适用小样本神经网络硬件系统的特征距离伸缩度量电路

本技术涉及神经网络硬件系统，尤其涉及适用小样本神经网络硬件系统的特征距离伸缩度量电路。

背景技术：

1、由于卷积神经网络算法的提出，深度学习模型在许多计算机视觉任务上取得了巨大的成功。但是，传统的深度学习模型过度依赖大量带标签样本进行训练，使得其在一些数据缺乏的领域很难奏效，小样本学习应运而生。小样本学习作为计算机视觉领域的一个分支，已经有不少的方法被提出，其中基于度量的小样本学习结构简单，易于优化，效果也很出色，成为小样本学习领域中使用最广泛的方法。小样本学习网络产生的初衷就是模仿人类，希望能够在很少的样本情况下也能学习到新概念。小样本学习不同于传统深度学习的地方在于，只需要少量样本就能对未知类别的分类。

2、小样本神经网络需要使用卷积神经网络进行特征提取，使用度量模块进行分类。边缘端和嵌入式设备对小样本神经网络硬件加速系统有很大潜在需求。目前，对于进行特征提取的卷积神经网络的硬件加速研究较为广泛，通常使用计算资源复用、数据重用的技术，实现了输入特征图并行计算、卷积窗口内部并行计算、输出特征图并行计算、同一输入的卷积并行计算，加速器性能较好。

3、度量模块首先对查询图像特征向量和各支持集图像特征向量的相似度进行度量，然后根据相似度度量大小判断查询图像与某一支持集图像属于同类。用于小样本神经网络的度量算法影响网络识别效果，使用最多、识别效果最好的主要是欧几里得距离与余弦距离。此两种度量方法比较直观，没有参数，便于理解和计算。在相应的距离空间中，两个特征越相似，其距离就约小，在特征空间上就越接近，反之，距离就越大。然而，距离描述的特征空间过于单一，当出现一些特殊样本时，样本在特征空间中不同维度的特征差别较大时，仅考虑样本之间的绝对距离存在一定的不合理性。本质原因就是度量时只考虑了同类特征的相似性，未考虑异类特征的差异性，从而影响系统的识别性能。。

技术实现思路

1、本实用新型的目的在于解决现有技术中的问题。

2、本实用新型解决其技术问题所采用的技术方案是：提供适用小样本神经网络硬件系统的特征距离伸缩度量电路，包括：

3、信号输入口，输入数据信号、地址信号和控制信号，所述数据信号为支持集图像特征向量和待测查询样本图像特征向量；

4、配置寄存器，与信号输入口相连接以接收地址信号，输出配置信息；

5、数据寄存器，与信号输入口相连接以接收数据信号；

6、控制模块，与信号输入口相连接以接收控制信号，与配置寄存器相连接以接收配置信息，输出控制信息和数据有效信号；

7、欧式距离计算模块，与数据寄存器相连接以接收数据信号，与控制模块相连接以接收控制信号，输出欧式距离计算结果和模块有效信号；

8、距离伸缩计算模块，与欧式距离计算模块相连接以接收欧式距离计算结果和模块有效信号；与控制模块相连接以接收控制信息，输出特征距离伸缩量度结果、分类结果和数据有效信号，分类结果表示待测查询样本图像对应的支持集类别中的类别编号；

9、信号输出口，输出特征距离伸缩量度结果、分类结果和数据有效信号。

10、优选的，所述欧式距离计算模块包括：

11、第一减法器，接收数据信号，输出减法计算结果；

12、第一寄存器，与第一减法器相连接以接收减法计算结果；

13、第一乘法器，与第一寄存器相连接以接收减法计算结果，输出乘法计算结果；

14、第二寄存器，与第一乘法器相连接以接收乘法计算结果；

15、第一加法器，具有两个输入端，其中一个输入端与第二寄存器相连接以接收乘法计算结果作为一个加数，另一个输入端与第三寄存器相连接以接收第三寄存器输出的结果作为另一个加数，输出加法计算结果；

16、第一选择器，具有两个输入端和一个控制端，其中一个输入端与第一加法器相连接以接收加法计算结果，另一个输入端与第三寄存器相连接以接收第三寄存器输出的结果，控制端与控制单元相连接以接收控制信息，输出选择结果；

17、第三寄存器，与第一选择器相连接以接收选择结果，并输出作为所述欧式距离计算模块的输出；

18、第一控制单元，与控制模块相连接以接收控制信息，输出控制信息到第一选择器，输出模块有效信号到距离伸缩计算模块。

19、优选的，所述距离伸缩计算模块包括：

20、加法单元，包括第二加法器，所述加法单元与欧式距离计算模块相连接以接收欧式距离计算结果，输出加法结果；

21、选择单元，包括多个选择通道，通道数量由支持集类别的数量n确定，每个选择通道包括一个选择器和一个乘法器，每个选择单元的输入端均与欧式距离计算模块相连接以接收欧式距离计算结果，每个选择通道输出一个选择结果；

22、减法单元，包括多个减法器，所述减法单元与加法单元和选择单元的输出端分别相连接以接收加法结果和多个选择结果，对加法结果与不同的选择结果分别做减法操作，输出多个减法结果；

23、比较单元，包括多个比较器，所述比较单元与减法单元相连接以接收多个减法结果，输出一个比较结果和一个分类结果；

24、第二控制单元，与控制模块相连接以接收控制信息，与所述欧式距离计算模块相连接以接受模块有效信号，输出第二控制信号到每个选择通道的选择器，输出数据有效信号到信号输出口。

25、优选的，所述选择单元的选择通道包括：

26、第五寄存器，与欧式距离计算模块相连接以接收欧式距离计算结果；

27、第二乘法器，具有两个输入端，其中一个输入端的输入恒为n，另一个输入端与第五寄存器相连接以接收欧式距离计算结果，输出乘法计算结果；

28、第二选择器，具有两个输入端，其中一个输入端与第二乘法器相连接以乘法计算结果，另一个输入端与第六寄存器的输出端相连接，输出选择结果；

29、第六寄存器，与第二选择器相连接以接收选择结果，输出作为选择通道的输出。

30、优选的，所述选择单元有五个选择通道，分别为第一选择通道、第二选择通道、第三选择通道、第四选择通道和第五选择通道。

31、优选的，所述减法单元有五个减法器，分别为第二减法器、第三减法器、第四减法器、第五减法器和第六减法器；第二减法器接收加法单元和第一选择通道的输出，输出第一减法结果；第三减法器接收加法单元和第二选择通道和的输出，输出第二减法结果；第四减法器接收加法单元和第三选择通道的输出，输出第三减法结果；第五减法器接收加法单元和第四选择通道的输出，输出第四减法结果；第六减法器接收加法单元和第五选择通道的输出，输出第五减法结果。

32、优选的，所述比较单元包括四个比较器，第一比较器接收第一减法单元和第二减法单元的输出，输出第一比较结果；第二比较器接收第三减法单元和第四减法单元的输出，输出第二比较结果，第三比较器接收第一比较器和第二比较器的输出，输出第三比较结果；第四比较器接收第三比较器和第六减法器的输出，输出第四比较结果作为最终比较结果。

33、本实用新型具有如下有益效果：

34、(1)采用归一化欧式距离替代欧式距离，特征向量首先在维度上做归一化后，再比较归一化后的特征向量之间的欧式距离，避免由于图像的局部失真或是噪点影响识别的性能，更准确地比较高维特征向量之间的相似性；

35、(2)通过特征距离伸缩量度，不仅可以体现与同类图像的相似性，还包含异类的差异性，提高识别效果。

36、以下结合附图及实施例对本实用新型作进一步详细说明，但本实用新型不局限于实施例。