CN112541929A - 一种用于卷积神经网络的图像处理方法及系统 - Google Patents
一种用于卷积神经网络的图像处理方法及系统 Download PDFInfo
- Publication number
- CN112541929A CN112541929A CN202110098558.8A CN202110098558A CN112541929A CN 112541929 A CN112541929 A CN 112541929A CN 202110098558 A CN202110098558 A CN 202110098558A CN 112541929 A CN112541929 A CN 112541929A
- Authority
- CN
- China
- Prior art keywords
- image block
- image
- data
- width
- block
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 28
- 238000003672 processing method Methods 0.000 title description 5
- 239000000872 buffer Substances 0.000 claims abstract description 39
- 230000000903 blocking effect Effects 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种用于卷积神经网络的图像分块方法。将三维图像A在宽度上进行分块。将多个图像块分别保存在相同数量的多个缓存器中。设置每个图像块的左边增加部分和右边增加部分及其读取方式。当需要读取某个图像块的左边增加部分或右边增加部分的数据时,从该图像块的左边或右边一个图像块对应的缓存器中读取。本申请对图像宽度上分块时,图像块之间的重合部分不重复写入存储中,通过设置左边增加部分、右边增加部分的读取策略实现图像块之间的重合部分的图像数据共享。这种方法特别适用于FPGA的卷积神经网络量化实现。
Description
技术领域
本申请涉及一种用于卷积神经网络的图像处理方法,特别是涉及一种用于卷积神经网络的图像分块方法。
背景技术
深度学习的卷积神经网络借助于硬件来实现时,中间数据存储和运算量大,导致处理速度较慢,系统实时性较差。而实际应用场合(如人脸检测)对实时性要求比较高,尤其在图像数据较大的情况下,传统的对图像数据进行顺序计算处理的模式满足不了实时性的要求。同样的神经网络架构的处理效率与处理图像的尺寸成反比。现有技术是将图像在宽度上分块,将一张图像分割成若干个小的图像块,同时分别由多个FPGA(field-programmable gate array,现场可编程逻辑门阵列)实现对若干个小的图像块的并行处理,以提高图像处理速度,提高神经网络的整体处理效率,满足实时性的需求。
申请公布号为CN111010497A、申请公布日为2020年4月14日的中国发明专利申请《一种基于FPGA的CLAHE透雾增强并行运算方法》中,将一幅图像等分为若干块,不考虑分块图像的重合部分,处理时分割的图像块的数据互不干扰。该方案如用卷积神经网络实现,会导致处理结果丢失数据。
申请公布号为CN104104888A、申请公布日为2014年10月15日的中国发明专利申请《一种并行多核FPGA数字图像实时缩放处理方法和装置》中,将图像分割为图像子块时,图像子块之间有重合部分,且重合部分写入每个图像子块的缓存器中,处理时考虑重合部分对计算结果的影响。该方案如用卷积神经网络实现,保证了结果的正确性,但是对存储空间的需求增大了。由于重合部分重复写入每个图像子块的缓存器中,对于同样大小的图像需要更多的缓存器资源,同时对图像写入效率也有较大影响。对于大尺寸的图像,重合部分占实际图片尺寸的较小比例,对FPGA的存储资源影响比较小,对写入效率影响较小。对于小尺寸的图像,重合部分占实际图片尺寸的较大比例,对FPGA的存储资源影响比较大,对写入效率的影响也较大。
发明内容
本申请所要解决的技术问题是提出一种在不增加存储空间的情况下,在图像宽度上的分块方法,以提高图像写入效率。
为解决上述技术问题,本申请提出了一种用于卷积神经网络的图像分块方法,包括如下步骤。步骤S10:将三维图像A在宽度上进行分块。步骤S20:将多个图像块分别保存在相同数量的多个缓存器中。步骤S30:设置每个图像块的左边增加部分和右边增加部分及其读取方式。除第一个图像块以外,每个图像块的左边增加部分为该图像块的左边一个图像块在宽度方向上的最后p_l宽度的三维图像数据;当需要读取某个图像块的左边增加部分的数据时,从该图像块的左边一个图像块对应的缓存器中读取该图像块的左边一个图像块在宽度方向上的最后p_l宽度的三维图像数据。除最后一个图像块以外,每个图像块的右边增加部分为该图像块的右边一个图像块在宽度方向上的开始p_r宽度的三维图像数据;当需要读取某个图像块的右边增加部分的数据时,从该图像块的右边一个图像块对应的缓存器中读取该图像块的右边一个图像块在宽度方向上的最开始p_r宽度的三维图像数据。当需要读取某个图像块的数据时,从该图像块对应的缓存器中读取该图像块的三维图像数据。上述方法在对图像宽度上分块时,图像块之间的重合部分不重复写入存储器中,通过设置左边增加部分、右边增加部分的读取策略实现图像块之间的重合部分的图像数据共享。这种方法特别适用于FPGA的卷积神经网络量化实现。
进一步地,所述步骤S10中,将三维图像A在图像宽度上分成n块,前面的n-1个图像块的宽度均为w_cas,最后一个图像块的宽度为w_end,w_end≤w_cas。这是步骤S10的一种具体实现方式。
进一步地,三维图像A的宽度记为w,高度记为h,深度记为d;所述步骤S20中,每个缓存器只用来存储宽度为w_cas、高度为h、深度为d的三维图像块。因此本申请不会增加图像的整体存储空间。
进一步地,所述步骤S30中,第一个图像块无左边图像块,因此第一个图像块的左边增加部分填充数据0。这是步骤S30的一种特殊情况说明。
进一步地,所述步骤S30中,最后一个图像块无右边图像块,因此最后一个图像块的右边增加部分填充数据0。这是步骤S30的另一种特殊情况说明。
进一步地,所述步骤S30中,图像块Ak在宽度方向上的最开始p_r宽度的三维图像数据作为图像块A(k-1)的右边增加部分,图像块Ak在宽度方向上的最后p_l宽度的三维图像数据作为图像块A(k+1)的左边增加部分。这是步骤S30的详细说明之一。
进一步地,所述步骤S30中,图像块Ak的左边增加部分是图像块A(k-1)在宽度方向上的最后p_l宽度的三维图像数据,图像块Ak的右边增加部分是图像块A(k+1)在宽度方向上的最开始p_r宽度的三维图像数据。这是步骤S30的详细说明之二。
进一步地,所述步骤S30中,读取某个图像块Ak的左边增加部分的数据时,等同于读取该图像块Ak的左边一个图像块A(k-1)的最右端p_l宽度内的数据;此时pad_l信号处于使能状态,表示将读取的数据给相邻后一个图像块的数据通路。这是步骤S30的详细说明之三。
进一步地,所述步骤S30中,读取某个图像块Ak的右边增加部分的数据时,等同于读取该图像块Ak的右边一个图像块A(k+1)的最左端的p_r宽度内的数据,此时pad_r信号处于使能状态,表示将读取的数据给相邻前一个图像块的数据通路。这是步骤S30的详细说明之四。
本申请还提出了一种用于卷积神经网络的图像分块系统,包括分块单元、存储单元和读取单元。所述分块单元用于将三维图像A在宽度上进行分块。所述存储单元用来将多个图像块分别保存在相同数量的多个缓存器中。所述读取单元用来设置每个图像块的左边增加部分和右边增加部分及其读取方式。除第一个图像块以外,每个图像块的左边增加部分为该图像块的左边一个图像块在宽度方向上的最后p_l宽度的三维图像数据;在需要读取某个图像块的左边增加部分的数据时,所述读取单元从该图像块的左边一个图像块对应的缓存器中读取该图像块的左边一个图像块在宽度方向上的最后p_l宽度的三维图像数据。除最后一个图像块以外,每个图像块的右边增加部分为该图像块的右边一个图像块在宽度方向上的开始p_r宽度的三维图像数据;所述读取单元还用来在需要读取某个图像块的右边增加部分的数据时,从该图像块的右边一个图像块对应的缓存器中读取该图像块的右边一个图像块在宽度方向上的最开始p_r宽度的三维图像数据;所述读取单元还用来在需要读取某个图像块的数据时,从该图像块对应的缓存器中读取该图像块的三维图像数据。上述系统在对图像宽度上分块时,图像块之间的重合部分不重复写入存储器中,通过设置左边增加部分、右边增加部分的读取策略实现图像块之间的重合部分的图像数据共享。这种系统特别适用于FPGA的卷积神经网络量化实现。
本申请取得的技术效果是:通过对图像分块提高处理效率;通过设置每个图像块的左边增加部分、右边增加部分,实现每个图像块与其前、后相邻图像块的部分数据共享,且图像数据避免重复存储,因此不增加图像存储空间;实现图片无丢失结果的分块处理。
附图说明
图1是本申请提出的用于卷积神经网络的图像分块方法的流程图。
图2是三维图像A的示意图。
图3是对三维图像A在宽度上分块后的n个图像块的示意图。
图4是多个图像块的读取方式示意图。
图5是本申请提出的用于卷积神经网络的图像分块系统的结构示意图。
图中附图标记说明:10为分块单元、20为存储单元、30为读取单元。
具体实施方式
请参阅图1,本申请提出的用于卷积神经网络的图像分块方法包括如下步骤。
步骤S10:将三维图像A在宽度上进行分块。请参阅图2,三维图像A的宽度记为w,高度记为h,深度记为d。这一步例如是将三维图像A在图像宽度上分成n块,前面的n-1个图像块A1至A(n-1)的宽度均为w_cas,最后一个图像块An的宽度为w_end,w_end≤w_cas。请参阅图3,这是n个图像块的示意图。
图像分块并不是只能在图像宽度上进行分块,也可以使用同样的模式在图像高度上进行分块,只是图像宽度上分块并行处理对硬件存储空间的要求比较小。例如如果用于图像卷积的权重是3(宽度)×3(高度),如果在图像宽度上分为n块,则每个图像块的缓存存储空间最小为3×(w/n)*d;如果在图像高度上分为n块,则每个图像块的缓存存储空间最小是3×w*d;因此在图像宽度上进行分块有利于减小存储空间。
步骤S20:将n个图像块分别保存在n个缓存器(buffer)中。请参阅图5,每个图像块对应的缓存器中仅存储该图像块的宽度为w_cas、高度为h,深度为d的三维图像数据。对最后一个图像块而言,缓存器大小仍是满足存储宽度为w_cas、高度为h、深度为d的三维图像块,只是宽度为w_cas-w_end的存储空间跳过不存储数据。因此每个缓存器只需满足存储宽度为w_cas、高度为h、深度为d的三维图像块即可。
步骤S30:设置每个图像块的左边增加部分和右边增加部分,并设置读取方式。
每个图像块的左边增加部分是指:除第一个图像块A1以外,每个图像块Ak的左边增加部分为该图像块Ak的左边一个图像块A(k-1)在宽度方向上的最后p_l宽度、高度为h,深度为d的三维图像数据。第一个图像块A1无左边图像块,因此第一个图像块A1的左边增加部分填充数据0。
每个图像块的右边增加部分是指:除最后一个图像块An以外,每个图像块Ak的右边增加部分为该图像块Ak的右边一个图像块A(k+1)在宽度方向上的开始p_r宽度、高度为h,深度为d的三维图像数据。最后一个图像块An无右边图像块,因此最后一个图像块An的右边增加部分填充数据0。
当需要读取某个图像块Ak的左边增加部分的数据时,实际读取该图像块Ak的左边一个图像块A(k-1)在宽度方向上的最后p_l宽度的三维图像数据。读取位置是该图像块Ak的左边一个图像块A(k-1)对应的缓存器。
当需要读取某个图像块Ak的右边增加部分的数据时,实际读取该图像块Ak的右边一个图像块A(k+1)在宽度方向上的最开始p_r宽度的三维图像数据。读取位置是该图像块Ak的右边一个图像块A(k+1)对应的缓存器。
当需要读取某个图像块Ak的数据时,实际读取该图像块Ak的三维图像数据。读取位置是该图像块Ak对应的缓存器,正常寻址。
请参阅图4,每个图像块在对应的缓存器中存储的都是宽度为w_cas、高度为h、深度为d的三维图像数据。以图像块A2为例,图像块A2在宽度方向上的最开始p_r宽度的三维图像数据作为图像块A1的右边增加部分,图像块A2在宽度方向上的最后p_l宽度的三维图像数据作为图像块A3的左边增加部分。相应地,图像块A2的左边增加部分是图像块A1在宽度方向上的最后p_l宽度的三维图像数据,图像块A2的右边增加部分是图像块A3在宽度方向上的最开始p_r宽度的三维图像数据。因此读取某个图像块Ak的左边增加部分的数据时,等同于读取该图像块Ak的左边一个图像块A(k-1)的最右端p_l宽度内的数据;此时pad_l信号处于使能状态,表示将读取的数据给相邻后一个图像块的数据通路。读取某个图像块Ak的右边增加部分的数据时,等同于读取该图像块Ak的右边一个图像块A(k+1)的最左端的p_r宽度内的数据,此时pad_r信号处于使能状态,表示将读取的数据给相邻前一个图像块的数据通路。
请参阅图5,本申请提出的用于卷积神经网络的图像分块系统包括分块单元10、存储单元20和读取单元30。
所述分块单元10用于将三维图像A在宽度上进行分块。三维图像A的宽度记为w,高度记为h,深度记为d。所述分块单元10例如是将三维图像A在图像宽度上分成n块,前面的n-1个图像块A1至A(n-1)的宽度均为w_cas,最后一个图像块An的宽度为w_end,w_end≤w_cas。
所述存储单元20用来将n个图像块分别保存在n个缓存器中。每个图像块对应的缓存器中仅存储该图像块的宽度为w_cas、高度为h,深度为d的三维图像数据。对最后一个图像块而言,缓存器大小仍是满足存储宽度为w_cas、高度为h、深度为d的三维图像块,只是宽度为w_cas-w_end的存储空间跳过不存储数据。因此每个缓存器只需满足存储宽度为w_cas、高度为h、深度为d的三维图像块即可。
所述读取单元30用来设置每个图像块的左边增加部分和右边增加部分,并设置读取方式。每个图像块的左边增加部分是指:除第一个图像块A1以外,每个图像块Ak的左边增加部分为该图像块Ak的左边一个图像块A(k-1)在宽度方向上的最后p_l宽度、高度为h,深度为d的三维图像数据。第一个图像块A1无左边图像块,因此第一个图像块A1的左边增加部分填充数据0。每个图像块的右边增加部分是指:除最后一个图像块An以外,每个图像块Ak的右边增加部分为该图像块Ak的右边一个图像块A(k+1)在宽度方向上的开始p_r宽度、高度为h,深度为d的三维图像数据。最后一个图像块An无右边图像块,因此最后一个图像块An的右边增加部分填充数据0。在需要读取某个图像块Ak的左边增加部分的数据时,实际读取该图像块Ak的左边一个图像块A(k-1)在宽度方向上的最后p_l宽度的三维图像数据。读取位置是该图像块Ak的左边一个图像块A(k-1)对应的缓存器。所述读取单元50还用来在需要读取某个图像块Ak的右边增加部分的数据时,实际读取该图像块Ak的右边一个图像块A(k+1)在宽度方向上的最开始p_r宽度的三维图像数据。读取位置是该图像块Ak的右边一个图像块A(k+1)对应的缓存器。所述读取单元50还用来在需要读取某个图像块Ak的数据时,实际读取该图像块Ak的三维图像数据。读取位置是该图像块Ak对应的缓存器,正常寻址。
本申请提出的用于卷积神经网络的图像处理方法及系统具有如下有益效果。
第一,通过对图像分块提高处理效率,将一张图像分成n块并行处理比一张图片串行处理的效率提高n倍左右。
第二,通过每个图像块的左边增加部分、右边增加部分,实现每个图像块与其前、后相邻图像块的部分数据共享,每个图像块的左边增加部分、右边增加部分可从其前、后相邻图像块获取,无需重复存储,因此不增加图像存储空间。
第三,实现图片无丢失结果的分块处理。传统的图像分块为减少重合部分的存储,会忽略重合部分数据的处理。本申请通过左边增加部分、右边增加部分记录图像块之间的重合部分,在不增加图像存储空间的情况下实现了不丢失图像块之间的重合部分的处理数据。
以上仅为本申请的优选实施例,并不用于限定本申请。对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种用于卷积神经网络的图像分块方法,其特征是,包括如下步骤;
步骤S10:将三维图像A在宽度上进行分块;
步骤S20:将多个图像块分别保存在相同数量的多个缓存器中;
步骤S30:设置每个图像块的左边增加部分和右边增加部分及其读取方式;
除第一个图像块以外,每个图像块的左边增加部分为该图像块的左边一个图像块在宽度方向上的最后p_l宽度的三维图像数据;当需要读取某个图像块的左边增加部分的数据时,从该图像块的左边一个图像块对应的缓存器中读取该图像块的左边一个图像块在宽度方向上的最后p_l宽度的三维图像数据;
除最后一个图像块以外,每个图像块的右边增加部分为该图像块的右边一个图像块在宽度方向上的开始p_r宽度的三维图像数据;当需要读取某个图像块的右边增加部分的数据时,从该图像块的右边一个图像块对应的缓存器中读取该图像块的右边一个图像块在宽度方向上的最开始p_r宽度的三维图像数据;
当需要读取某个图像块的数据时,从该图像块对应的缓存器中读取该图像块的三维图像数据。
2.根据权利要求1所述的用于卷积神经网络的图像分块方法,其特征是,所述步骤S10中,将三维图像A在图像宽度上分成n块,前面的n-1个图像块的宽度均为w_cas,最后一个图像块的宽度为w_end,w_end≤w_cas。
3.根据权利要求2所述的用于卷积神经网络的图像分块方法,其特征是,三维图像A的宽度记为w,高度记为h,深度记为d;所述步骤S20中,每个缓存器只用来存储宽度为w_cas、高度为h、深度为d的三维图像块。
4.根据权利要求1所述的用于卷积神经网络的图像分块方法,其特征是,所述步骤S30中,第一个图像块无左边图像块,因此第一个图像块的左边增加部分填充数据0。
5.根据权利要求1所述的用于卷积神经网络的图像分块方法,其特征是,所述步骤S30中,最后一个图像块无右边图像块,因此最后一个图像块的右边增加部分填充数据0。
6.根据权利要求1所述的用于卷积神经网络的图像分块方法,其特征是,所述步骤S30中,图像块Ak在宽度方向上的最开始p_r宽度的三维图像数据作为图像块A(k-1)的右边增加部分,图像块Ak在宽度方向上的最后p_l宽度的三维图像数据作为图像块A(k+1)的左边增加部分。
7.根据权利要求6所述的用于卷积神经网络的图像分块方法,其特征是,所述步骤S30中,图像块Ak的左边增加部分是图像块A(k-1)在宽度方向上的最后p_l宽度的三维图像数据,图像块Ak的右边增加部分是图像块A(k+1)在宽度方向上的最开始p_r宽度的三维图像数据。
8.根据权利要求7所述的用于卷积神经网络的图像分块方法,其特征是,所述步骤S30中,读取某个图像块Ak的左边增加部分的数据时,等同于读取该图像块Ak的左边一个图像块A(k-1)的最右端p_l宽度内的数据;此时pad_l信号处于使能状态,表示将读取的数据给相邻后一个图像块的数据通路。
9.根据权利要求7所述的用于卷积神经网络的图像分块方法,其特征是,所述步骤S30中,读取某个图像块Ak的右边增加部分的数据时,等同于读取该图像块Ak的右边一个图像块A(k+1)的最左端的p_r宽度内的数据,此时pad_r信号处于使能状态,表示将读取的数据给相邻前一个图像块的数据通路。
10.一种用于卷积神经网络的图像分块系统,其特征是,包括分块单元、存储单元和读取单元;
所述分块单元用于将三维图像A在宽度上进行分块;
所述存储单元用来将多个图像块分别保存在相同数量的多个缓存器中;
所述读取单元用来设置每个图像块的左边增加部分和右边增加部分及其读取方式;
除第一个图像块以外,每个图像块的左边增加部分为该图像块的左边一个图像块在宽度方向上的最后p_l宽度的三维图像数据;在需要读取某个图像块的左边增加部分的数据时,所述读取单元从该图像块的左边一个图像块对应的缓存器中读取该图像块的左边一个图像块在宽度方向上的最后p_l宽度的三维图像数据;
除最后一个图像块以外,每个图像块的右边增加部分为该图像块的右边一个图像块在宽度方向上的开始p_r宽度的三维图像数据;所述读取单元还用来在需要读取某个图像块的右边增加部分的数据时,从该图像块的右边一个图像块对应的缓存器中读取该图像块的右边一个图像块在宽度方向上的最开始p_r宽度的三维图像数据;
所述读取单元还用来在需要读取某个图像块的数据时,从该图像块对应的缓存器中读取该图像块的三维图像数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110098558.8A CN112541929A (zh) | 2021-01-25 | 2021-01-25 | 一种用于卷积神经网络的图像处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110098558.8A CN112541929A (zh) | 2021-01-25 | 2021-01-25 | 一种用于卷积神经网络的图像处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112541929A true CN112541929A (zh) | 2021-03-23 |
Family
ID=75017257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110098558.8A Pending CN112541929A (zh) | 2021-01-25 | 2021-01-25 | 一种用于卷积神经网络的图像处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541929A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991144A (zh) * | 2021-05-10 | 2021-06-18 | 同方威视技术股份有限公司 | 针对神经网络的图像数据进行分块的方法和系统 |
CN113933111A (zh) * | 2021-09-30 | 2022-01-14 | 南京大学 | 一种实现图像尺寸放大的上采样装置及其方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485647A (zh) * | 2016-10-09 | 2017-03-08 | 广东中星电子有限公司 | 一种数据存取方法及装置 |
CN110770740A (zh) * | 2018-09-30 | 2020-02-07 | 深圳市大疆创新科技有限公司 | 基于卷积神经网络的图像处理方法和设备,以及无人机 |
CN111028360A (zh) * | 2018-10-10 | 2020-04-17 | 芯原微电子(上海)股份有限公司 | 一种3d图像处理中数据读写方法及系统、存储介质及终端 |
CN111738276A (zh) * | 2020-06-19 | 2020-10-02 | 浪潮(北京)电子信息产业有限公司 | 基于多核卷积神经网络的图像处理方法、装置及设备 |
-
2021
- 2021-01-25 CN CN202110098558.8A patent/CN112541929A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485647A (zh) * | 2016-10-09 | 2017-03-08 | 广东中星电子有限公司 | 一种数据存取方法及装置 |
CN110770740A (zh) * | 2018-09-30 | 2020-02-07 | 深圳市大疆创新科技有限公司 | 基于卷积神经网络的图像处理方法和设备,以及无人机 |
CN111028360A (zh) * | 2018-10-10 | 2020-04-17 | 芯原微电子(上海)股份有限公司 | 一种3d图像处理中数据读写方法及系统、存储介质及终端 |
CN111738276A (zh) * | 2020-06-19 | 2020-10-02 | 浪潮(北京)电子信息产业有限公司 | 基于多核卷积神经网络的图像处理方法、装置及设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991144A (zh) * | 2021-05-10 | 2021-06-18 | 同方威视技术股份有限公司 | 针对神经网络的图像数据进行分块的方法和系统 |
CN113933111A (zh) * | 2021-09-30 | 2022-01-14 | 南京大学 | 一种实现图像尺寸放大的上采样装置及其方法 |
CN113933111B (zh) * | 2021-09-30 | 2022-08-19 | 南京大学 | 一种实现图像尺寸放大的上采样装置及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11500586B2 (en) | Data read-write method and apparatus and circular queue | |
CN112541929A (zh) | 一种用于卷积神经网络的图像处理方法及系统 | |
US8704840B2 (en) | Memory system having multiple address allocation formats and method for use thereof | |
EP3236420A1 (en) | Multi level display control list in tile based 3d computer graphics system | |
EP2380139A1 (en) | Display list control stream grouping in tile based 3d computer graphics system | |
CN109886866B (zh) | 一种自适应仿射变换处理方法及装置 | |
US10929965B2 (en) | Histogram statistics circuit and multimedia processing system | |
CN110708609A (zh) | 一种视频播放方法及装置 | |
CN108377394A (zh) | 视频编码器的图像数据读取方法、计算机装置及计算机可读存储介质 | |
CN113015003A (zh) | 视频帧缓存方法和设备 | |
US7586495B2 (en) | Rendering multiple clear rectangles using a pre-rendered depth buffer | |
JP2015109037A (ja) | 画像処理装置 | |
CN108139975B (zh) | 用于用分割索引对高速缓存进行寻址的系统和方法 | |
US20200327638A1 (en) | Connected component detection method, circuit, device and computer-readable storage medium | |
US6954207B2 (en) | Method and apparatus for processing pixels based on segments | |
CN109727206B (zh) | 一种二值图像中值滤波的快速计算方法以及其实现方法 | |
CN111538677A (zh) | 数据处理方法及装置 | |
US6801209B1 (en) | Method and apparatus for storing data in a block-based memory arrangement | |
CN113689407A (zh) | 图像校正方法及相关设备 | |
JPH04368086A (ja) | フレーム列画像圧縮方法及びシステム並びにフレーム再構成方法及びシステム | |
CN113554095B (zh) | 特征图处理方法、装置及计算机设备 | |
CN114219700B (zh) | 一种图像处理方法、系统、设备及介质 | |
US20240161493A1 (en) | Image processing device and image processing method | |
US20170330306A1 (en) | Distorted image correcting apparatus and method | |
CN114359029B (zh) | 图像处理方法及其装置、系统、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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210330 Address after: Room 1903, no.800, Huanhu West 2nd Road, Pudong New Area, Shanghai, 201306 Applicant after: Aojie Intelligent Technology (Shanghai) Co.,Ltd. Address before: 9 / F, building 10, No. 399, Keyuan Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai, 201203 Applicant before: Aojie Technology Co., Ltd |