申请/专利权人：西安交通大学

申请日：2020-10-22

公开（公告）日：2023-09-19

公开（公告）号：CN112434786B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/82;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2023.09.19#授权;2021.03.19#实质审查的生效;2021.03.02#公开

摘要：本发明公开了一种基于winograd动态卷积块的图像处理方法，属于卷积网络领域。本发明利用中国剩余定理算法生成winograd快速卷积方法的计算复杂度函数，计算复杂度函数将卷积神经网络模型中每一层的卷积参数作为常量引入，得到变量为winograd卷积块尺寸的计算复杂度模型；基于所述计算复杂度模型最小化计算开销；根据最小化计算开销得到的卷积块尺寸，完成相应层数的winograd快速卷积计算；抽取图片的特征并将其送入卷积神经网络进行分类处理；本发明解决winograd算法在通用计算平台上单一卷积块效率不平衡导致的卷积性能下降问题，本发明的图像处理方法能够加速处理器计算卷积神经网络的计算。

主权项：1.一种基于winograd动态卷积块的图像处理方法，其特征在于：利用中国剩余定理算法生成winograd快速卷积方法的计算复杂度函数，所述计算复杂度函数将卷积神经网络模型中每一层的卷积参数作为常量引入，得到变量为winograd卷积块尺寸的计算复杂度模型；基于所述计算复杂度模型最小化计算开销；根据最小化计算开销得到的卷积块尺寸，完成相应层数的winograd快速卷积计算；抽取图片的特征并将其送入卷积神经网络进行分类处理；利用中国剩余定理算法生成winograd快速卷积方法的计算复杂度函数，具体为：基于winograd卷积相关的参数与winograd快速卷积方法的计算量构建计算量与计算开销、卷积块尺寸的函数关系；利用中国剩余定理构建计算开销与卷积块尺寸的函数关系，带入到所述函数关系中，得到只与卷积块尺寸相关的计算复杂度模型；所述函数关系为： 其中，W为输入图片数据的宽度，H为输入图片数据的高度，C为输入图片数据的通道数，K为卷积核数，P为输入图片中包含的卷积块的数量，α'为乘法的计算开销，β'为卷积核变换的计算开销，γ'为输入变换的计算开销，δ'为结果逆变换的计算开销；N为卷积块尺寸；输入瓦片大小tile＝m+R-1，R为卷积核的尺寸，m为输出数据块的尺寸；利用中国剩余定理分别计算出α',β',γ'和δ'与卷积块尺寸的函数关系，如下： 并将上述四个式子带入所述函数关系中，得到只与卷积块尺寸相关的计算复杂度模型；根据最小化计算开销得到的卷积块尺寸，完成相应层数的winograd快速卷积计算，具体为：将最优卷积块尺寸与当前卷积层的输入数据的宽W和高H进行整除操作，根据能否整除分为冗余与非冗余两个情况：1若能够整除，则为非冗余的，所述最优卷积块尺寸即为当前层最终的最优卷积块尺寸；2若能够整除，则为非冗余的，将不能整除的结果向上取整再乘所述最优卷积块尺寸，得到新的W^'和H^'，由W^'和H^'计算出新的计算复杂度模型，最小化所述计算复杂度模型，得到最终的最优卷积块尺寸；抽取图片的特征并将其送入卷积神经网络进行分类处理，具体为：701将卷积当前层的卷积核按照最终的最优卷积块尺寸进行winograd变换，切换至winograd域；将输入图片按照求解最终的最优卷积块尺寸进行重叠切片，之后进行winograd变换，切换至winograd域；702将701和702中切换至winograd域的输入数据和卷积核进行hadamardproduct操作；703将702中的结果进行winograd逆变换，从winograd域切换至空间域，最后将小切片重新组合成输出结果。

全文数据：

权利要求：

百度查询： 西安交通大学 一种基于winograd动态卷积块的图像处理方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD