倒数n-1行的元素添加到所述当前图像的首行之前；
或者，若所述目标邻近图像仅包括列邻近图像，则将所述目标邻近图像中倒数n-1列的元素添加到所述当前图像的首列之前；
或者，若所述目标邻近图像包括行邻近图像及列邻近图像，则将所述行邻近图像中倒数n-1行的元素添加到所述当前图像的首行之前，以及将所述列邻近图像中倒数n-1列的元素添加到所述当前图像的首列之前。
本申请第二方面公开了一种边界卷积计算装置，所述装置应用于本申请第一方面所述的边界卷积计算方法，所述边界卷积计算装置包括：
加载模块，用于加载当前图像；
判断模块，用于判断所述当前图像是否为整个图像的第一部分图像；
第一卷积计算模块，用于在所述当前图像是整个图像的第一部分图像时，针对所述当前图像执行卷积计算，并将当前图像中的边界元素存储至内部存储模块；
第二卷积计算模块，用于在所述当前图像不是整个图像的第一部分图像时，取出所述内部存储模块中存储的目标邻近图像的边界元素，将所述目标邻近图像的边界元素按位置大小合并至所述当前图像中，针对得到的合并图像执行卷积计算，并将所述合并图像中的边界元素存储至内部存储模块，其中，所述目标邻近图像为与所述当前图像相邻的图像，所述目标邻近图像与所述当前图像之间所述不存在重复的元素。
可选的，所述边界卷积计算装置还包括：
边界元素确定模块，用于在加载当前图像之前，根据卷积核的尺寸，获取所述边界元素在每一部分图像中所处的位置，其中，若所述卷积核的尺寸为n×n，则所述边界元素在所述每一部分图像中所处的位置为倒数n-1行及倒数n-1列。
可选的，所述目标邻近图像包括行邻近图像和/或列邻近图像，其中，所述行邻近图像位于所述当前图像同一列的前一行，所述列邻近图像位于所述当前图像同一行的前一列。
可选的，所述第二卷积计算模块在执行将所述目标邻近图像的边界元素按位置大小合并至所述当前图像中的步骤时，通过以下三个单元执行：
行合并单元，用于在所述目标邻近图像仅包括行邻近图像时，将所述目标邻近图像中倒数n-1行的元素添加到所述当前图像的首行之前；
列合并单元，用于在所述目标邻近图像仅包括列邻近图像时，将所述目标邻近图像中倒数n-1列的元素添加到所述当前图像的首列之前；
共同合并单元，用于在所述目标邻近图像包括行邻近图像及列邻近图像时，将所述行邻近图像中倒数n-1行的元素添加到所述当前图像的首行之前，以及将所述列邻近图像中倒数n-1列的元素添加到所述当前图像的首列之前。
本申请第三方面公开了一种计算机设备，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如本申请第一方面所述的边界卷积计算方法的步骤。
本申请第四方面公开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执行时实现如本申请第一方面所述的边界卷积计算方法的步骤。
本申请公开了边界卷积计算方法、装置、计算机设备及可读存储介质，该方法包括加载当前图像，若当前图像是整个图像的第一部分图像，则针对当前图像执行卷积计算，并将当前图像中的边界元素存储至内部存储模块；若不是，则取出内部存储模块中存储的目标邻近图像的边界元素，将目标邻近图像的边界元素按位置大小合并至当前图像中，针对得到的合并图像执行卷积计算，并将合并图像中的边界元素存储至内部存储模块，其中，目标邻近图像为与当前图像相邻的图像，目标邻近图像与当前图像之间不存在重复的元素。上述方法对边界元素进行暂存，当需要进行卷积计算时再取出，使其与当前图像共同进行卷积计算，不会导致整个图像卷积计算总次数的增加，有效提高卷积计算效率。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为现有的边界卷积计算方法的过程示意图；
图2为本申请实施例公开的一种边界卷积计算方法的工作流程示意图；
图3为本申请实施例公开的一种边界卷积计算方法中，针对行邻近图像的边界元素进行合并的示意图；
图4为本申请实施例公开的一种边界卷积计算方法中，针对列邻近图像的边界元素进行合并的示意图；
图5为本申请实施例公开的一种边界卷积计算方法中，针对行邻近图像及列邻近图像的边界元素进行合并的示意图；
图6为本申请实施例公开的一种硬件加速器的结构示意图。
具体实施方式
为了解决利用重复加载的方式进行边界卷积计算，将导致增加计算的总次数，降低计算效率的问题，本申请通过以下实施例公开了边界卷积计算方法、装置、计算机设备及可读存储介质。
本申请第一实施例公开了一种边界卷积计算方法，参见图2所述的工作流程示意图，所述边界卷积计算方法包括：
步骤S11，加载当前图像。
步骤S12，判断所述当前图像是否为整个图像的第一部分图像，若判断结果为是，则执行步骤S13，若判断结果为不是，则执行步骤S14；
通常在对整个图像进行卷积计算时，会逐行逐列的加载部分图像，第一部分图像为整个图像中第一行第一列的图像。
步骤S13，针对所述当前图像执行卷积计算，并将所述当前图像中的边界元素存储至内部存储模块。
步骤S14，取出所述内部存储模块中存储的目标邻近图像的边界元素，将所述目标邻近图像的边界元素按位置大小合并至所述当前图像中，针对得到的合并图像执行卷积计算，并将所述合并图像中的边界元素存储至内部存储模块，其中，所述目标邻近图像为与所述当前图像相邻的图像，所述目标邻近图像与所述当前图像之间所述不存在重复的元素。
一些实现方式中，在加载当前图像之前，所述方法还包括：
根据卷积核的尺寸，获取所述边界元素在每一部分图像中所处的位置，其中，若所述卷积核的尺寸为n×n，则所述边界元素在所述每一部分图像中所处的位置为倒数n-1行和/或倒数n-1列。
具体的，若卷积核的尺寸为3×3，则所述边界元素在所述每一部分图像中所处的位置为倒数两行和/或倒数两列。若卷积核的尺寸为5×5，则所述边界元素在所述每一部分图像中所处的位置为倒数四行和/或倒数四列。
需要说明的是，若某部分图像位于整个图像的最后一行的最后一列，则其不存在边界元素。
若某部分图像位于整个图像的最后一列(除了最后一列的最后一行)，那么该部分图像中的倒数n-1行元素为边界元素；若某部分图像位于整个图像的最后一行(除了最后一行的最后一列)，那么该部分图像中的倒数n-1列元素为边界元素；若某部分图像不位于整个图像的最后一列及最后一行，那么该部分图像中的倒数n-1行元素和倒数n-1列元素为边界元素。
作为示例，假如卷积核尺寸为3×3，除了位于最后一列最后一行，若当前图像位于整个图像的最后一列(除了最后一列的最后一行)，那么当前图像中的倒数两行元素为边界元素；若当前图像位于整个图像的最后一行(除了最后一行的最后一列)，那么当前图像中的倒数两列元素为边界元素；若当前图像不位于整个图像的最后一列及最后一行，那么当前图像中的倒数两行元素和倒数两列元素为边界元素。
进一步的，所述目标邻近图像包括行邻近图像和/或列邻近图像，其中，所述行邻近图像位于所述当前图像同一列的前一行，所述列邻近图像位于所述当前图像同一行的前一列。
行邻近图像中倒数n-1行元素必定属于边界元素，其倒数n-1列元素是否属于边界元素则取决于该行邻近图像是否位于整个图像的最后一列，若位于，那么倒数n-1列的元素不属于该行邻近图像的边界元素，若不位于，则该倒数n-1列的元素属于该行邻近图像的边界元素。
列邻近图像中倒数n-1列元素必定属于边界元素，其倒数n-1行元素是否属于边界元素则取决于该列邻近图像是否位于整个图像的最后一行，若位于，那么倒数n-1行的元素不属于该列邻近图像的边界元素，若不位于，则倒数n-1行的元素属于该列邻近图像的边界元素。
将所述目标邻近图像的边界元素按位置大小合并至所述当前图像中，包括：
若所述目标邻近图像仅包括行邻近图像，则将所述目标邻近图像中倒数n-1行的元素添加到所述当前图像的首行之前；
若所述目标邻近图像仅包括列邻近图像，则将所述目标邻近图像中倒数n-1列的元素添加到所述当前图像的首列之前；
或者，若所述目标邻近图像包括行邻近图像及列邻近图像，则将所述行邻近图像中倒数n-1行的元素添加到所述当前图像的首行之前，以及将所述列邻近图像中倒数n-1列的元素添加到所述当前图像的首列之前。
作为示例，假如卷积核尺寸为3×3，每次卷积计算加载的部分图像大小为8×8，若当前图像的目标邻近图像仅包括行邻近图像，则将该行邻近图像的边界元素合并至当前图像中的示意图参见图3；若当前图像的目标邻近图像仅包括列邻近图像，则将该列邻近图像的边界元素合并至当前图像中的示意图参见图4；若当前图像的目标邻近图像包括行邻近图像及列邻近图像，则将行邻近图像及列邻近图像的边界元素共同合并至当前图像中的示意图参见图5。图3至图5中，深灰色区域均表示卷积核在针对该部分图像执行第一次卷积计算时所在的位置。
本申请公开了边界卷积计算方法，该方法包括加载当前图像，若当前图像是整个图像的第一部分图像，则针对当前图像执行卷积计算，并将当前图像中的边界元素存储至内部存储模块；若不是，则取出内部存储模块中存储的目标邻近图像的边界元素，将目标邻近图像的边界元素按位置大小合并至当前图像中，针对得到的合并图像执行卷积计算，并将合并图像中的边界元素存储至内部存储模块，其中，目标邻近图像为与当前图像相邻的图像，目标邻近图像与当前图像之间不存在重复的元素。上述方法对边界元素进行暂存，当需要进行卷积计算时再取出，使其与当前图像共同进行卷积计算，不会导致整个图像卷积计算总次数的增加，有效提高卷积计算效率。
本申请第二实施例公开了一种边界卷积计算装置，所述装置应用于本申请第一实施例所述的边界卷积计算方法，所述边界卷积计算装置包括：
加载模块，用于加载当前图像；
判断模块，用于判断所述当前图像是否为整个图像的第一部分图像；
第一卷积计算模块，用于在所述当前图像是整个图像的第一部分图像时，针对所述当前图像执行卷积计算，并将当前图像中的边界元素存储至内部存储模块；
第二卷积计算模块，用于在所述当前图像不是整个图像的第一部分图像时，取出所述内部存储模块中存储的目标邻近图像的边界元素，将所述目标邻近图像的边界元素按位置大小合并至所述当前图像中，针对得到的合并图像执行卷积计算，并将所述合并图像中的边界元素存储至内部存储模块，其中，所述目标邻近图像为与所述当前图像相邻的图像，所述目标邻近图像与所述当前图像之间所述不存在重复的元素。
进一步的，所述边界卷积计算装置还包括：
边界元素确定模块，用于在加载当前图像之前，根据卷积核的尺寸，获取所述边界元素在每一部分图像中所处的位置，其中，若所述卷积核的尺寸为n×n，则所述边界元素在所述每一部分图像中所处的位置为倒数n-1行及倒数n-1列。
所述目标邻近图像包括行邻近图像和/或列邻近图像，其中，所述行邻近图像位于所述当前图像同一列的前一行，所述列邻近图像位于所述当前图像同一行的前一列。
所述第二卷积计算模块在执行将所述目标邻近图像的边界元素按位置大小合并至所述当前图像中的步骤时，通过以下三个单元执行：
行合并单元，用于在所述目标邻近图像仅包括行邻近图像时，将所述目标邻近图像中倒数n-1行的元素添加到所述当前图像的首行之前；
列合并单元，用于在所述目标邻近图像仅包括列邻近图像时，将所述目标邻近图像中倒数n-1列的元素添加到所述当前图像的首列之前；
共同合并单元，用于在所述目标邻近图像包括行邻近图像及列邻近图像时，将所述行邻近图像中倒数n-1行的元素添加到所述当前图像的首行之前，以及将所述列邻近图像中倒数n-1列的元素添加到所述当前图像的首列之前。
本申请第三实施例公开了一种硬件加速器，用于执行本申请第一实施例所述的边界卷积计算方法，参见图6所示的结构示意图，该硬件加速器包括：
输入缓存模块，用于加载当前图像及卷积核。
卷积计算模块，用于执行所述当前图像与所述卷积核之间的卷积计算，或执行合并图像与所述卷积核之间的卷积计算。
内部存储模块，用于存储各部分图像中的边界元素。
本申请第四实施例公开了一种计算机设备，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如本申请第一实施例所述的边界卷积计算方法的步骤。
本申请第五实施例公开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执行时实现如本申请第一实施例所述的边界卷积计算方法的步骤。
以上结合具体实施方式和范例性实例对本申请进行了详细说明，不过这些说明并不能理解为对本申请的限制。本领域技术人员理解，在不偏离本申请精神和范围的情况下，可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。
Claims (10)
1.一种边界卷积计算方法，其特征在于，包括：
加载当前图像；
判断所述当前图像是否为整个图像的第一部分图像；
若是，则针对所述当前图像执行卷积计算，并将所述当前图像中的边界元素存储至内部存储模块；
若不是，则取出所述内部存储模块中存储的目标邻近图像的边界元素，将所述目标邻近图像的边界元素按位置大小合并至所述当前图像中，针对得到的合并图像执行卷积计算，并将所述合并图像中的边界元素存储至内部存储模块，其中，所述目标邻近图像为与所述当前图像相邻的图像，所述目标邻近图像与所述当前图像之间不存在重复的元素。
2.根据权利要求1所述的边界卷积计算方法，其特征在于，在加载当前图像之前，所述方法还包括：
根据卷积核的尺寸，获取所述边界元素在每一部分图像中所处的位置，其中，若所述卷积核的尺寸为n×n，则所述边界元素在所述每一部分图像中所处的位置为倒数n-1行和/或倒数n-1列。
3.根据权利要求2所述的边界卷积计算方法，其特征在于，所述目标邻近图像包括行邻近图像和/或列邻近图像，其中，所述行邻近图像位于所述当前图像同一列的前一行，所述列邻近图像位于所述当前图像同一行的前一列。
4.根据权利要求3所述的边界卷积计算方法，其特征在于，所述将所述目标邻近图像的边界元素按位置大小合并至所述当前图像中，包括：
若所述目标邻近图像仅包括行邻近图像，则将所述目标邻近图像中倒数n-1行的元素添加到所述当前图像的首行之前；
或者，若所述目标邻近图像仅包括列邻近图像，则将所述目标邻近图像中倒数n-1列的元素添加到所述当前图像的首列之前；
或者，若所述目标邻近图像包括行邻近图像及列邻近图像，则将所述行邻近图像中倒数n-1行的元素添加到所述当前图像的首行之前，以及将所述列邻近图像中倒数n-1列的元素添加到所述当前图像的首列之前。
5.一种边界卷积计算装置，其特征在于，所述装置应用于权利要求1-4任一项所述的边界卷积计算方法，所述边界卷积计算装置包括：
加载模块，用于加载当前图像；
判断模块，用于判断所述当前图像是否为整个图像的第一部分图像；
第一卷积计算模块，用于在所述当前图像是整个图像的第一部分图像时，针对所述当前图像执行卷积计算，并将当前图像中的边界元素存储至内部存储模块；
第二卷积计算模块，用于在所述当前图像不是整个图像的第一部分图像时，取出所述内部存储模块中存储的目标邻近图像的边界元素，将所述目标邻近图像的边界元素按位置大小合并至所述当前图像中，针对得到的合并图像执行卷积计算，并将所述合并图像中的边界元素存储至内部存储模块，其中，所述目标邻近图像为与所述当前图像相邻的图像，所述目标邻近图像与所述当前图像之间不存在重复的元素。
6.根据权利要求5所述的边界卷积计算装置，其特征在于，所述边界卷积计算装置还包括：
边界元素确定模块，用于在加载当前图像之前，根据卷积核的尺寸，获取所述边界元素在每一部分图像中所处的位置，其中，若所述卷积核的尺寸为n×n，则所述边界元素在所述每一部分图像中所处的位置为倒数n-1行及倒数n-1列。
7.根据权利要求6所述的边界卷积计算装置，其特征在于，所述目标邻近图像包括行邻近图像和/或列邻近图像，其中，所述行邻近图像位于所述当前图像同一列的前一行，所述列邻近图像位于所述当前图像同一行的前一列。
8.根据权利要求7所述的边界卷积计算装置，其特征在于，所述第二卷积计算模块在执行将所述目标邻近图像的边界元素按位置大小合并至所述当前图像中的步骤时，通过以下三个单元执行：
行合并单元，用于在所述目标邻近图像仅包括行邻近图像时，将所述目标邻近图像中倒数n-1行的元素添加到所述当前图像的首行之前；
列合并单元，用于在所述目标邻近图像仅包括列邻近图像时，将所述目标邻近图像中倒数n-1列的元素添加到所述当前图像的首列之前；
共同合并单元，用于在所述目标邻近图像包括行邻近图像及列邻近图像时，将所述行邻近图像中倒数n-1行的元素添加到所述当前图像的首行之前，以及将所述列邻近图像中倒数n-1列的元素添加到所述当前图像的首列之前。
9.一种计算机设备，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1-4任一项所述的边界卷积计算方法的步骤。
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，所述计算机程序被处理执行时实现如权利要求1-4任一项所述的边界卷积计算方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011097227.4A CN112231627B (zh) | 2020-10-14 | 2020-10-14 | 边界卷积计算方法、装置、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011097227.4A CN112231627B (zh) | 2020-10-14 | 2020-10-14 | 边界卷积计算方法、装置、计算机设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112231627A true CN112231627A (zh) | 2021-01-15 |
| CN112231627B CN112231627B (zh) | 2024-07-26 |
Family
ID=74112796
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011097227.4A Active CN112231627B (zh) | 2020-10-14 | 2020-10-14 | 边界卷积计算方法、装置、计算机设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112231627B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180025256A1 (en) * | 2015-10-20 | 2018-01-25 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for recognizing character string in image |
| CN107909602A (zh) * | 2017-12-08 | 2018-04-13 | 长沙全度影像科技有限公司 | 一种基于深度学习的运动边界估计方法 |
| US20190180154A1 (en) * | 2017-12-13 | 2019-06-13 | Abbyy Development Llc | Text recognition using artificial intelligence |
| CN110555847A (zh) * | 2019-07-31 | 2019-12-10 | 瀚博半导体(上海)有限公司 | 一种基于卷积神经网络的图像处理方法及装置 |
| US20200117937A1 (en) * | 2018-10-16 | 2020-04-16 | Samsung Electronics Co., Ltd. | Convolutional neural network for object detection |
-
2020
- 2020-10-14 CN CN202011097227.4A patent/CN112231627B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180025256A1 (en) * | 2015-10-20 | 2018-01-25 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for recognizing character string in image |
| CN107909602A (zh) * | 2017-12-08 | 2018-04-13 | 长沙全度影像科技有限公司 | 一种基于深度学习的运动边界估计方法 |
| US20190180154A1 (en) * | 2017-12-13 | 2019-06-13 | Abbyy Development Llc | Text recognition using artificial intelligence |
| US20200117937A1 (en) * | 2018-10-16 | 2020-04-16 | Samsung Electronics Co., Ltd. | Convolutional neural network for object detection |
| CN110555847A (zh) * | 2019-07-31 | 2019-12-10 | 瀚博半导体(上海)有限公司 | 一种基于卷积神经网络的图像处理方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 刘进锋;: "几种CUDA加速高斯滤波算法的比较", 计算机工程与应用, 29 July 2013 (2013-07-29), pages 14 - 18 * |
| 程伟 等: "基于小波变换的高分辨率遥感图像复原算法实现", 大气与环境光学学报, 15 September 2015 (2015-09-15), pages 401 - 407 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112231627B (zh) | 2024-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108573305B (zh) | 一种数据处理方法、设备及装置 | |
| US10642622B2 (en) | Arithmetic processing device and control method of the arithmetic processing device | |
| CN110555847B (zh) | 一种基于卷积神经网络的图像处理方法及装置 | |
| US10713042B2 (en) | Arithmetic processing device and control method for arithmetic processing device | |
| US10922785B2 (en) | Processor and method for scaling image | |
| EP4227886A1 (en) | Matrix operation method and apparatus for image data, device, and storage medium | |
| CN110517186B (zh) | 消除发票印章的方法、装置、存储介质和计算机设备 | |
| CN111951269B (zh) | 图像处理方法及相关设备 | |
| CN108288252B (zh) | 图像批处理方法、装置及电子设备 | |
| US20240096078A1 (en) | Method and system for optimizing convolutional residual structure of neural network, device, and medium | |
| CN115933994A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
| CN111428189A (zh) | 一种用于反卷积运算的数据预处理方法及装置 | |
| CN112231627B (zh) | 边界卷积计算方法、装置、计算机设备及可读存储介质 | |
| CN111931123B (zh) | 边界卷积计算方法、装置、硬件加速器及计算机设备 | |
| CN114548358A (zh) | 计算方法和装置 | |
| US11106935B2 (en) | Pooling method and device, pooling system, computer-readable storage medium | |
| EP3591608A1 (en) | Method and system for image reconstruction using deep dictionary learning (ddl) | |
| CN116152037A (zh) | 图像反卷积方法和设备、存储介质 | |
| CN111680289B (zh) | 一种链式哈希栈运算方法及装置 | |
| US11663453B2 (en) | Information processing apparatus and memory control method | |
| CN111831207B (zh) | 一种数据处理方法、装置及其设备 | |
| CN110930290B (zh) | 一种数据处理方法及装置 | |
| CN116071220B (zh) | 一种图像窗口数据处理方法、装置、设备及介质 | |
| CN115049685B (zh) | 区域生长图像分割方法、装置、计算机设备及存储介质 | |
| CN113111891B (zh) | 一种图像重建方法、装置、终端设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |