[發明專利]一種基于加載預訓練卷積網絡的自動目標識別方法

在審

• 申請號: 201710999215.2
• 申請日: 2017-10-20
• 公開（公告）號: CN107545257A
• 公開（公告）日: 2018-01-05
• 發明（設計）人: 夏春秋
• 申請（專利權）人: 深圳市唯特視科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于加載預訓練卷積網絡的自動目標識別方法，其特征在于，主要包括網絡重構(一)；網絡特征合成(二)；分類器轉換(三)；網絡模型微調(四)。

2.基于權利要求書1所述的網絡重構(一)，其特征在于，包括網絡結構拆分重構和權重預加載。

3.基于權利要求書2所述的網絡結構拆分重構，其特征在于，對現有典型的用于圖像分類的學習網絡(如VGG19，由若干個卷積模塊組成)進行功能和架構拆分，再根據自動目標識別所需的功能層進行重構，具體為：

(1)將一般網絡視作“輸入層、卷積層(多層)、全連接層和輸出層”；

(2)選取具有前向傳播能力的結構層進行重構；

(3)去掉最后一層輸出層；

(4)根據目標識別任務的樣本數量進行卷積網絡的層數壓縮；

(5)全連接層中保留倒數第一層作為特征選取。

4.基于權利要求書3所述的層數壓縮，其特征在于，在原有卷積網絡造成冗長訓練時，截取完整的卷積功能模塊，組成更少層次的卷積網絡，并保留最終的輸出層。

5.基于權利要求書2所述的權重預加載，其特征在于，在進行網絡結構拆分重構時，原有已訓練好的模型不進行清零操作，即不進行初始化操作，所得權重與該卷積網絡最后一次訓練所改變的權重值完全保持一致。

6.基于權利要求書1所述的網絡特征合成(二)，其特征在于，在倒數第一層的全連接層中保留神經元的權重與偏置，與新樣本中的輸入數據相乘，得到新的數據即為合成的網絡特征，具有可分性。

7.基于權利要求書1所述的分類器轉換(三)，其特征在于，包括更改標簽設定和分類器設定。

8.基于權利要求書7所述的更改標簽設定，其特征在于，通過兩個步驟完成從卷積網絡特征向傳統分類器特征歸類的改變：

(1)去掉原卷積網絡的概率計算模塊；

(2)將原有的分類計算中的標簽，重新按順序貼到相應類別中，即按照原始標簽重新劃分數據。

9.基于權利要求書7所述的分類器設定，其特征在于，使用基于高斯核的支持向量機作為分類器，使用小樣本對懲罰系數C和核函數參量G分別從-8到8(步長為2)進行網格搜索，確定最優的C和G后，對全部數據進行一次訓練，得到的結果即為分類結果。

10.基于權利要求書1所述的網絡模型微調(四)，其特征在于，基于不同的分類識別任務，其權重遷移過程中不具有全部適應性，因此在輸出到分類特征前，使用反向傳播算法對學習到的特征返回到輸入圖像層進行對比，然后再通過前向傳播到最后分類特征進行調整，這樣一次循環完成即為一個模型微調，直到分類結果進行收斂后，微調停止。