TW202044130A - 卷積神經網路系統 - Google Patents
卷積神經網路系統 Download PDFInfo
- Publication number
- TW202044130A TW202044130A TW108118527A TW108118527A TW202044130A TW 202044130 A TW202044130 A TW 202044130A TW 108118527 A TW108118527 A TW 108118527A TW 108118527 A TW108118527 A TW 108118527A TW 202044130 A TW202044130 A TW 202044130A
- Authority
- TW
- Taiwan
- Prior art keywords
- neural network
- convolutional neural
- network system
- layer
- stage
- Prior art date
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
一種卷積神經網路方法包含:決定一暫時緩衝層,其位於卷積神經網路系統的第一層與最終層之間;於第一階段,從卷積神經網路系統的第一層至暫時緩衝層,根據該暫時緩衝層之前層級的部分輸入資料,執行卷積操作以產生一特徵圖線;及於第二階段,從卷積神經網路系統的暫時緩衝層至最終層,執行卷積操作以產生一特徵圖。
Description
本發明係有關一種神經網路,特別是關於一種二階段基於線之特徵圖(line-based feature map)的卷積神經網路(CNN)方法與系統。
卷積神經網路(convolutional neural network, CNN)是深層神經網路的一種,其使用卷積層對輸入進行過濾,以獲得有用訊息。卷積層的過濾器可根據所學習的參數進行修改,以萃取得到特定工作的最有用訊息。卷積神經網路通常可適用於分類、偵測與辨識,例如影像分類、醫學影像分析及影像/視訊辨識。
卷積神經網路的卷積操作包含模型權重(model weighting)與特徵圖(feature map)之間的相乘-相加操作,是一種資料密集(data-intensive)運算。於硬體的實施方面,大量的特徵圖資料需要緩衝於記憶體(例如靜態隨機存取記憶體)當中,以確保卷積神經網路的硬體加速器可即時取得特徵圖資料,以進行下一層級的卷積操作。由於特徵圖的大小正比於輸入影像尺寸,因此對於較大尺寸的輸入影像,則需要更多的靜態隨機存取記憶體。
單次偵測器(single shot detector, SSD),例如you only look once單次偵測器,由於其高圖框率(frame rate)與高效能,因此有愈來愈普遍的趨勢,且勝過傳統基於滑動式視窗(sliding-window-based)偵測器。於傳統具單次偵測器的卷積神經網路,硬體加速器需要三倍於特徵圖大小的靜態隨機存取記憶體,以確保於最壞情況下可正確儲存特徵圖。因此,傳統具單次偵測器的卷積神經網路需要非常多的靜態隨機存取記憶體,才能維持其高圖框率與高效能。
因此亟需提出一種新穎的卷積神經網路方法與系統,其需求較少記憶體且不會犧牲圖框率與效能。
鑑於上述,本發明實施例的目的之一在於提出一種二階段基於線之特徵圖的卷積神經網路(CNN)方法與系統,可大量降低所需記憶體。
根據本發明實施例,卷積神經網路方法包含以下步驟。決定一暫時緩衝層,其位於卷積神經網路系統的第一層與最終層之間。於第一階段,從卷積神經網路系統的第一層至暫時緩衝層,根據暫時緩衝層之前層級的部分輸入資料,執行卷積操作以產生一特徵圖線。於第二階段,從卷積神經網路系統的暫時緩衝層至最終層,執行卷積操作以產生一特徵圖。
第一圖顯示本發明實施例之二階段卷積神經網路(CNN)方法100的流程圖。第二A圖顯示本發明實施例之基於線之特徵圖(line-based feature map)的卷積神經網路(CNN)系統200的方塊圖。
在本實施例中,卷積神經網路系統200可包含處理器21,用以執行卷積神經網路相關的(或卷積)操作。本實施例之卷積神經網路系統200可包含記憶體22,用以儲存處理器21所產生的特徵圖。記憶體22可為揮發性記憶體(例如靜態隨機存取記憶體(SRAM))。記憶體22可儲存指令,供處理器21執行。本實施例之卷積神經網路系統200可包含感測器23,例如相機,用以擷取輸入資料(例如影像資料),供處理器21處理。
第二B圖顯示第二A圖之記憶體22的配置。在本實施例中,記憶體22可分割為以下區段(section):第一階段部分特徵圖緩衝器(以下簡稱第一階段緩衝器)221、暫時(temporary)緩衝層區段(以下簡稱暫時區段)222、第二階段特徵圖緩衝器(以下簡稱第二階段緩衝器)223,及用以儲存指令的指令區段224。
於步驟11,使用離線(offline)最佳化器(optimizer)以決定暫時緩衝層,該暫時緩衝層位於卷積神經網路系統200的第一層與最終層之間。一般來說,卷積神經網路系統200的所有層級當中,具有最小資料量(包含高、寬與通道數)的層級即決定為暫時緩衝層。
接著,於步驟12,流程進入第一階段,處理器21(例如卷積神經網路硬體加速器)從卷積神經網路系統200的第一層至暫時緩衝層執行卷積操作。根據本實施例的特徵之一,處理器21可根據暫時緩衝層之前層級的部分輸入資料,以產生(或輸出)特徵圖線(feature map line),其中部分輸入資料可儲存於第一階段緩衝器221。部分輸入資料相應產生的特徵圖線一行行地儲存於暫時區段222。值得注意的是,執行第一階段的卷積操作所需時間相同於傳統(基於訊框)卷積神經網路方法所需時間,然而所需記憶空間則遠小於傳統(基於訊框)卷積神經網路方法所需記憶空間。
第三圖顯示暫時緩衝層(例如第M層)的特徵圖線(標示為點狀區域)及暫時緩衝層之前層級(例如第M-1層與第M-2層)的部分輸入資料(標示為斜線區域),其儲存於第一階段緩衝器221。在此例子中,濾波器(filter)的尺寸為3x3。
第M-1層的部分輸入資料可包含相應於特徵圖線的一條線,及其上、下各一條(水平)線。類似的情形,第M-2層的部分輸入資料可包含相應於特徵圖線的一條線,及其上、下各二條線。換句話說,層級的序號愈小,則該層級的部分輸入資料愈多。如果於層級之間執行降取樣(down-sampling),則相應於特徵圖線的上、下線的數目需乘以降取樣比例(down-sampling ratio)。一般來說,若濾波器的尺寸為(2n+1)x(2n+1),第M-P層的部分輸入資料可包含相應於特徵圖線的一條線,及其上、下各nxP條線,其中暫時緩衝層位於第M層,P為小於M的正整數。
當整個輸入資料已處理且暫時區段222已填滿特徵圖線,則流程進入步驟13的第二階段,處理器21(例如卷積神經網路硬體加速器)從卷積神經網路系統200的暫時緩衝層至最終層執行卷積操作,係以(傳統)層至層(layer-to-layer)方式執行(而非如第一階段之線至線(line-by-line)方式)。在本說明書中,層至層方式係指傳統卷積神經網路系統(從暫時緩衝層至最終層)以傳統方式執行卷積操作。其中,根據處理器21所取得的整個輸入資料,處理器21產生(或輸出)特徵圖(而非特徵圖線)。所產生的特徵圖可儲存於第二階段緩衝器223。值得注意的是,位於暫時緩衝層之後層級的特徵圖尺寸一般較位於暫時緩衝層之前層級的特徵圖尺寸來得小。
上述實施例可適用於單次偵測器(single shot detector, SSD),例如you only look once單次偵測器。第四圖例示本發明實施例之卷積神經網路系統。在一實施例中,靜態隨機存取記憶體(SRAM)的第一階段緩衝器221之尺寸為174K,暫時區段222的尺寸為48K,且第二階段緩衝器223的尺寸為48K。傳統(基於訊框的)卷積神經網路系統所需靜態隨機存取記憶體(SRAM)的尺寸為3*520K。因此,本發明實施例之基於線的卷積神經網路系統可減少大約80%的靜態隨機存取記憶體(SRAM)。
以上所述僅為本發明之較佳實施例而已,並非用以限定本發明之申請專利範圍;凡其它未脫離發明所揭示之精神下所完成之等效改變或修飾,均應包含在下述之申請專利範圍內。
100:二階段卷積神經網路方法
11:決定暫時緩衝層
12:(第一階段)根據第一層至暫時緩衝層的部分輸入資料以產生特徵圖線
13:(第二階段)從暫時緩衝層至最終層產生特徵圖
200:卷積神經網路系統
21:處理器
22:記憶體
221:第一階段緩衝器
222:暫時區段
223:第二階段緩衝器
224:指令區段
23:感測器
第一圖顯示本發明實施例之二階段卷積神經網路(CNN)方法的流程圖。
第二A圖顯示本發明實施例之基於線之特徵圖的卷積神經網路(CNN)系統的方塊圖。
第二B圖顯示第二A圖之記憶體的配置。
第三圖顯示暫時緩衝層的特徵圖線及暫時緩衝層之前層級的部分輸入資料。
第四圖例示本發明實施例之卷積神經網路系統。
100:二階段卷積神經網路方法
11:決定暫時緩衝層
12:(第一階段)根據第一層至暫時緩衝層的部分輸入資料以產生特徵圖線
13:(第二階段)從暫時緩衝層至最終層產生特徵圖
Claims (10)
- 一種卷積神經網路系統,包含: 一處理器,用以執行卷積操作; 一感測器,用以擷取輸入資料,供該處理器處理; 一記憶體,用以儲存指令,供該處理器執行; 其中該處理器執行以下步驟: 決定一暫時緩衝層,其位於該卷積神經網路系統的第一層與最終層之間; 於第一階段,從該卷積神經網路系統的第一層至該暫時緩衝層,根據該暫時緩衝層之前層級的部分輸入資料,執行卷積操作以產生一特徵圖線;及 於第二階段,從該卷積神經網路系統的該暫時緩衝層至最終層,執行卷積操作以產生一特徵圖。
- 根據申請專利範圍第1項所述之卷積神經網路系統,其中該卷積神經網路系統的所有層級當中,該暫時緩衝層具有最小資料量。
- 根據申請專利範圍第1項所述之卷積神經網路系統,其中該記憶體分割為以下區段: 一第一階段緩衝器,用以儲存該部分輸入資料; 一暫時區段,用以儲存第一階段所產生的該特徵圖線;及 一第二階段緩衝器,用以儲存第二階段所產生的該特徵圖。
- 根據申請專利範圍第3項所述之卷積神經網路系統,其中該記憶體的暫時區段已填滿時,則進入第二階段。
- 根據申請專利範圍第1項所述之卷積神經網路系統,其中該記憶體包含靜態隨機存取記憶體。
- 根據申請專利範圍第1項所述之卷積神經網路系統,其中該感測器包含一相機。
- 根據申請專利範圍第1項所述之卷積神經網路系統,其中於該第一階段,層級的序號愈小,則該層級的部分輸入資料愈多。
- 根據申請專利範圍第1項所述之卷積神經網路系統,其中於該第一階段,若濾波器的尺寸為(2n+1)x(2n+1),第M-P層的部分輸入資料包含相應於該特徵圖線的一條線,及其上、下各nxP條線,其中該暫時緩衝層位於第M層,P為小於M的正整數。
- 根據申請專利範圍第1項所述之卷積神經網路系統,其中該第二階段係以層至層方式執行。
- 根據申請專利範圍第1項所述之卷積神經網路系統,其中該卷積神經網路系統包含一單次偵測器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108118527A TWI746987B (zh) | 2019-05-29 | 2019-05-29 | 卷積神經網路系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108118527A TWI746987B (zh) | 2019-05-29 | 2019-05-29 | 卷積神經網路系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202044130A true TW202044130A (zh) | 2020-12-01 |
TWI746987B TWI746987B (zh) | 2021-11-21 |
Family
ID=74668186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108118527A TWI746987B (zh) | 2019-05-29 | 2019-05-29 | 卷積神經網路系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI746987B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11205120B2 (en) * | 2016-12-22 | 2021-12-21 | Samsung Electronics Co., Ltd | System and method for training deep learning classification networks |
CN109034183B (zh) * | 2018-06-07 | 2021-05-18 | 苏州飞搜科技有限公司 | 一种目标检测方法、装置及设备 |
CN109101994B (zh) * | 2018-07-05 | 2021-08-20 | 北京致远慧图科技有限公司 | 一种眼底图像筛查方法、装置、电子设备及存储介质 |
CN109800712B (zh) * | 2019-01-21 | 2023-04-21 | 成都快眼科技有限公司 | 一种基于深度卷积神经网络的车辆检测计数方法及设备 |
-
2019
- 2019-05-29 TW TW108118527A patent/TWI746987B/zh active
Also Published As
Publication number | Publication date |
---|---|
TWI746987B (zh) | 2021-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11250591B2 (en) | Target detection method, system, and non-volatile storage medium | |
WO2021018199A1 (zh) | 一种基于卷积神经网络的图像处理方法及装置 | |
US10769485B2 (en) | Framebuffer-less system and method of convolutional neural network | |
US11967040B2 (en) | Information processing apparatus, control method thereof, imaging device, and storage medium | |
CN110084155B (zh) | 一种密集人数计数的方法、装置、设备以及存储介质 | |
KR102578209B1 (ko) | 영상 처리 방법과 장치 | |
US10853694B2 (en) | Processing input data in a convolutional neural network | |
US20140376882A1 (en) | Computing device with video analyzing function and video analyzing method | |
KR102034659B1 (ko) | 컨볼루션 뉴럴 네트워크를 위한 하드웨어 가속기 및 컨볼루션 연산량 감소 방법 | |
WO2019008951A1 (ja) | 畳み込みニューラルネットワーク | |
JP2016115248A (ja) | 演算処理装置 | |
US20180253877A1 (en) | Focus stacking of captured images | |
CN111310759A (zh) | 双模式协作的目标检测抑制优化方法及设备 | |
WO2016208260A1 (ja) | 画像認識装置および画像認識方法 | |
US10789481B2 (en) | Video data processing | |
JP6970827B2 (ja) | 演算処理装置 | |
TWI746987B (zh) | 卷積神經網路系統 | |
US11514312B2 (en) | Computer vision optimisation for small value changes | |
CN111612827B (zh) | 基于多摄像头的目标位置确定方法、装置和计算机设备 | |
US11544523B2 (en) | Convolutional neural network method and system | |
US9818045B2 (en) | Apparatus and method for detecting a feature in an image | |
US10878592B2 (en) | Video data processing | |
CN113989601A (zh) | 特征融合网络、样本选择方法、目标检测方法及装置 | |
CN114913078A (zh) | 基于连拍图像的图像恢复方法和设备 | |
CN112052935A (zh) | 卷积神经网络系统 |