[發明專利]用于對象檢測的多層聚合

有效

• 申請號: 201580043139.7
• 申請日: 2015-07-31
• 公開（公告）號: CN107155360B
• 公開（公告）日: 2019-05-07
• 發明（設計）人: H.阮;V.K.辛格;鄭冶楓;B.喬治斯庫;D.科馬尼丘;周少華
• 申請（專利權）人: 西門子保健有限責任公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 中國專利代理(香港)有限公司 72001
• 代理人: 胡莉莉;劉春元

1.一種用于對象檢測的方法，所述方法包括：

獲得對象的圖像；

定義輸入層和多層特征學習網絡的在所述輸入層之后的多個順序特征層，來自所述輸入層的特征被直接提供到順序特征層中的第一層，來自所述順序特征層中的每個層的特征被直接提供到所述順序特征層中的下一層，所述順序特征層包括隱藏層；

提供直接從所述多層特征學習網絡的所述順序特征層的多個層接收特征的聚合器層，來自所述順序特征層中的不同的各層的特征被提供到所述順序特征層中的隨后的各層并且還被直接提供到所述聚合器層而沒有由所述隨后的各層處理，所述聚合器層對所接收的特征進行聚合；

使用所述對象的圖像來聯合地并且通過處理器優化所述多層特征學習網絡和所述聚合器層；以及

通過所述處理器輸出由被優化的多層特征學習網絡表示的所學習的特征的集合以及通過被優化的聚合器層利用所生成的特征的檢測器，所學習的特征的集合用于區分所述對象，并且所述檢測器用于對所述對象進行分類，

其中，聯合地進行優化包括：使用在所述順序特征層中的相鄰各層之間的并且從所述聚合器層到所述順序特征層中的多個層的向后投射。

2.如權利要求1所述的方法，其中，獲得所述圖像包括：獲得具有包括器官或醫學異常的對象的醫學圖像。

3.如權利要求1所述的方法，其中，獲得所述圖像包括：獲得具有包括人的對象的安全圖像。

4.如權利要求1所述的方法，其中，進行定義包括：將所述多層特征學習網絡定義為深架構，所述深架構是所述多層特征學習網絡的框架。

5.如權利要求1所述的方法，其中，進行定義包括：將所述順序特征層定義為自動編碼器層。

6.如權利要求1所述的方法，其中，進行定義包括：將所述順序特征層定義為受限制的玻爾茲曼機層。

7.如權利要求1所述的方法，其中，進行定義包括：將所述多層特征學習網絡定義為具有所述順序特征層中的至少四個層，來自所述順序特征層中的第一層的輸出是饋送到所述順序特征層中的第二層的第一特征，來自所述順序特征層中的第二層的輸出是饋送到所述順序特征層中的第三層的第二特征，所述順序特征層中的第三層的輸出是饋送到所述順序特征層中的第四層的第三特征，并且所述順序特征層中的第四層、第三層以及第二層的輸出被直接饋送到所述聚合器層。

8.如權利要求1所述的方法，其中，進行優化包括：機器學習。

9.如權利要求1所述的方法，其中，進行優化包括：利用概率提升樹或支撐矢量機學習所述聚合器層的映射函數。

10.如權利要求1所述的方法，其中，輸出所述檢測器包括：基于所述多個特征層的特征而輸出所述檢測器作為多個屬性的分類器。

11.如權利要求1所述的方法，其中，輸出所學習的特征包括：基于所述對象的重構而輸出分離的特征層的特征作為不同的抽象水平。

12.如權利要求1所述的方法進一步包括：將所述圖像中的每一個劃分為子區域，其中，進行定義包括：將所述順序特征層中的第一層定義到用于相應的子區域的分離的局部特征學習器中，并且將所述順序特征層中的第二層定義為用于來自所述分離的局部特征學習器的輸出的圖像的整體的全局特征學習器。

13.如權利要求1所述的方法進一步包括：消除針對具有預先編程的特征的所述對象的候選，并且其中，進行優化包括：在所述消除之后使用其余的候選進行優化。

14.一種用于對象檢測的方法，所述方法包括：

獲得對象的圖像；

定義多層特征學習網絡的多個順序特征層；

提供從所述多層特征學習網絡的多個層接收特征的聚合器層；

聯合地并且通過處理器使用所述對象的圖像來優化所述多層特征學習網絡和所述聚合器層，該聯合地優化使用在所述順序特征層中的相鄰各層之間的并且從所述聚合器層到所述順序特征層中的多個層的向后投射；以及

通過所述處理器輸出由被優化的多層特征學習網絡表示的所學習的特征的集合以及通過被優化的聚合器層利用所生成的特征的檢測器，所學習的特征的集合用于區分所述對象，并且所述檢測器用于對所述對象進行分類。