非显著特征区域加速型神经网络构架、方法和设备技术

本申请实施例公开了一种非显著特征区域加速型神经网络构架、方法和设备，该构架包括：非显著数据获取模块，用于获取神经网络中目标神经网络层输出的第一特征数据的第一非显著数据；神经网络层计算模块，用于将所述第一非显著数据转换为除所述目标神经网络层后续的其它各神经网络层的第二非显著数据，以使其它各神经网络层在进行神经网络计算时，跳过对所述第二非显著数据的计算；非显著数据填充模块，用于根据所述第一非显著数据对应的第一特征数据以及所述神经网络的输出神经网络层输出的最终特征数据的显著性区域对应的第二特征数据，对所述最终特征数据的非显著数据对应的缺失数据进行填充。可以提高数据处理效率，减少实现平台的消耗。减少实现平台的消耗。减少实现平台的消耗。

【技术实现步骤摘要】
非显著特征区域加速型神经网络构架、方法和设备


[0001]本申请涉及人工智能
，尤其涉及一种非显著特征区域加速型神经网络构架、方法和设备。

技术介绍

[0002]神经网络，英文全称为Artificial Neural Network, 缩写ANN, 在机器学习，尤其是深度学习领域广泛应用。由于神经网络处理的数据量较大，且神经网络一般包括多层，因此，其计算的效率受到一定影响。如何提高神经网络的数据处理效率已成为神经网络芯片设计中的急需解决的技术问题。
[0003]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0004]本申请实施例提供了一种非显著特征区域加速型神经网络构架、方法和设备，有效提高神经网络的数据处理效率。
[0005]一方面，本申请实施例提供了一种非显著特征区域加速型神经网络构架，用于对图像数据、音频信号数据或雷达信号数据进行处理；所述非显著特征区域加速型神经网络构架包括：非显著数据获取模块，用于获取神经网络中目标神经网络层输出的第一特征数据的第一非显著数据；其中，所述神经网络包括多个神经网络层；神经网络层计算模块，用于将所述第一非显著数据转换为除所述目标神经网络层后续的其它各神经网络层的第二非显著数据，以使其它各神经网络层在进行神经网络计算时，跳过对所述第二非显著数据的计算；非显著数据填充模块，用于根据所述第一非显著数据对应的第一特征数据以及所述神经网络的输出神经网络层输出的最终特征数据的显著性区域对应的第二特征数据，对所述最终特征数据的非显著数据对应的缺失数据进行填充。
[0006]可选地，所述非显著数据获取模块，还用于：确定所述目标神经网络层的各输出通道输出的特征数据的非显著数据；将各通道的非显著数据进行与运算，获得所述第一非显著数据。
[0007]可选地，所述特征数据为图像特征数据；所述非显著数据获取模块，还用于：对各输出通道输出的图像特征数据进行数据变换，以获得各输出通道输出的图像特征数据的高频分量值；利用各输出通道输出的图像特征数据的高频分量值和预设的高频分量阈值，确定各输出通道输出的图像特征数据的非显著数据。
[0008]可选地，所述非显著数据填充模块，还用于：根据所述第一特征数据以及所述第二特征数据，对所述最终特征数据的非显著数
据填充与所述第一特征数据和所述第二特征数据不同的值。
[0009]再一方面，本申请实施例提供了一种基于神经网络的数据处理方法，用于对图像数据、音频信号数据或雷达信号数据进行处理，所述方法包括：获取神经网络中目标神经网络层输出的第一特征数据的第一非显著数据；其中，所述神经网络包括多个神经网络层；将所述第一非显著数据转换为除所述目标神经网络层外的其它各神经网络层的第二非显著数据，以使其它各神经网络层在进行神经网络计算时，跳过对所述第二非显著数据的计算；根据所述第一非显著数据对应的第一特征数据以及所述神经网络的输出神经网络层输出的最终特征数据的显著性区域对应的第二特征数据，对所述最终特征数据的非显著数据对应的缺失数据进行填充。
[0010]可选地，所述获取神经网络中目标神经网络层输出的第一特征数据的第一非显著数据，包括：确定所述目标神经网络层的各输出通道输出的特征数据的非显著数据；将各通道的非显著数据进行与运算，获得所述第一非显著数据。
[0011]可选地，所述特征数据为图像特征数据；所述确定所述目标神经网络层的各输出通道输出的特征数据的非显著数据，包括：对各输出通道输出的图像特征数据进行数据变换，以获得各输出通道输出的图像特征数据的高频分量值；利用各输出通道输出的图像特征数据的高频分量值和预设的高频分量阈值，确定各输出通道输出的图像特征数据的非显著数据。
[0012]可选地，所述根据所述第一非显著数据对应的第一特征数据以及所述神经网络的输出神经网络层输出的最终图像特征数据的显著性区域对应的第二特征数据，对所述最终图像特征数据的非显著数据的缺失数据进行填充，包括：根据所述第一特征数据以及所述第二特征数据，对所述最终特征数据的非显著数据填充与所述第一特征数据和所述第二特征数据不同的值。
[0013]可选地，所述目标神经网络层为所述神经网络的首个神经网络层。
[0014]再一方面，本申请实施例提供了一种计算机设备，包括：存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现前述方法。
[0015]再一方面，本申请实施例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，所述处理器执行所述计算机程序，实现前述方法。
[0016]本申请的实施例提供一种非显著特征区域加速型神经网络构架、方法和设备，该非显著特征区域加速型神经网络构架包括：非显著数据获取模块，用于获取神经网络中目标神经网络层输出的第一特征数据的第一非显著数据；其中，所述神经网络包括多个神经网络层；神经网络层计算模块，用于将所述第一非显著数据转换为除所述目标神经网络层后续的其它各神经网络层的第二非显著数据，以使其它各神经网络层在进行神经网络计算时，跳过对所述第二非显著数据的计算；非显著数据填充模块，用于根据所述第一非显著数据对应的第一特征数据以及所述神经网络的输出神经网络层输出的最终特征数据的显著性区域对应的第二特征数据，对所述最终特征数据的非显著数据对应的缺失数据进行填
充。也即，该非显著特征区域加速型神经网络构架由于在现有神经网络构架的基础上增加了非显著数据获取模块，可以提取神经网络中没必要计算的非显著数据，然后通过神经网络层计算模块使得目标神经网络层后续的其它各神经网络层在进行神经网络计算时，跳过对非显著数据的计算，并在最后可利用非显著数据填充模块对最终特征数据的非显著数据对应的缺失数据进行填充，在神经网络的分层计算过程中，对于无需关注特征对应的非显著数据不进行重复的多次计算，使得在整个神经网络的数据处理过程中提高数据处理效率，减少实现平台（如芯片）的消耗。
附图说明
[0017]为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。
[0018]图1是本申请实施例提供的一种计算机设备的结构示意图；图2是本申请实施例提供的一种非显著特征区域加速型神经网络构架的结构示意图；图3是本申请实施例提供的一种非显著特征区域加速型神经网络构架的标准神经网络构架及数据流示意图；图4是本申请实施例提供的一种基于神经网络的数据处理方法的流程示意图。
具体实施方式
[0019]应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0020]本申请实施例的主要解决方案是：提供一种非显著特征区域加速型神经网络构架、方法和设备，该非显著特征区本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非显著特征区域加速型神经网络构架，其特征在于，用于对图像数据、音频信号数据或雷达信号数据进行处理；所述非显著特征区域加速型神经网络构架包括：非显著数据获取模块，用于获取神经网络中目标神经网络层输出的第一特征数据的第一非显著数据；其中，所述神经网络包括多个神经网络层；神经网络层计算模块，用于将所述第一非显著数据转换为除所述目标神经网络层后续的其它各神经网络层的第二非显著数据，以使其它各神经网络层在进行神经网络计算时，跳过对所述第二非显著数据的计算；非显著数据填充模块，用于根据所述第一非显著数据对应的第一特征数据以及所述神经网络的输出神经网络层输出的最终特征数据的显著性区域对应的第二特征数据，对所述最终特征数据的非显著数据对应的缺失数据进行填充。2.根据权利要求1所述的非显著特征区域加速型神经网络构架，其特征在于，所述非显著数据获取模块，还用于：确定所述目标神经网络层的各输出通道输出的特征数据的非显著数据；将各通道的非显著数据进行与运算，获得所述第一非显著数据。3.根据权利要求2所述的非显著特征区域加速型神经网络构架，其特征在于，所述特征数据为图像特征数据；所述非显著数据获取模块，还用于：对各输出通道输出的图像特征数据进行数据变换，以获得各输出通道输出的图像特征数据的高频分量值；利用各输出通道输出的图像特征数据的高频分量值和预设的高频分量阈值，确定各输出通道输出的图像特征数据的非显著数据。4.根据权利要求1所述的非显著特征区域加速型神经网络构架，其特征在于，所述非显著数据填充模块，还用于：根据所述第一特征数据以及所述第二特征数据，对所述最终特征数据的非显著数据填充与所述第一特征数据和所述第二特征数据不同的值。5.一种基于神经网络的数据处理方法，其特征在于，用于对图像数据、音频信号数据或雷达信号数据进行处理，所述方法包括：获取神经网络中目标神经网络层输出的第一特征数据的第一非显著数据；其中，所述神经网络包括...

【专利技术属性】
技术研发人员：贺新，
申请(专利权)人：成都图影视讯科技有限公司，
类型：发明
国别省市：