[0086]
[0087] 其中，k为1到N的自然数，i为1到S的自然数，X为1到m的自然数，y为1到 η的自然数，表示第一矩阵mW针对所述N个方面当中的第k个方面的第i个特 征在点（x，y)处的矩阵元素的值，RW(i，x，y)表示第二矩阵rW针对所述N个方面当中的 每个方面的第i个特征在点（X，y)处的矩阵元素的值。
[0088] 当第一矩阵mW针对第k个方面的第i个特征在点（x，y)处的矩阵元素的值 Mf(/，x，.v)为1时，保留第k个方面中的第i个特征在点（x，y)处的元素。
[0089] 替选地，方法900可W包括基于另外的第一矩阵r W来得到所述第一过滤特征， 其中，利用每个元素为第一随机分布中的随机采样的第二矩阵r W将第一矩阵r W定义 为：
[0090]
[00川其中，k、P为1到N的自然数，i为1到S的自然数，X为1到m的自然数，y为！ 到η的自然数，Mf化.T，y)表示第一矩阵r W针对所述N个方面当中的第k个方面的第 i个特征在点（x，y)处的矩阵元素的值，/^i(/，.v，.r)表示第二矩阵r W针对所述N个方面 当中的第P个方面的第i个特征在点（X，y)处的矩阵元素的值。
[0092] 当第一矩阵r W针对第k个方面的第i个特征在点（x，y)处的矩阵元素的值 Mf化Λ-，的为1时，保留第k个方面中的第i个特征在点（X，y)处的元素。
[0093] 在又一个优选实施例中，方法900还可W包括；W提供兀余的方式，基于第Η矩阵 Μ?来在所获取的至少两个不同方面的特征的对应元素位置保留来自其中一个W上方面的 特征的元素，W得到第二过滤特征，作为要供竞争子步骤S9012中选择的特征。
[0094] 通过每个元素为[0, 1]的均匀分布中的随机采样的第四矩阵R?将第Η矩阵Μ? 定义为：
[0095]
[0096] 其中，t表示预先定义的重合度并且为0到1之间的实数，A心'l(z'，.t，>')表示第H矩 阵针对所述N个方面当中的第k个方面的第i个特征在点（X，y)处的矩阵元素的值， 邸|(/，ν，.Π 表示第四矩阵R?针对所述N个方面当中的第k个方面的第i个特征在点（X，y) 处的矩阵元素的值。
[0097] 当第Η矩阵针对第k个方面的第i个特征在点（x，y)处的矩阵元素的值 Mf (林妨为1时，保留第k个方面的第i个特征在点（X，y)处的元素。
[0098] 替选地，方法900可W包括；W提供兀余的方式，基于另外的第Η矩阵r ?来在所 述至少两个不同方面的特征的对应元素位置保留来自其中一个W上方面的特征的元素 ，W 得到第二过滤特征，作为要供竞争子步骤S9012中选择的特征。
[0099] 通过每个元素为第二随机分布中的随机采样的第四矩阵r ?将第Η矩阵r ?定 义为：
[0100]
[ow] 其中，
[010引其中，t表示预先定义的重合度并且为ο到1之间的实数，Mf0'，.w)表示第s 矩阵r ?针对所述N个方面当中的第k个方面的第i个特征在点（x，y)处的矩阵元素的 值，巧护化·?，的表示第四矩阵r ?针对所述N个方面当中的第k个方面的第i个特征在点 (X，y)处的矩阵元素的值，E (i，X，y)表示第四矩阵r ?针对所述N个方面当中的各个方面 的第i个特征在点（X，y)处的矩阵元素的平均值。
[0103] 当第Η矩阵r ?针对第k个方面的第i个特征在点（x，y)处的矩阵元素的值 Mf 为1时，保留第k个方面的第i个特征在点（X，y)处的元素。
[0104] 在方法900中利用上述第一矩阵mW或r W W及第二矩阵rW或R' ω进行的处 理（W及所获得效果）可W包括W上参照图7描述的在第一过滤子单元201中利用相应矩 阵进行的处理（W及所获得效果），具体细节在此不再赏述。
[0105] 类似地，在方法900中利用上述第Η矩阵Μ?或r ? W及第四矩阵R?和r ? 进行的处理（W及所获得效果）可W包括W上参照图7描述的在第二过滤子单元202中利 用相应矩阵进行的处理（W及所获得效果），具体细节在此不再赏述。
[0106] 由于获取了多方面的特征，根据本公开实施例的用于对卷积神经网络模型进行训 练的方法可W充分利用训练样本数据的各个方面的信息；而由于采用了竞争选择，根据本 公开实施例的用于对卷积神经网络模型进行训练的方法可W高效利用样本数据，减少了计 算量。
[0107] 上述根据本公开的实施例的用于对卷积神经网络模型进行训练的装置（例如图1 中所示的装置1) W及通过根据本公开实施例的训练装置训练得到的卷积神经网络模型来 对输入数据进行检测的装置（例如图8中所示的装置8) W及其中的各个组成单元、子单元 等可W通过软件、固件、硬件或其任意组合的方式进行配置。在通过软件或固件实现的情况 下，可从存储介质或网络向具有专用硬件结构的机器安装构成该软件或固件的程序，该机 器在安装有各种程序时，能够执行上述各组成单元、子单元的各种功能。
[010引图10是示出了可用来实现根据本公开的实施例的用于对卷积神经网络模型进行 训练的装置和方法的一种可能的硬件配置的结构简图。
[0109] 在图10中，中央处理单元仰U) 1001根据只读存储器（ROM) 1002中存储的程序或 从存储部分1008加载到随机存取存储器（RAM) 1003的程序执行各种处理。在RAM1003中， 还根据需要存储当CPU1001执行各种处理等等时所需的数据。CPU100UR0M1002和RAM1003 经由总线1004彼此连接。输入/输出接口 1005也连接到总线1004。
[0110] 下述部件也连接到输入/输出接口 1005 ;输入部分1006(包括键盘、鼠标等等）、 输出部分1007(包括显示器，例如阴极射线管（CRT)、液晶显示器化CD)等，和扬声器等）、 存储部分1008(包括硬盘等）、通信部分1009(包括网络接口卡例如LAN卡、调制解调器 等）。通信部分1009经由网络例如因特网执行通信处理。根据需要，驱动器1010也可连接 到输入/输出接口 1005。可拆卸介质1011例如磁盘、光盘、磁光盘、半导体存储器等等可W 根据需要被安装在驱动器1010上，使得从中读出的计算机程序可根据需要被安装到存储 部分1008中。
[0111] 在通过软件实现上述系列处理的情况下，可W从网络例如因特网或从存储介质例 如可拆卸介质1011安装构成软件的程序。
[0112] 本领域的技术人员应当理解，送种存储介质不局限于图10所示的其中存储有程 序、与设备相分离地分发W向用户提供程序的可拆卸介质1011。可拆卸介质1011的例子包 含磁盘（包含软盘）、光盘（包含光盘只读存储器（CD-ROM)和数字通用盘值VD))、磁光盘 (包含迷你盘（MD)(注册商标））和半导体存储器。或者，存储介质可W是R0M1002、存储部 分1008中包含的硬盘等等，其中存有程序，并且与包含它们的设备一起被分发给用户。
[0113] 此外，本公开还提出了一种存储有机器可读取的指令代码的程序产品。上述指令 代码由机器读取并执行时，可执行上述根据本公开的实施例的图像处理方法。相应地，用于 承载送种程序产品的例如磁盘、光盘、磁光盘、半导体存储器等的各种存储介质也包括在本 公开的公开中。
[0114] 在上面对本公开具体实施例的描述中，针对一种实施方式描述和/或示出的特征 可相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征 相组合，或替代其它实施方式中的特征。
[0115] 此外，本公开的各实施例的方法不限于按照说明书中描述的或者附图中示出的时 间顺序来执行，也可W按照其他的时间顺序、并行地或独立地执行。因此，本说明书中描述 的方法的执行顺序不对本公开的技术范围构成限制。
[0116] 此外，显然，根据本公开的上述方法的各个操作过程也可存储在各种机器可 读的存储介质中的计算机可执行程序的方式实现。
[0117] 而且，本公开的目的也可W通过下述方式实现；将存储有上述可执行程序代码的 存储介质直接或者间接地提供给系统或设备，并且该系统或设备中的计算机或者中央处理 单元（CPU)读出并执行上述程序代码。
[0118] 此时，只要该系统或者设备具有执行程序的功能，则本公开的实施方式不局限于 程序，并且该程序也可W是任意的形式，例如，目标程序、解释器执行的程序或者提供给操 作系统的脚本程序等。
[0119] 上述送些机器可读存储介质包括但不限于：各种存储器和存储单元，半导体设备， 磁盘单元例如光、磁和磁光盘，W及其它适于存储信息的介质等。
[0120] 另外，客户信息处理终端通过连接到因特网上的相应网站，并且将依据本公开的 计算机程序代码下载和安装到信息处理终端中然后执行该程序，也可W实现本公开的各实 施例。
[0121] 综上，在根据本公开的实施例中，本公开提供了如下方案，但不限于此：
[0122] 方案1、一种用于对卷积神经网络模型进行训练的装置，包括：
[0123] 特征获取及竞争单元，包括：
[0124] 获取子单元，被配置成针对所述卷积神经网络模型的至少一个卷积层、获取训练 样本数据的至少两个不同方面的特征，W及
[0125] 竞争子单元，被配置成基于所述获取子单元获取的至少两个不同方面的特征的对 应元素，选择每个元素位置处的最优元素，W得到竞争结果特征；W及
[0126] 模型训练单元，被配置成在训练卷积神经网络模型的过程中，针对所述至少一个 卷积层，应用所述竞争结果特征来执行训练。
[0127] 方案2、如方案1所述的装置，其中，
[012引所述模型训练单元包括第一过滤子单元，所述第一过滤子单元被配置成W机会均 等的方式、在所述获取子单元获取的至少两个不同方面的特征的对应元素位置保留来自其 中一个方面的特征的元素，W得到第一过滤特征，作为要提供给所述竞争子单元W供选择 的特征。
[0129] 方案3、如方案2所述的装置，还包括：
[0130] 所述模型训练单元还包括第二过滤子单元，所述第二过滤子单元被配置成W提供 兀余的