基于卷积神经网络的图像分类方法和装置制造方法及图纸

本发明专利技术提供了一种基于卷积神经网络的图像分类方法和装置、服务器及可读存储介质。该方法包括：对待识别的图像进行卷积，得到特征图；对特征图进行特征提取，得到特征向量；基于特征向量的稀疏性对特征向量和权重矩阵进行乘加运算，得到输出结果；以及基于输出结果，对图像进行分类。本发明专利技术优化了全连接层的算法，因此，降低了全连接层的待计算数据量和计算量，并进一步提高了计算效率。

Image classification method and device based on convolutional neural network

The invention provides an image classification method and device, server and readable storage medium based on convolutional neural network. The method includes: to recognize the image convolution, feature map; feature map feature extraction, feature vector; sparse feature vector of feature vector and weight matrix multiply add operation based on the output results; and based on the results of image classification. The invention optimizes the algorithm of the full connection layer, thus reducing the amount of data to be calculated and the calculation amount of the full connection layer, and further improving the calculation efficiency.

【技术实现步骤摘要】
基于卷积神经网络的图像分类方法和装置
本专利技术涉及深度学习(DeepLearning)和图像处理
，尤其涉及一种基于卷积神经网络的图像分类方法和装置、服务器及可读存储介质。
技术介绍
深度学习是机器学习(MachineLearning)研究之一新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，通过模仿人脑的机制来解释数据，例如图像、声音和文本。深度学习的核心是通过构建具有多个隐层的机器学习模型和大量的训练数据来学习更有用的特征，从而最终提升分类或预测的准确性。目前，在计算机视觉和自然语言中，主流的深度学习算法是卷积神经网络(Convolutionalneuralnetwork，CNN)。在图像分类问题上，深度学习模型一般由多层的卷积加上几层的全连接层(FullyConnectedLayer)来实现，并且每层卷积和全连接层后面都连接一激活函数(ActivationFunction)，该激活函数为非线性变化函数，这样每层的计算结果都会有大量“0”出现，并且随着层数的增加，“0”的比例越来越大，导致待计算数据量和计算量非常大。因此，亟待提出一种能够降低待计算数据量和计算量的图像分类技术。
技术实现思路
有鉴于此，本专利技术实施例提供一种基于卷积神经网络的图像分类方法和装置、服务器及可读存储介质，能够提高计算效率。本专利技术的一个方面提供一种基于卷积神经网络的图像分类方法，该方法包括：对待识别的图像进行卷积，得到特征图；对特征图进行特征提取，得到特征向量；基于特征向量的稀疏性对特征向量和权重矩阵进行乘加运算，得到输出结果；以及基于输出结果，对图像进行分类。在本专利技术的一个实施例中，基于特征向量的稀疏性对特征向量和权重矩阵进行乘加运算，得到输出结果，包括：确定特征向量中的至少一个非零元素，并将至少一个非零元素分别乘以权重矩阵中的至少一行元素，得到至少一个向量，其中至少一个非零元素所在的列数与至少一个行元素所在的行数对应；以及将至少一个向量中的每列元素相加，得到输出结果。在本专利技术的一个实施例中，确定特征向量中的至少一个非零元素，并将至少一个非零元素分别乘以权重矩阵中的至少一行元素，得到至少一个向量，包括：判断特征向量中的第i个元素是否为0，其中i是大于0的整数；如果第i个元素不为0，则将第i个元素分别乘以权重矩阵中的第i行元素，得到第i个元素对应的向量。在本专利技术的一个实施例中，判断特征向量中的第i个元素是否为0，包括：如果第i个元素为0，则跳过第i个元素，并继续判断第i+1个元素是否为0。在本专利技术的一个实施例中，确定特征向量中的至少一个非零元素，并将至少一个非零元素分别乘以权重矩阵中的至少一行元素，得到至少一个向量，包括：判断特征向量中的至少两个连续元素是否为0；如果至少两个连续元素不全为0，则将至少两个连续元素中的至少一个非零元素分别乘以权重矩阵中的至少一行元素，得到至少一个向量，其中至少一个非零元素所在的列数与至少一个行元素所在的行数对应。在本专利技术的一个实施例中，判断特征向量中的至少两个连续元素是否为0，包括：如果至少两个连续元素全部为0，则跳过至少两个连续元素，并继续判断至少两个连续元素之后的至少一个元素是否为0。在本专利技术的一个实施例中，基于特征向量的稀疏性对特征向量和权重矩阵进行乘加运算是在全连接层上进行的。本专利技术的另一个方面提供一种基于卷积神经网络的图像分类装置，该装置包括：卷积模块，用于对待识别的图像进行卷积，得到特征图；提取模块，用于对特征图进行特征提取，得到特征向量；运算模块，用于基于特征向量的稀疏性对特征向量和权重矩阵进行乘加运算，得到输出结果；以及分类模块，用于基于输出结果，对图像进行分类。在本专利技术的一个实施例中，运算模块确定特征向量中的至少一个非零元素，并将至少一个非零元素分别乘以权重矩阵中的至少一行元素，得到至少一个向量，其中至少一个非零元素所在的列数与至少一个行元素所在的行数对应；以及将至少一个向量中的每列元素相加，得到输出结果。在本专利技术的一个实施例中，运算模块判断特征向量中的第i个元素是否为0，其中i是大于0的整数；如果第i个元素不为0，则将第i个元素分别乘以权重矩阵中的第i行元素，得到第i个元素对应的向量。在本专利技术的一个实施例中，判断特征向量中的第i个元素是否为0，包括：如果第i个元素为0，则跳过第i个元素，并继续判断第i+1个元素是否为0。在本专利技术的一个实施例中，运算模块判断特征向量中的至少两个连续元素是否为0；如果至少两个连续元素不全为0，则将至少两个连续元素中的至少一个非零元素分别乘以权重矩阵中的至少一行元素，得到至少一个向量，其中至少一个非零元素所在的列数与至少一个行元素所在的行数对应。在本专利技术的一个实施例中，判断特征向量中的至少两个连续元素是否为0，包括：如果至少两个连续元素全部为0，则跳过至少两个连续元素，并继续判断至少两个连续元素之后的至少一个元素是否为0。在本专利技术的一个实施例中，基于特征向量的稀疏性对特征向量和权重矩阵进行乘加运算是在全连接层上进行的。本专利技术的再一个方面提供一种服务器，包括：存储器、处理器及存储在存储器中并可在处理器中运行的可执行指令，其中，处理器执行可执行指令时实现如上所述的方法。本专利技术的又一个方面提供一种计算机可读存储介质，其上存储有计算机可执行指令，其中，可执行指令被处理器执行时实现如上所述的方法。根据本专利技术实施例提供的技术方案，通过对待识别的图像进行卷积得到特征图，对特征图进行特征提取得到特征向量，基于特征向量的稀疏性对特征向量和权重矩阵进行乘加运算得到输出结果，以及基于输出结果对图像进行分类，优化了全连接层的算法，降低了全连接层的待计算数据量和计算量，并进一步提高了计算效率。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。图1是全连接层的算法的示意图。图2是根据本专利技术一示例性实施例示出的一种基于卷积神经网络的图像分类方法的流程图。图3是本专利技术的全连接层的算法的示意图。图4是根据本专利技术另一示例性实施例示出的一种基于卷积神经网络的图像分类方法的流程图。图5是根据本专利技术另一示例性实施例示出的一种基于卷积神经网络的图像分类方法的流程图。图6是根据本专利技术一示例性实施例示出的一种基于卷积神经网络的图像分类装置的框图。图7是根据本专利技术一示例性实施例示出的用于对图像进行分类的装置的框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。根据本专利技术中的实施例，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他实施例，都属于本专利技术保护的范围。卷积神经网络是人工神经网络的一种，已成为众多科学领域的研究热点之一，特别是在模式分类领域，由于卷积神经网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。另外，卷积神经网络的权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。图1是全连接层的算法的示意本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的图像分类方法，其特征在于，所述方法包括：对待识别的图像进行卷积，得到特征图；对所述特征图进行特征提取，得到特征向量；基于所述特征向量的稀疏性对所述特征向量和权重矩阵进行乘加运算，得到输出结果；以及基于所述输出结果，对所述图像进行分类。

【技术特征摘要】
1.一种基于卷积神经网络的图像分类方法，其特征在于，所述方法包括：对待识别的图像进行卷积，得到特征图；对所述特征图进行特征提取，得到特征向量；基于所述特征向量的稀疏性对所述特征向量和权重矩阵进行乘加运算，得到输出结果；以及基于所述输出结果，对所述图像进行分类。2.根据权利要求1所述的图像分类方法，其特征在于，所述基于所述特征向量的稀疏性对所述特征向量和权重矩阵进行乘加运算，得到输出结果，包括：确定所述特征向量中的至少一个非零元素，并将所述至少一个非零元素分别乘以所述权重矩阵中的至少一行元素，得到至少一个向量，其中所述至少一个非零元素所在的列数与所述至少一个行元素所在的行数对应；以及将所述至少一个向量中的每列元素相加，得到所述输出结果。3.根据权利要求2所述的图像分类方法，其特征在于，所述确定所述特征向量中的至少一个非零元素，并将所述至少一个非零元素分别乘以所述权重矩阵中的至少一行元素，得到至少一个向量，包括：判断所述特征向量中的第i个元素是否为0，其中i是大于0的整数；如果所述第i个元素不为0，则将所述第i个元素分别乘以所述权重矩阵中的第i行元素，得到所述第i个元素对应的向量。4.根据权利要求3所述的图像分类方法，其特征在于，所述判断所述特征向量中的第i个元素是否为0，包括：如果所述第i个元素为0，则跳过所述第i个元素，并继续判断第i+1个元素是否为0。5.根据权利要求2所述的图像分类方法，其特征在于，所述确定所述特征向量中的至少一个非零元素，并将所述至少一个非零元素分别乘以所述权重矩阵中的至少一行元素，得到至少一个向量，包括：判断所述特征向量中的至少两个连续元素是否为0；如果所述至少两个连续元素不全为0，则将所述至少两个连续元素中的至少一个非零元素分别乘以所述权重矩阵中的至少一行元素，得到至少一个向量，其中所述至少一个非零元素所在的列数与所述至少一个行元素所在的行数对应。6.根据权利要求5所述的图像分类方法，其特征在于，所述判断所述特征向量中的至少两个连续元素是否为0，包括：如果所述至少两个连续元素全部为0，则跳过所述至少两个连续元素，并继续判断所述至少两个连续元素之后的至少一个元素是否为0。7.根据权利要求1-6中任一项所述的图像分类方法，其特征在于，所述基于所述特征向量的稀疏性对所述特征向量和权重矩阵进行乘加运算是在全连接层上进行的。8.一种基于卷积神经网络的图像分类装置，...

【专利技术属性】
技术研发人员：艾国，张韵东，
申请(专利权)人：北京中星微电子有限公司，
类型：发明
国别省市：北京,11