基于卷积神经网络的毫米波图像目标识别方法.pdf

《基于卷积神经网络的毫米波图像目标识别方法.pdf》由会员分享，可在线阅读，更多相关《基于卷积神经网络的毫米波图像目标识别方法.pdf（4页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910049827.4 (22)申请日 2019.01.18 (71)申请人 重庆美澳科技发展有限公司 地址 400000 重庆市江北区港城西路53号1 幢2单元5-1(房间自编号:505) (72)发明人 王璐程秋菊陈国平易文博 (74)专利代理机构 重庆百润洪知识产权代理有 限公司 50219 代理人 刘立春 (51)Int.Cl. G06K 9/62(2006.01) (54)发明名称 一种基于卷积神经网络的毫米波图像目标 识别方法 (57)摘要 一种基于卷积神经网络。

2、的毫米波图像目标 识别方法， 用于加速卷积神经网络处理的逻辑， 所述处理器包括： 第一逻辑， 所述第一逻辑用于 对图像应用卷积层以生成第一卷积结果； 以及第 二逻辑， 所述第二逻辑用于对所述第一卷积结果 应用查找卷积层以生成第二卷积结果， 所述第二 卷积结果与所述第一卷积结果在全局过滤内核 内的位置相关联， 还包括特征提取层、 部位检测 层、 形变处理层、 遮挡处理层和分类器。 权利要求书1页 说明书2页 CN 109993200 A 2019.07.09 CN 109993200 A 1.一种基于卷积神经网络的毫米波图像目标识别方法， 用于加速卷积神经网络处理的 逻辑， 所述处理器包括： 第。

3、一逻辑， 所述第一逻辑用于对图像应用卷积层以生成第一卷积结 果； 以及第二逻辑， 所述第二逻辑用于对所述第一卷积结果应用查找卷积层以生成第二卷 积结果， 所述第二卷积结果与所述第一卷积结果在全局过滤内核内的位置相关联， 还包括 特征提取层、 部位检测层、 形变处理层、 遮挡处理层和分类器， 其特征在于包括以下步骤 步骤一， 预定数量的存储阵列， 用于存储一层卷积神经网络的输入数据阵列， 其中所述 预定数量大于等于卷积神经网络的内核尺寸； 而且其中， 输入数据阵列的每一行依次存在 一个存储阵列的各行内； 步骤二， 针对第一层卷积神经网络， 接受输入进行神经元计算， 将每个神经元的输出暂 时保持在。

4、计算单元内； 利用细胞阵列中的细胞阵列网状通信网络把这一层神经元的输出转 送到预定临近区域中的需要该输出的计算单元内； 步骤三， 将卷积层运算转换为m行K列的矩阵A、 K行n列的矩阵B的矩阵乘； 将矩阵结果C 分为m行n列个矩阵子块； 启动矩阵乘法器预取矩阵子块的操作数； 步骤四， 对多个输入数据进行加法运算以输出累加数据； 对累加数据进行位元移位运 算以输出移位数据； 以及对移位数据进行加权运算以输出加权数据， 其中加权运算的因子 依据输入数据的数量、 位元移位运算中向右移位的位元数量以及卷积神经网络的后续层的 缩放权值而定。 权利要求书 1/1 页 2 CN 109993200 A 2 一。

5、种基于卷积神经网络的毫米波图像目标识别方法 技术领域 0001 本发明是一种目标识别方法， 具体是一种基于卷积神经网络的毫米波图像目 标 识别方法。 背景技术 0002 积神经网络中卷积层间的连接被称为稀疏连接(sparse connection)， 即相比 于 前馈神经网络中的全连接， 卷积层中的神经元仅与其相邻层的部分， 而非全部 神经元相 连。 具体地， 卷积神经网络隐含层特征图Zl中的任意一个像素(神经 元)都仅是Zl-1中卷积 核所定义的感受野内的像素的线性组合。 卷积神经网络 的稀疏连接具有正则化的效果， 提 高了网络结构的稳定性和泛化能力， 避免过度 拟合， 同时， 稀疏连接减少。

6、了权重参数的总 量， 有利于神经网络的快速学习， 和 在计算时减少内存开销。 0003 卷积神经网络中特征图同一通道内的所有像素共享一组卷积核权重系数， 该 性 质被称为权重共享(weight sharing)。 权重共享将卷积神经网络和其它包含局 部连接结 构的神经网络相区分， 后者虽然使用了稀疏连接， 但不同连接的权重是 不同的。 权重共享 和稀疏连接一样， 减少了卷积神经网络的参数总量， 并具有 正则化的效果。 0004 在全连接网络视角下， 卷积神经网络的稀疏连接和权重共享可以被视为两个 无 限强的先验(pirior)， 即一个隐含层神经元在其感受野之外的所有权重系数恒 为0(但感 受。

7、野可以在空间移动)； 且在一个通道内， 所有神经元的权重系数相 同。 发明内容 0005 本发明的目的是： 提供一种权重系数相同， 减少了参数总量的基于卷积神经 网络 的毫米波图像目标识别方法。 0006 为实现上述技术目的， 本发明采用的技术方案如下： 一种基于卷积神经网络 的毫 米波图像目标识别方法， 用于加速卷积神经网络处理的逻辑， 所述处理器包 括： 第一逻辑， 所述第一逻辑用于对图像应用卷积层以生成第一卷积结果； 以及 第二逻辑， 所述第二逻辑 用于对所述第一卷积结果应用查找卷积层以生成第二卷 积结果， 所述第二卷积结果与所 述第一卷积结果在全局过滤内核内的位置相关联， 还包括特征提。

8、取层、 部位检测层、 形变 处理层、 遮挡处理层和分类器， 其特征在 于包括以下步骤 0007 步骤一， 预定数量的存储阵列， 用于存储一层卷积神经网络的输入数据阵列， 其 中所述预定数量大于等于卷积神经网络的内核尺寸； 而且其中， 输入数据阵列 的每一行依 次存在一个存储阵列的各行内； 0008 步骤二， 针对第一层卷积神经网络， 接受输入进行神经元计算， 将每个神经 元的 输出暂时保持在计算单元内； 利用细胞阵列中的细胞阵列网状通信网络把这 一层神经元 的输出转送到预定临近区域中的需要该输出的计算单元内； 0009 步骤三， 将卷积层运算转换为m行K列的矩阵A、 K行n列的矩阵B的矩阵 乘。

9、； 将矩阵 结果C分为m行n列个矩阵子块； 启动矩阵乘法器预取矩阵子块的操 作数； 说明书 1/2 页 3 CN 109993200 A 3 0010 步骤四， 对多个输入数据进行加法运算以输出累加数据； 对累加数据进行位 元移 位运算以输出移位数据； 以及对移位数据进行加权运算以输出加权数据， 其 中加权运算的 因子依据输入数据的数量、 位元移位运算中向右移位的位元数量以 及卷积神经网络的后 续层的缩放权值而定。 具体实施方式 0011 下面对本发明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 是本发明的一部分实施例， 而不是全部的实施例。 基于本发明中的实施例， 。

10、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它实施例， 都属于本发明保护的 范 围。 0012 为了清楚， 不描述实际实施例的全部特征， 在下列描述中， 不详细描述公知 的功 能和结构， 因为它们会使本发明由于不必要的细节而混乱， 应当认为在任 何实际实施例的 开发中， 必须做出大量实施细节以实现开发者的特定目标， 例 如按照有关系统或有关商业 的限制， 由一个实施例改变为另一个实施例， 另外， 应当认为这种开发工作可能是复杂和 耗费时间的， 但是对于本领域技术人员来 说仅仅是常规工作。 0013 一种基于卷积神经网络的毫米波图像目标识别方法， 用于加速卷积神经网络 处 理的。

11、逻辑， 所述处理器包括： 第一逻辑， 所述第一逻辑用于对图像应用卷积层 以生成第一 卷积结果； 以及第二逻辑， 所述第二逻辑用于对所述第一卷积结果应 用查找卷积层以生成 第二卷积结果， 所述第二卷积结果与所述第一卷积结果在全 局过滤内核内的位置相关联， 还包括特征提取层、 部位检测层、 形变处理层、 遮 挡处理层和分类器， 其特征在于包括以下 步骤 0014 步骤一， 预定数量的存储阵列， 用于存储一层卷积神经网络的输入数据阵列， 其 中所述预定数量大于等于卷积神经网络的内核尺寸； 而且其中， 输入数据阵列 的每一行依 次存在一个存储阵列的各行内； 0015 步骤二， 针对第一层卷积神经网络，。

12、 接受输入进行神经元计算， 将每个神经 元的 输出暂时保持在计算单元内； 利用细胞阵列中的细胞阵列网状通信网络把这 一层神经元 的输出转送到预定临近区域中的需要该输出的计算单元内； 0016 步骤三， 将卷积层运算转换为m行K列的矩阵A、 K行n列的矩阵B的矩阵 乘； 将矩阵 结果C分为m行n列个矩阵子块； 启动矩阵乘法器预取矩阵子块的操 作数； 0017 步骤四， 对多个输入数据进行加法运算以输出累加数据； 对累加数据进行位 元移 位运算以输出移位数据； 以及对移位数据进行加权运算以输出加权数据， 其 中加权运算的 因子依据输入数据的数量、 位元移位运算中向右移位的位元数量以 及卷积神经网络的后 续层的缩放权值而定。 0018 上述实施例仅示例性说明本发明的原理及其功效， 而非用于限制本发明。 任 何熟 悉此技术的人士皆可在不违背本发明的精神及范畴下， 对上述实施例进行修 饰或改变。 因 此， 凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精 神与技术思想下所完 成的一切等效修饰或改变， 仍应由本发明的权利要求所涵盖。 说明书 2/2 页 4 CN 109993200 A 4 。