图片内容的检测方法和装置的制造方法
【技术领域】
[0001]本公开涉及图像处理技术领域，尤其涉及一种图片内容的检测方法和装置。
【背景技术】
[0002]目前在图像处理技术领域，用户会利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象。
[0003]相关技术中，通过基于卷积神经网络的方法检测图片中物体的位置和物体的类别属性，其中，图片中的内容可以是图片中包含的物体的位置和物体的类别属性，卷积神经网络包括卷积层、池化层、全连接层，以及激活函数。这种方式下，当通过基于卷积神经网络的方法在图片内容检测时，对于每张待检测的图片，会首先产生很多个候选图片区域(例如，2000个)，然后再对每个候选图片区域进行识别，在基于卷积神经网络的检测过程中，卷积层和池化层只需计算一次，而全连接层对于每个候选图片区域都需计算一次(总共计算2000次左右)。
【发明内容】
[0004]为克服相关技术中存在的问题，本公开提供一种图片内容的检测方法和装置。
[0005]根据本公开实施例的第一方面，提供一种图片内容的检测方法，该方法包括:
[0006]获取待检测的图片和卷积神经网络的全连接层的线性变换函数；
[0007]对所述全连接层的线性变换函数中的权值矩阵作奇异值分解处理，得到处理后的权值矩阵；以及
[0008]根据所述处理后的权值矩阵获取目标线性变换函数，并根据所述目标线性变换函数对所述待检测的图片进行检测，以获取所述待检测的图片中的内容。
[0009]如上所述的方法，所述对所述全连接层的线性变换函数中的权值矩阵作奇异值分解处理，得到处理后的权值矩阵，包括:
[0010]获取所述权值矩阵的奇异值，并对所述权值矩阵的奇异值进行排序，得到排序后的奇异值；
[0011]对所述全连接层的线性变换函数中的权值矩阵作奇异值分解，得到分解后的矩阵；以及
[0012]在所述排序后的奇异值中选取预设个数的奇异值，并根据所述预设个数的奇异值和所述分解后的矩阵获取所述处理后的权值矩阵。
[0013]如上所述的方法，所述分解后的矩阵包括左奇异向量矩阵、对角矩阵，以及右奇异向量矩阵，所述根据所述预设个数的奇异值和所述分解后的矩阵获取所述处理后的权值矩阵，包括:
[0014]根据所述预设个数的奇异值对所述左奇异向量矩阵、所述对角矩阵，以及所述右奇异向量矩阵作处理，得到处理后的左奇异向量矩阵、对角矩阵，以及右奇异向量矩阵；以及
[0015]根据所述处理后的左奇异向量矩阵、对角矩阵，以及右奇异向量矩阵获取所述处理后的权值矩阵。
[0016]如上所述的方法，所述预设个数的奇异值的个数由用户预先设定。
[0017]如上所述的方法，所述待检测的图片中的内容包括物体的位置和物体的类别属性。
[0018]根据本公开实施例的第二方面，提供一种图片内容的检测装置，所述装置包括:
[0019]获取模块，被配置为获取待检测的图片和卷积神经网络的全连接层的线性变换函数；
[0020]奇异值分解处理模块，被配置为对所述获取模块获取到的所述全连接层的线性变换函数中的权值矩阵作奇异值分解处理，得到处理后的权值矩阵；以及
[0021 ]检测模块，被配置为根据所述奇异值分解处理模块处理后的权值矩阵获取目标线性变换函数，并根据所述目标线性变换函数对所述待检测的图片进行检测，以获取所述待检测的图片中的内容。
[0022]如上所述的装置，所述奇异值分解处理模块，包括:
[0023]排序子模块，被配置为获取所述权值矩阵的奇异值，并对所述权值矩阵的奇异值进行排序，得到排序后的奇异值；
[0024]奇异值分解子模块，被配置为对所述全连接层的线性变换函数中的权值矩阵作奇异值分解，得到分解后的矩阵；以及
[0025]权值矩阵获取子模块，被配置为在所述排序子模块获取到的排序后的奇异值中选取预设个数的奇异值，并根据所述预设个数的奇异值和所述奇异值分解子模块分解后的矩阵获取所述处理后的权值矩阵。
[0026]如上所述的装置，所述分解后的矩阵包括左奇异向量矩阵、对角矩阵，以及右奇异向量矩阵，所述权值矩阵获取子模块，被配置为:
[0027]根据所述预设个数的奇异值对所述左奇异向量矩阵、所述对角矩阵，以及所述右奇异向量矩阵作处理，得到处理后的左奇异向量矩阵、对角矩阵，以及右奇异向量矩阵；以及
[0028]根据所述处理后的左奇异向量矩阵、对角矩阵，以及右奇异向量矩阵获取所述处理后的权值矩阵。
[0029]如上所述的装置，所述预设个数的奇异值的个数由用户预先设定。
[0030]如上所述的装置，所述待检测的图片中的内容包括物体的位置和物体的类别属性。
[0031]根据本公开实施例的第三方面，提供一种图片内容的检测装置，所述装置包括:
[0032]处理器；
[0033]用于存储所述处理器的可执行指令的存储器；
[0034]其中，所述处理器被配置为:
[0035]获取待检测的图片和卷积神经网络的全连接层的线性变换函数；
[0036]对所述全连接层的线性变换函数中的权值矩阵作奇异值分解处理，得到处理后的权值矩阵；以及
[0037]根据所述处理后的权值矩阵获取目标线性变换函数，并根据所述目标线性变换函数对所述待检测的图片进行检测，以获取所述待检测的图片中的内容。
[0038]本公开实施例提供的技术方案可以包括以下有益效果:
[0039]对卷积神经网络中全连接层线性变换函数的权值矩阵作奇异值分解处理，并根据处理后的权值矩阵获取目标线性变换函数，对待检测的图片进行检测，以获取待检测的图片中的内容，能够有效提升图片内容的检测速度。
[0040]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
【附图说明】
[0041]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0042]图1是根据一示例性实施例示出的一种图片内容的检测方法的流程图；
[0043]图2是一种图片内容中物体的位置和物体的类别属性示意图；
[0044]图3是根据另一示例性实施例示出的一种图片内容的检测方法的流程图；
[0045]图4是根据另一示例性实施例示出的一种图片内容的检测方法的流程图；
[0046]图5是根据一示例性实施例示出的一种图片内容的检测装置的框图；
[0047]图6是根据另一示例性实施例示出的一种图片内容的检测装置的框图；
[0048]图7是根据另一示例性实施例示出的一种图片内容的检测装置的框图。
[0049]通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
【具体实施方式】
[0050]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
[0051]图1是根据一示例性实施例示出的一种图片内容的检测方法的流程图，本实施例以该图片内容的检测方法被配置为图片内容的检测装置中来举例说明。如图1所示，该图片内容的检测方法包括如下几个步骤:
[0052]在步骤SlOl中，获取待检测的图片和卷积神经网络的全连接层的线性变换函数。
[0053]在本公开的实施例中，待检测的图片为需要检测内容的图片，例如，待检测的图片可以是用户在网页上下载的图片，或者，待检测的图片也可以是用户通过摄像机拍照得到的图片。
[0054]目前在图像处理技术领域，用户会利用计算机对图像进行处理、分析和理解，以识别图像中各种不同模式的目标和对象，例如，可以识别待检测的图片中物体的位置和物体的类别属性。
[0055]如图2所示，图2是一种图片内容中物体的位置和物体的类别属性示意图，图2中的21用于标识物体的位置，22用于标识物体的类别属性。
[0056]卷积神经网络是一种前馈神经网络，它的人工神经元可以响应部分覆盖范围内的单元。
[0057]可选地，可以通过基于卷积神经网络的方法检测图片中物体的位置和物体的类别属性，卷积神经网络包括卷积层、池化层、全连接层，以及激活函数。
[0058]在本公开实施例中，对卷积神经网络中的全连接层的计算过程进行优化处理，以提升图片内容的检测速度。
[0059 ]可选地，卷积神经网络的全连接层的线性变换函数可以用以下公式表示:
[0