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W上方面的特征的元素，W得到第二过滤特征，作为要提供给所述竞争子单元W 供选择的特征。
[0131] 方案4、如方案2所述的装置，其中，
[0132] 所述至少两个不同方面的特征是N个方面的特征，并且每个方面的特征的数量为 S，每个特征为mXn的矩阵，其中，N、S、m、n为自然数，并且N大于1，W及
[0133] 所述第一过滤子单元被配置成基于第一矩阵mW来得到所述第一过滤特征，
[0134] 其中：
[0135] 利用每个元素为[0, 1]的均匀分布中的随机采样的第二矩阵RW将第一矩阵mW 定义为：
[0136]
[0137] 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，Ο',χ,.ν)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，W及
[0138] 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 睽x，y)为1时，所述第一过滤子单元保留第k个方面中的第i个特征在点（x，y)处的 兀素。
[0139] 方案5、如方案2所述的装置，其中，
[0140] 所述至少两个不同方面的特征是N个方面的特征，并且每个方面的特征的数量为 S，每个特征为mXη的矩阵，其中，N、S、m、η为自然数，并且N大于1，W及
[0141] 所述第一过滤子单元被配置成基于第一矩阵r W来得到所述第一过滤特征，
[014引其中：
[0143] 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：
[0144]
[014引其中，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，ikrf 0'，x，"v)表示第一矩阵M'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，W",!'(/'，.v，.v)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，W及
[0146] 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 为1时，所述第一过滤子单元保留第k个方面中的第i个特征在点（x，y)处的 兀素。
[0147] 方案6、如方案4或5所述的装置，其中，
[014引所述特征获取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 兀余的方式、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，作为要提供给所述竞争子单元的特征，W及
[0149] 所述第二过滤子单元被配置成基于第Η矩阵来得到所述第二过滤特征，
[0150] 其中，
[0151] 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：
[0152]
[0153] 其中，t表示预先定义的重合度并且为0到1之间的实数，〇'，χ，3；)表示第Η矩 阵Μ?针对所述Ν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=i(/，.v，.v)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，W及
[0154] 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 片.T，分为1时，所述第二过滤子单元保留第k个方面的第i个特征在点（x，y)处的元 素。
[01巧]方案7、如方案4或5所述的装置，其中，
[0156] 所述特征获取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 兀余的方式、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，作为要提供给所述竞争子单元的特征，W及
[0157] 所述第二过滤子单元被配置成基于第Η矩阵r ?来得到所述第二过滤特征，
[0158] 其中，
[0159] 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：
[0160]
[0161] 其中
[016引其中，t表示预先定义的重合度并且为0到1之间的实数，Mf化Λ-，的表示第S 矩阵r ?针对所述Ν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，Kf 扬表示第四矩阵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，W及
[0163] 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化X，滅为1时，所述第二过滤子单元保留第k个方面的第i个特征在点（X，y)处的元 素。
[0164] 方案8、如上述方案1至7之一所述的装置，其中，所述训练样本数据是图像数据。
[0165] 方案9、一种通过如方案1至8中任一项所述的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，包括：
[0166] 特征获取及竞争单元，包括：
[0167] 获取子单元，被配置成提取所述输入数据的至少两个不同方面的特征，W及
[016引竞争子单元，被配置成基于该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
[0169] 检测单元，被配置成利用所述卷积神经网络模型、基于该竞争结果特征来进行检 测，
[0170] 其中，所提取的所述输入数据的至少两个不同方面的特征与在训练所述卷积神经 网络模型时由所述进行训练的装置中的获取子单元获取的训练样本数据的至少两个不同 方面的特征是对应的。
[017。 方案10、一种对卷积神经网络模型进行训练的方法，包括：
[0172] 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；
[0173] 基于所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
[0174] 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 果特征来进行训练。
[01巧]方案11、如方案10所述的方法，还包括：
[0176] W机会均等的方式，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 自其中一个方面的特征的元素，W得到第一过滤特征，作为要供所述选择的步骤中选择的 特征。
[0177] 方案12、如方案11所述的方法，还包括：
[0178] W提供兀余的方式，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，作为要供所述选择的步骤中选 择的特征。
[0179] 方案13、如方案11所述的方法，其中，
[0180] 所述至少两个不同方面的特征是N个方面的特征，并且每个方面的特征的数量为 S，每个特征为mXη的矩阵，其中，N、S、m、η为自然数，并且N大于1，W及
[0181] 基于第一矩阵mW来得到所述第一过滤特征，
[018引其中：
[0183] 利用每个元素为[0, 1]的均匀分布中的随机采样的第二矩阵RW将第一矩阵mW 定义为：
[0184]
[01财其中，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，0>，的表示第一矩阵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，W及
[0186] 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 Aif片为1时，保留第k个方面中的第i个特征在点（X，y)处的元素。
[0187] 方案14、如方案11所述的方法，其中，
[0188] 所述至少两个不同方面的特征是N个方面的特征，并且每个方面的特征的数量为 S，每个特征为mXη的矩阵，其中，N、S、m、η为自然数，并且N大于1，W及
[0189] 基于第一矩阵r W来得到所述第一过滤特征，
[0190] 其中：
[0191] 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M'W定 义为：
[0192]
[019引其中，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，M",.11片^，3，)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，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，W及
[0194] 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 〇>，_>，)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。
[0195] 方案15、如方案13或14所述的方法，还包括：
[0196] W提供兀余的方式，基于第Η矩阵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 所述选择的步骤中选择的特征，
[0197] 其中，
[019引通过每个元素为[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：
[0199]
[0200] 其中，t表示预先定义的重合度并且为0到1之间的实数，表示第Η矩 阵Μ?针对所述Ν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