CN114648643A - 多尺度卷积的方法、装置、终端设备及存储介质 - Google Patents

Abstract

本申请适用于卷积处理的技术领域，提供了一种多尺度卷积的方法、装置、终端设备及存储介质，方法包括：将待处理矩阵按预设通道输入卷积神经网络，卷积神经网络包括与预设通道对应的卷积组；通过卷积组对待处理矩阵进行多尺度卷积计算，输出目标特征矩阵。上述方案，通过多个组卷积提高卷积神经网络对待处理矩阵多尺度特征的提取能力。无需额外增加不同尺度的卷积层，故可以在不增加计算量的前提下，提高模型处理效果。

Description

多尺度卷积的方法、装置、终端设备及存储介质

技术领域

本申请属于卷积处理的技术领域，尤其涉及一种多尺度卷积的方法、装置、终端设备及存储介质。

背景技术

卷积神经网络(Convolutional Neural Network，CNN)，是一种前馈神经网络。卷积神经网络已被广泛应用到计算机视觉的方方面面，涵盖目标检测、语义分割、图像分类以及图像复原等等技术。随着技术的不断发展，对卷积神经网络的处理效果的要求越来越高。为了提高卷积神经网络对图像的处理效果，传统的卷积神经网络往往采用多尺度卷积的方式进行特征提取。虽然提高了卷积神经网络的处理效果，但是多尺度卷积的方式需增加不同尺度卷积层，即带来了较大的计算量。这是一个亟需解决的问题。

发明内容

有鉴于此，本申请实施例提供了一种多尺度卷积的方法、装置、终端设备及存储介质，可以解决多尺度卷积的方式需增加不同尺度卷积层，而存在较大的计算量的技术问题。

本申请实施例的第一方面提供了一种多尺度卷积的方法，包括：

将待处理矩阵按预设通道输入卷积神经网络，卷积神经网络包括与预设通道对应的卷积组；

通过卷积组对待处理矩阵进行多尺度卷积计算，输出目标特征矩阵。

本申请实施例的第二方面提供了一种多尺度卷积的装置，包括：

第一处理单元，用于将待处理矩阵按预设通道输入卷积神经网络，卷积神经网络包括与预设通道对应的卷积组；

第二处理单元，用于通过卷积组对待处理矩阵进行多尺度卷积计算，输出目标特征矩阵。

本申请实施例的第三方面提供了一种终端设备，终端设备包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述第一方面方法的步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述第一方面方法的步骤。

本申请实施例与现有技术相比存在的有益效果是：本申请通过将待处理矩阵按预设通道输入卷积神经网络，卷积神经网络包括与预设通道对应的卷积组；通过卷积组对待处理矩阵进行多尺度卷积计算，输出目标特征矩阵。上述方案，通过多个组卷积提高卷积神经网络对待处理矩阵多尺度特征的提取能力。无需额外增加不同尺度的卷积层，故可以在不增加计算量的前提下，提高模型处理效果。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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它的附图。

图1示出了本申请提供的一种多尺度卷积的方法的示意性流程图；

图2示出了本申请提供的常规卷积之间连接关系的示意图；

图3示出了本申请提供的组卷积的示意图；

图4示出了本申请提供的组卷积的示意图；

图5示出了本申请提供的组卷积的示意图；

图6示出了本申请提供的组卷积的第一种排列方式的示意图；

图7示出了本申请提供的组卷积的第二种排列方式的示意图；

图8示出了本申请提供的第三卷积组排列方式的示意图；

图9示出了本申请提供的均匀稀疏组卷积的示意图；

图10示出了本申请提供的非均匀稀疏组卷积的示意图；

图11示出了本申请提供的逆序稀疏组卷积的示意图；

图12示出了本申请提供的交错稀疏组卷积的示意图；

图13示出了本申请提供的单通道稀疏组卷积的示意图；

图14示出了本申请提供的一种多尺度卷积的装置的示意图；

图15示出了本申请一实施例提供的一种终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

为了提高卷积神经网络对图像的处理效果，传统的卷积神经网络往往采用多尺度卷积的方式进行特征提取。虽然提高了卷积神经网络的处理效果，但是多尺度卷积的方式需增加不同尺度卷积层，即带来了较大的计算量。

本申请实施例提供了一种多尺度卷积的方法、装置、终端设备以及计算机可读存储介质，解决上述问题。

请参见图1，图1示出了本申请提供的一种多尺度卷积的方法的示意性流程图。

如图1所示，该方法可以包括如下步骤：

步骤101，终端设备将待处理矩阵按预设通道输入卷积神经网络，卷积神经网络包括与预设通道对应的卷积组。

待处理矩阵是指多个数据通道组成的矩阵。待处理矩阵包括但不限于图像(图像由多个图像通道组成)等。

具体地，待处理矩阵包括待处理图像。为了更好地解释本申请的技术方案，本申请以待处理图像为例，对本申请技术方案进行解释说明。

待处理图像为带有多个图像通道的图像。待处理图像的图像通道数量与卷积神经网络输入神经元数量相同，以使得卷积神经网络处理待处理图像。

步骤102，终端设备通过卷积组对待处理矩阵进行多尺度卷积计算，输出目标特征矩阵。

为了更好地解释本实施例中的卷积神经网络，本实施例在简单说明常规卷积后，着重说明本实施例针对常规卷积做出的改进。

首先，请参见图2，图2示出了本申请提供的常规卷积之间连接关系的示意图。如图2所示，图2中包括方块组A、方块组B以及方块组C。方块组A表示16个图像通道的输入神经元。方块组C表示16个图像通道的输出神经元。方块组B表示相互连接的卷积层。其中，方块组B中每个方块表示卷积层，且每个卷积层的感受野相同。

由于常规卷积采用相同的感受野，无法获取较为全面的特征，导致图像处理效果较差。故本实施例，在常规卷积的基础上进行改进，终端设备以组卷积的方式，获取不同尺度的图像特征，以提高图像处理效果。其中，不同图像通道方向上的分组卷积组成卷积神经网络，如：将16个图像通道分为4组，每个卷积组分别负责四个通道的卷积计算。不同卷积组之间的感受野不同，且同一卷积组内卷积层的感受野相同。在卷积神经网络中输入神经元和输入神经元对应的输出神经元之间均匀分布不同感受野对应的卷积组。

具体地，卷积神经网络中不同感受野对应的卷积组在多组输入神经元与多组输出神经元之间依照不同顺序进行排列。

由于现有深度学习框架中的组卷积只能处理在图像通道方向上按序排列的卷积组。请参见图3，图3示出了本申请提供的组卷积的示意图。请参见图4，图4示出了本申请提供的组卷积的示意图。其中，图3和图4仅仅是起示例作用，对于图3和图4中的图像通道数量以及组卷积数量并不做任何限定。如图3和图4所示，当卷积组在图像通道方向上依次排列时，符合组卷积的形式，进而可直接进行组卷积计算。而当卷积组在图像通道方向上非依次排列时，请参见图5，图5示出了本申请提供的组卷积的示意图。其中，图5仅仅是起示例作用，对于图5中的图像通道数量以及组卷积数量并不做任何限定。如图5所示，当卷积组在通道方向上非依次排列时，则无法直接进行组卷积计算。需要将四组卷积组进行分别卷积后，形成不同通道方向上特征图，进而进行下一次不同尺度的组卷积。而在进行下一次不同尺度的组卷积前，需要将不同通道方向上特征图依次匹配不同的卷积组，匹配的过程涉及特征图的转移，产生一定的推理时长。故，不同感受野对应的卷积组需要在多组输入神经元与多组输出神经元之间依次变序排列。最大程度上满足组卷积的排列方式，以避免特征图转移带来的推理时长。本实施例提供了两种排列方式：

第一种排列方式：

具体地，卷积神经网络中第一组输入神经元和第一组输入神经元对应的第一组输出神经元之间的卷积组的排列顺序依次为第一卷积组、第二卷积组、第三卷积组以及第四卷积组。卷积神经网络中第二组输入神经元和第二组输入神经元对应的第二组输出神经元之间的卷积组的排列顺序依次为第四卷积组、第一卷积组、第二卷积组以及第三卷积组。卷积神经网络中第三组输入神经元和第三组输入神经元对应的第三组输出神经元之间的卷积组的排列顺序依次为第三卷积组、第四卷积组、第一卷积组以及第二卷积组。卷积神经网络中第四组输入神经元和第四组输入神经元对应的第四组输出神经元之间的卷积组的排列顺序依次为第二卷积组、第三卷积组、第四卷积组以及第一卷积。

为了更好得说明第一种排列方式，请参见图6，图6示出了本申请提供的组卷积的第一种排列方式的示意图。其中，图6仅仅是起示例作用，对于图6中的图像通道数量以及组卷积数量并不做任何限定。如图6所示，卷积神经网络在图像通道方向上分为四组，方块1构成的4*4卷积组为第一卷积组，方块2构成的4*4卷积组为第二卷积组，方块3构成的4*4卷积组为第三卷积组，方块4构成的4*4卷积组为第四卷积组。由上至下，第一组输入神经元和第一组输出神经元之间的卷积组的排列顺序依次为第一卷积组、第二卷积组、第三卷积组以及第四卷积组。第二组输入神经元和第二组输出神经元之间的卷积组的排列顺序依次为第四卷积组、第一卷积组、第二卷积组以及第三卷积组。第三组输入神经元和第三组输出神经元之间的卷积组的排列顺序依次为第三卷积组、第四卷积组、第一卷积组以及第二卷积组。第四组输入神经元和第四组输出神经元之间的卷积组的排列顺序依次为第四卷积组、第一卷积组、第二卷积组以及第三卷积组。即，第一种排列方式是以斜对角线为相同卷积组的排序方式。

第二种排列方式：

具体地，卷积神经网络中第一组输入神经元和第一组输入神经元对应的第一组输出神经元之间的卷积组的排列顺序依次为第一卷积组、第二卷积组、第三卷积组以及第四卷积组。卷积神经网络中第二组输入神经元和第二组输入神经元对应的第二组输出神经元之间的卷积组的排列顺序依次为第二卷积组、第一卷积组、第四卷积组以及第三卷积组。卷积神经网络中第三组输入神经元和第三组输入神经元对应的第三组输出神经元之间的卷积组的排列顺序依次为第三卷积组、第四卷积组、第一卷积组以及第二卷积组。卷积神经网络中第四组输入神经元和第四组输入神经元对应的第四组输出神经元之间的卷积组的排列顺序依次为第四卷积组、第三卷积组、第二卷积组以及第一卷积组。

为了更好得说明第二种排列方式，请参见图7，图7示出了本申请提供的组卷积的第二种排列方式的示意图。其中，图7仅仅是起示例作用，对于图7中的图像通道数量以及组卷积数量并不做任何限定。如图7所示，卷积神经网络在图像通道方向上分为四组，方块1构成的4*4卷积组为第一卷积组，方块2构成的4*4卷积组为第二卷积组，方块3构成的4*4卷积组为第三卷积组，方块4构成的4*4卷积组为第四卷积组。由上至下，第一组输入神经元和第一组输出神经元之间的卷积组的排列顺序依次为第一卷积组、第二卷积组、第三卷积组以及第四卷积组。第二组输入神经元和第二组输出神经元之间的卷积组的排列顺序依次为第二卷积组、第一卷积组、第四卷积组以及第三卷积组。第三组输入神经元和第三组输出神经元之间的卷积组的排列顺序依次为第三卷积组、第四卷积组、第一卷积组以及第二卷积组。第四组输入神经元和第四组输出神经元之间的卷积组的排列顺序依次为第四卷积组、第三卷积组、第二卷积组以及第一卷积组。即，第二种排列方式是以正交对角线为相同卷积组的排序方式。

可以理解的是，第二种排列方式中的第一卷积组以及第四卷积组，可直接采用组卷积。第二种排列方式中的第三卷积组的排列方式如图8所示，请参见图8，图8示出了本申请提供的第三卷积组排列方式的示意图。其中，图8仅仅是起示例作用，对于图8中的图像通道数量以及组卷积数量并不做任何限定。如图8所示，左下角的两个第三卷积组以及右上角的两个第三卷积组，各自符合组卷积的排列方式。故，本实施例将左下角的两个第三卷积组以及右上角的两个第三卷积组作分组处理，以使得两者符合组卷机的排列方式。即，左下角的两个第三卷积组进行单独的组卷积处理，右上角的两个第三卷积组进行单独的组卷积处理。通过上述方式，使得卷积组符合组卷积的排列方式，无需对特征图进行数据转移，减小了转移时长，提高了模型的处理效率。同理，在第二种排列方式中的第二卷积组也可采用上述方式。

故，第二种排列方式相较于第一种排列方式，由于无需进行数据转移，处理效率更高。

为了使不同卷积组拥有不同的感受野，故本实施采用如下两种方式，实现不同的感受野：

第一种方式：

具体地，第一卷积组采用第一尺寸的卷积核；第二卷积组采用第二尺寸的卷积核；第三卷积组采用第三尺寸的卷积核；第四卷积组采用第四尺寸的卷积核；其中，第一尺寸、第二尺寸、第三尺寸以及第四尺寸互不相同；卷积组包括预设数量的卷积核，同一卷积组内的感受野相同，不同卷积组之间的感受野不同。

即，第一种方式是通过将第一卷积组、第二卷积组、第三卷积组以及第四卷积组分别设置为不同的卷积核，以实现不同卷积组拥有不同的感受野。

第二种方式：

具体地，第一卷积组、第二卷积组、第三卷积组以及第四卷积组均采用第五尺寸的卷积核，且第一卷积组、第二卷积组、第三卷积组以及第四卷积组均采用不同的卷积核膨胀系数(dilation)；卷积组包括预设数量的卷积核，同一卷积组内的感受野相同，不同卷积组之间的感受野不同。

即，第二种方式是通过将第一卷积组、第二卷积组、第三卷积组以及第四卷积组分别设置为相同的卷积核，而不同的卷积组采用不同卷积核扩张因子dilation，以实现不同卷积组拥有不同的感受野。

本实施例通过，将待处理矩阵按预设通道输入卷积神经网络，卷积神经网络包括与预设通道对应的卷积组；通过卷积组对待处理矩阵进行多尺度卷积计算，输出目标特征矩阵。上述方案，通过多个组卷积提高卷积神经网络对待处理矩阵多尺度特征的提取能力。无需额外增加不同尺度的卷积层，故可以在不增加计算量的前提下，提高模型处理效果。

可选地，本申请还提供了多种稀疏组卷积。稀疏组卷积包括但不限于均匀稀疏组卷积、非均匀稀疏组卷积、逆序稀疏组卷积、交错稀疏组卷积以及单通道稀疏组卷积。

请参见图9，图9示出了本申请提供的均匀稀疏组卷积的示意图。如图9所示，均匀稀疏组卷积中只存在四个组卷积(即删减掉四个组卷积以外的卷积层)。每一组卷积对应不同图像通道，采用不同的感受野，以达到多尺度卷积的效果。其中，图9仅仅是起示例作用，对于图9中的图像通道数量以及组卷积数量并不做任何限定。

请参见图10，图10示出了本申请提供的非均匀稀疏组卷积的示意图。如图10所示，非均匀稀疏组卷积中只存在三个组卷积(即删减掉三个组卷积以外的卷积层)。每一组卷积对应不同图像通道，采用不同的感受野，以达到多尺度卷积的效果。其中，图10仅仅是起示例作用，对于图10中的图像通道数量以及组卷积数量并不做任何限定。

请参见图11，图11示出了本申请提供的逆序稀疏组卷积的示意图。如图11所示，逆序稀疏组卷积中只存在三个组卷积(即删减掉三个组卷积以外的卷积层)。每一组卷积对应不同图像通道，采用不同的感受野，以达到多尺度卷积的效果。其中，图11仅仅是起示例作用，对于图11中的图像通道数量以及组卷积数量并不做任何限定。

请参见图12，图12示出了本申请提供的交错稀疏组卷积的示意图。如图12所示，交错稀疏组卷积中只存在四个组卷积(即删减掉四个组卷积以外的卷积层)。每一组卷积对应不同图像通道，采用不同的感受野，以达到多尺度卷积的效果。其中，图12仅仅是起示例作用，对于图12中的图像通道数量以及组卷积数量并不做任何限定。

请参见图13，图13示出了本申请提供的单通道稀疏组卷积的示意图。如图12所示，单通道稀疏组卷积中只存在十六个组卷积(即删减掉十六个组卷积以外的卷积层)。每一组卷积对应不同图像通道，采用不同的感受野，以达到多尺度卷积的效果。其中，图13仅仅是起示例作用，对于图13中的图像通道数量以及组卷积数量并不做任何限定。

上述稀疏组卷积通过删减冗余的卷积层，使得模型的处理参数较少，大大减少了计算量。

如图14本申请提供了一种多尺度卷积的装置14，请参见图14，图14示出了本申请提供的一种多尺度卷积的装置的示意图，如图14所示一种多尺度卷积的装置包括：

第一处理单元141，用于将待处理矩阵按预设通道输入卷积神经网络，卷积神经网络包括与预设通道对应的卷积组；

第二处理单元142，用于通过卷积组对待处理矩阵进行多尺度卷积计算，输出目标特征矩阵。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

图15示出了本申请一实施例提供的一种终端设备的示意图。如图15所示，该实施例的一种终端设备15包括：处理器150、存储器151以及存储在存储器151中并可在处理器150上运行的计算机程序152，例如一种多尺度卷积的程序。处理器150执行计算机程序152时实现上述各个一种多尺度卷积的方法实施例中的步骤，例如图1所示的步骤101至步骤102。或者，处理器150执行计算机程序152时实现上述各装置实施例中各单元的功能，例如图14所示单元141至142。

示例性的，计算机程序152可以被分割成一个或多个单元，一个或者多个单元被存储在存储器151中，并由处理器150执行，以完成本申请。一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序152在一种终端设备15中的执行过程。例如，计算机程序152可以被分割成获取单元和计算单元各单元具体功能如下：

第一处理单元，用于将待处理矩阵按预设通道输入卷积神经网络，卷积神经网络包括与预设通道对应的卷积组；

第二处理单元，用于通过卷积组对待处理矩阵进行多尺度卷积计算，输出目标特征矩阵。

一种终端设备15可以是移动终端、桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。一种终端设备可包括，但不仅限于，处理器150、存储器151。本领域技术人员可以理解，图15仅仅是一种终端设备15的示例，并不构成对一种终端设备15的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如一种终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器150可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器151可以是一种终端设备15的内部存储单元，例如一种终端设备15的硬盘或内存。存储器151也可以是一种终端设备15的外部存储设备，例如一种终端设备15上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器151还可以既包括一种终端设备15的内部存储单元也包括外部存储设备。存储器151用于存储计算机程序以及一种终端设备所需的其他程序和数据。存储器151还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的终端设备和方法，可以通过其它的方式实现。例如，以上所描述的终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之间。

Claims (10)

1.一种多尺度卷积的方法，其特征在于，包括：

将待处理矩阵按预设通道输入卷积神经网络，所述卷积神经网络包括与所述预设通道对应的卷积组；

通过所述卷积组对所述待处理矩阵进行多尺度卷积计算，输出目标特征矩阵。

2.如权利要求1所述方法，其特征在于，所述待处理矩阵包括待处理图像。

3.如权利要求2所述方法，其特征在于，所述卷积神经网络中不同感受野对应的卷积组在多组输入神经元与多组输出神经元之间依照不同顺序进行排列。

4.如权利要求3所述方法，其特征在于，所述卷积神经网络中第一组输入神经元和所述第一组输入神经元对应的第一组输出神经元之间的卷积组的排列顺序依次为第一卷积组、第二卷积组、第三卷积组以及第四卷积组；

所述卷积神经网络中第二组输入神经元和所述第二组输入神经元对应的第二组输出神经元之间的卷积组的排列顺序依次为所述第四卷积组、所述第一卷积组、所述第二卷积组以及所述第三卷积组；

所述卷积神经网络中第三组输入神经元和所述第三组输入神经元对应的第三组输出神经元之间的卷积组的排列顺序依次为所述第三卷积组、所述第四卷积组、所述第一卷积组以及所述第二卷积组；

所述卷积神经网络中第四组输入神经元和所述第四组输入神经元对应的第四组输出神经元之间的卷积组的排列顺序依次为所述第二卷积组、所述第三卷积组、所述第四卷积组以及所述第一卷积组。

5.如权利要求3所述方法，其特征在于，所述卷积神经网络中第一组输入神经元和所述第一组输入神经元对应的第一组输出神经元之间的卷积组的排列顺序依次为第一卷积组、第二卷积组、第三卷积组以及第四卷积组；

所述卷积神经网络中第二组输入神经元和所述第二组输入神经元对应的第二组输出神经元之间的卷积组的排列顺序依次为所述第二卷积组、所述第一卷积组、所述第四卷积组以及所述第三卷积组；

所述卷积神经网络中第三组输入神经元和所述第三组输入神经元对应的第三组输出神经元之间的卷积组的排列顺序依次为所述第三卷积组、所述第四卷积组、所述第一卷积组以及所述第二卷积组；

所述卷积神经网络中第四组输入神经元和所述第四组输入神经元对应的第四组输出神经元之间的卷积组的排列顺序依次为所述第四卷积组、所述第三卷积组、所述第二卷积组以及所述第一卷积组。

6.如权利要求4或5所述方法，其特征在于，所述第一卷积组采用第一尺寸的卷积核；所述第二卷积组采用第二尺寸的卷积核；所述第三卷积组采用第三尺寸的卷积核；所述第四卷积组采用第四尺寸的卷积核；其中，所述第一尺寸、所述第二尺寸、所述第三尺寸以及所述第四尺寸互不相同；所述卷积组包括预设数量的卷积核，同一卷积组内的感受野相同，不同卷积组之间的感受野不同。

7.如权利要求4或5所述方法，其特征在于，所述第一卷积组、所述第二卷积组、所述第三卷积组以及所述第四卷积组均采用第五尺寸的卷积核，且所述第一卷积组、所述第二卷积组、所述第三卷积组以及所述第四卷积组均采用不同的卷积核膨胀系数；所述卷积组包括预设数量的卷积核，同一卷积组内的感受野相同，不同卷积组之间的感受野不同。

8.一种多尺度卷积的装置，其特征在于，包括：

第一处理单元，用于将待处理矩阵按预设通道输入卷积神经网络，所述卷积神经网络包括与所述预设通道对应的卷积组；

第二处理单元，用于通过所述卷积组对所述待处理矩阵进行多尺度卷积计算，输出目标特征矩阵。

9.一种终端设备，其特征在于，所述终端设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。

Images