[發(fā)明專利]一種基于加載預(yù)訓(xùn)練卷積網(wǎng)絡(luò)的自動目標(biāo)識別方法

在審

• 申請?zhí)枺?/td>: 201710999215.2
• 申請日: 2017-10-20
• 公開（公告）號: CN107545257A
• 公開（公告）日: 2018-01-05
• 發(fā)明（設(shè)計）人: 夏春秋
• 申請（專利權(quán)）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

技術(shù)領(lǐng)域

本發(fā)明涉及目標(biāo)識別領(lǐng)域，尤其是涉及了一種基于加載預(yù)訓(xùn)練卷積網(wǎng)絡(luò)的自動目標(biāo)識別方法。

背景技術(shù)

自動目標(biāo)識別方法，是一種利用人工智能技術(shù)實現(xiàn)對機器傳感器獲得的目標(biāo)特征進行分類和智能識別的技術(shù)，是模式識別的延伸發(fā)展，也是近年來的研究熱點之一。作為武器裝備智能化的核心技術(shù)之一，自動目標(biāo)識別在軍事作戰(zhàn)領(lǐng)域中應(yīng)用極為廣泛，為信息化戰(zhàn)爭中的目標(biāo)探測、偵察監(jiān)視和精確制導(dǎo)提供了有力支持。但隨著民用科技的發(fā)展，這些技術(shù)也很好地在日常生活中為人們服務(wù)。例如交通設(shè)施中，可以自動識別特定車道的車輛是否符合要求；在動物繁殖領(lǐng)域中，可以自動監(jiān)控廣闊地帶動物物種的出現(xiàn)與頻率；在機器人導(dǎo)航中，可以自動判斷傳感器接收的信號是否符合安全行駛；在現(xiàn)代醫(yī)療診斷中，可以提前判別病患體中腫狀物的類型，進而提高治愈率。如上等等，都是具有極大應(yīng)用價值和開發(fā)空間。

傳感器接收的圖像本身的噪聲難以剔除，以及新類型目標(biāo)的先驗知識缺失，都會給目標(biāo)的自動識別帶來難度。但除了以上所述，另外還存在樣本數(shù)據(jù)少、訓(xùn)練速度慢等困難需要克服，因此如何在有限數(shù)據(jù)中提煉出可靠的分類算法或訓(xùn)練可靠的分類器，是需要解決的問題。

本發(fā)明提出了一種基于卷積網(wǎng)絡(luò)提取特征進行傳統(tǒng)分類的新框架。使用已訓(xùn)練好的卷積網(wǎng)絡(luò)框架進行模塊拆分，在保留權(quán)重的前提下進行根據(jù)目標(biāo)識別任務(wù)進行重構(gòu)，同時保留原全連接層的最后一層作為提取的特征，貼上響應(yīng)的標(biāo)簽后，送往基于高斯核的支持向量機進行訓(xùn)練測試。本發(fā)明可以處理只有小樣本數(shù)據(jù)庫的目標(biāo)形態(tài)識別，提供一個網(wǎng)絡(luò)遷移框架進行權(quán)重的保留與微調(diào)，同時提高了目標(biāo)識別任務(wù)的訓(xùn)練速度和可遷移性。

發(fā)明內(nèi)容

針對解決在小樣本數(shù)據(jù)量中進行目標(biāo)識別任務(wù)的問題，本發(fā)明的目的在于提供一種基于加載預(yù)訓(xùn)練卷積網(wǎng)絡(luò)的自動目標(biāo)識別方法，提出了一種基于卷積網(wǎng)絡(luò)提取特征進行傳統(tǒng)分類的新框架。

為解決上述問題，本發(fā)明提供一種基于加載預(yù)訓(xùn)練卷積網(wǎng)絡(luò)的自動目標(biāo)識別方法，其主要內(nèi)容包括：

(一)網(wǎng)絡(luò)重構(gòu)；

(二)網(wǎng)絡(luò)特征合成

(三)分類器轉(zhuǎn)換；

(四)網(wǎng)絡(luò)模型微調(diào)。

其中，所述的網(wǎng)絡(luò)重構(gòu)，包括網(wǎng)絡(luò)結(jié)構(gòu)拆分重構(gòu)和權(quán)重預(yù)加載。

所述的網(wǎng)絡(luò)結(jié)構(gòu)拆分重構(gòu)，對現(xiàn)有典型的用于圖像分類的學(xué)習(xí)網(wǎng)絡(luò)(如VGG19，由若干個卷積模塊組成)進行功能和架構(gòu)拆分，再根據(jù)自動目標(biāo)識別所需的功能層進行重構(gòu)，具體為：

(1)將一般網(wǎng)絡(luò)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(jié)構(gòu)層進行重構(gòu)；

(3)去掉最后一層輸出層；

(4)根據(jù)目標(biāo)識別任務(wù)的樣本數(shù)量進行卷積網(wǎng)絡(luò)的層數(shù)壓縮；

(5)全連接層中保留倒數(shù)第一層作為特征選取。

所述的層數(shù)壓縮，在原有卷積網(wǎng)絡(luò)造成冗長訓(xùn)練時，截取完整的卷積功能模塊，組成更少層次的卷積網(wǎng)絡(luò)，并保留最終的輸出層。

所述的權(quán)重預(yù)加載，在進行網(wǎng)絡(luò)結(jié)構(gòu)拆分重構(gòu)時，原有已訓(xùn)練好的模型不進行清零操作，即不進行初始化操作，所得權(quán)重與該卷積網(wǎng)絡(luò)最后一次訓(xùn)練所改變的權(quán)重值完全保持一致。

所述的網(wǎng)絡(luò)特征合成，在倒數(shù)第一層的全連接層中保留神經(jīng)元的權(quán)重與偏置，與新樣本中的輸入數(shù)據(jù)相乘，得到新的數(shù)據(jù)即為合成的網(wǎng)絡(luò)特征，具有可分性。

所述的分類器轉(zhuǎn)換，包括更改標(biāo)簽設(shè)定和分類器設(shè)定。

所述的更改標(biāo)簽設(shè)定，通過兩個步驟完成從卷積網(wǎng)絡(luò)特征向傳統(tǒng)分類器特征歸類的改變：

(1)去掉原卷積網(wǎng)絡(luò)的概率計算模塊；

(2)將原有的分類計算中的標(biāo)簽，重新按順序貼到相應(yīng)類別中，即按照原始標(biāo)簽重新劃分數(shù)據(jù)。

所述的分類器設(shè)定，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(shù)C和核函數(shù)參量G分別從-8到8(步長為2)進行網(wǎng)格搜索，確定最優(yōu)的C和G后，對全部數(shù)據(jù)進行一次訓(xùn)練，得到的結(jié)果即為分類結(jié)果。

所述的網(wǎng)絡(luò)模型微調(diào)，基于不同的分類識別任務(wù)，其權(quán)重遷移過程中不具有全部適應(yīng)性，因此在輸出到分類特征前，使用反向傳播算法對學(xué)習(xí)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(diào)整，這樣一次循環(huán)完成即為一個模型微調(diào)，直到分類結(jié)果進行收斂后，微調(diào)停止。

附圖說明

圖1是本發(fā)明一種基于加載預(yù)訓(xùn)練卷積網(wǎng)絡(luò)的自動目標(biāo)識別方法的系統(tǒng)流程圖。

圖2是本發(fā)明一種基于加載預(yù)訓(xùn)練卷積網(wǎng)絡(luò)的自動目標(biāo)識別方法的效果圖。

具體實施方式