1.一种图像识别方法,其特征在于,所述方法包括:
将待识别图像输入已训练的第一卷积神经网络,所述第一卷积神经网络包括P组卷积层,每一组卷积层包括两个卷积层,所述两个卷积层的卷积核分别为大小为1*N的第一卷积核和大小为N*1的第二卷积核;
通过所述第一卷积神经网络的每一组卷积层对所述待识别图像进行特征提取,得到所述每一组卷积层的待提取特征;
根据所述每一组卷积层的待提取特征确定所述待识别图像的识别结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将第二卷积神经网络中的每一个卷积层分解为所述两个卷积层,得到所述第一卷积神经网络,所述第二卷积神经网络中的每一个卷积层包括一个方形卷积核。
3.根据权利要求2所述的方法,其特征在于,所述第二卷积神经网络中的每一个卷积层的卷积核为大小为N*N的方形卷积核,所述第二卷积神经网络包括P个卷积层;
所述将第二卷积神经网络中的每一个卷积层分解为所述两个卷积层,包括:
将所述第二卷积神经网络中每一个卷积层的大小为N*N的方形卷积核分解为大小为1*N的第一卷积核和大小为N*1的第二卷积核,所述第一卷积核与所述第二卷积核的乘积值为所述方形卷积核;
使用所述第一卷积核和所述第二卷积核分别替换所述第二卷积神经网络中对应的卷积层的方形卷积核,得到所述第一卷积神经网络的一组卷积层。
4.根据权利要求1所述的方法,其特征在于,所述通过所述第一卷积神经网络的每一组卷积层对所述待识别图像进行特征提取,包括:
利用所述第一卷积神经网络的每一组卷积层中的一个卷积层对输入信息进行特征提取,得到每一组卷积层的待提取特征的中间值;
将所述待提取特征的中间值输入所述每一组卷积层中的另一个卷积层进行特征提取,得到每一组卷积层的待提取特征。
5.一种图像识别装置,其特征在于,所述装置包括:
输入模块,被配置为将待识别图像输入已训练的第一卷积神经网络,所述第一卷积神经网络包括P组卷积层,每一组卷积层包括两个卷积层,所述两个卷积层的卷积核分别为大小为1*N的第一卷积核和大小为N*1的第二卷积核;
特征提取模块,被配置为通过所述第一卷积神经网络的每一组卷积层对所述待识别图像进行特征提取,得到所述每一组卷积层的待提取特征;
确定模块,被配置为根据所述每一组卷积层的待提取特征确定所述待识别图像的识别结果。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
分解模块,被配置为将第二卷积神经网络中的每一个卷积层分解为所述两个卷积层,得到所述第一卷积神经网络,所述第二卷积神经网络中的每一个卷积层包括一个方形卷积核。
7.根据权利要求6所述的装置,其特征在于,所述第二卷积神经网络中的每一个卷积层的卷积核为大小为N*N的方形卷积核,所述第二卷积神经网络包括P个卷积层;
所述分解模块包括:
分解子模块,被配置为将所述第二卷积神经网络中每一个卷积层的大小为N*N的方形卷积核分解为大小为1*N的第一卷积核和大小为N*1的第二卷积核,所述第一卷积核与所述第二卷积核的乘积值为所述方形卷积核;
确定子模块,被配置为使用所述第一卷积核和所述第二卷积核分别替换所述第二卷积神经网络中对应的卷积层的方形卷积核,得到所述第一卷积神经网络的一组卷积层。
8.根据权利要求5所述的装置,其特征在于,所述特征提取模块包括:
第一提取子模块,被配置为利用所述第一卷积神经网络的每一组卷积层中的一个卷积层对输入信息进行特征提取,得到每一组卷积层的待提取特征的中间值;
第二提取子模块,被配置为将将所述待提取特征的中间值输入所述每一组卷积层中的另一个卷积层进行特征提取,得到每一组卷积层的待提取特征。
9.一种图像识别装置,其特征在于,所述装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
将待识别图像输入已训练的第一卷积神经网络,所述第一卷积神经网络包括P组卷积层,每一组卷积层包括两个卷积层,所述两个卷积层的卷积核分别为大小为1*N的第一卷积核和大小为N*1的第二卷积核;
通过所述第一卷积神经网络的每一组卷积层对所述待识别图像进行特征提取,得到所述每一组卷积层的待提取特征;
根据所述每一组卷积层的待提取特征确定所述待识别图像的识别结果。