[發明專利]神經網絡訓練方法以及通用物體檢測方法、裝置和系統

有效

• 申請號: 201711161464.0
• 申請日: 2017-11-20
• 公開（公告）號: CN108875901B
• 公開（公告）日: 2021-03-23
• 發明（設計）人: 肖特特
• 申請（專利權）人: 北京曠視科技有限公司;北京邁格威科技有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06K9/62
• 代理公司: 北京超凡志成知識產權代理事務所(普通合伙) 11371
• 代理人: 蘇勝

本發明提供了一種神經網絡訓練方法以及通用物體檢測方法、裝置和系統，涉及檢測技術領域，應用于通用物體檢測，該神經網絡訓練方法包括：對輸入圖片進行卷積處理，獲得輸入圖片的特征圖，對特征圖進行至少兩次卷積處理，利用至少兩個分類器，對每次卷積處理后的中間特征圖分別進行通用物體檢測，獲得至少兩個檢測結果，將至少兩個檢測結果進行合并，獲得最終檢測結果，根據最終檢測結果對一個或多個分類器進行反傳損失，更新一個或多個分類器中的參數，解決了現有技術中采用卷積神經網絡會導致精度不高的問題，在保證計算效率的同時，能夠減少誤報率，進而提升了檢測精度。

技術領域

本發明涉及圖像檢測技術領域，尤其是涉及一種神經網絡訓練方法以及一種通用物體檢測方法、裝置和系統。

背景技術

神經網絡是一種大規模、多參數優化的工具。依靠大量的訓練數據，神經網絡能夠學習出數據中難以總結的隱藏特征，從而完成多項復雜的任務，例如，人臉檢測，圖片分類，物體檢測，動作追蹤，自然語言翻譯等，總之，神經網絡已被人工智能界廣泛應用。而相較于人臉檢測或行人檢測等特定類別物體的檢測，通用物體檢測是檢測領域最為泛化的問題。原因在于，通用物體檢測所面向目標的類別更多(可能達幾十類或數百類)，更難獲得準確定位。

發明內容

有鑒于此，本發明的目的在于提供神經網絡訓練方法以及通用物體檢測方法、裝置和系統，以降低通用物體檢測過程中的誤報率。

第一方面，本發明實施例提供了一種神經網絡訓練方法，神經網絡用于通用物體檢測；

方法包括：

對輸入圖片進行卷積處理，獲得輸入圖片的特征圖；

對特征圖進行至少兩次卷積處理，利用至少兩個分類器，對每次卷積處理后的中間特征圖分別進行卷積檢測處理，獲得至少兩個檢測結果；

將至少兩個檢測結果進行合并，獲得最終檢測結果；

根據最終檢測結果對一個或多個分類器進行反傳損失，更新一個或多個分類器中的參數。

結合第一方面，本發明實施例提供了第一方面的第一種可能的實施方式，其中，對特征圖進行至少兩次卷積處理，利用至少兩個分類器，對每次卷積處理后的中間特征圖分別進行卷積檢測處理，獲得至少兩個檢測結果中間特征圖，具體包括：

將特征圖劃分為多個區塊；

對特征圖進行至少兩次卷積處理；

利用至少兩個分類器，對每次卷積處理后的中間特征圖分別進行卷積檢測處理，獲得每個區塊的至少兩個檢測結果。

結合第一方面的第一種可能的實施方式，本發明實施例提供了第一方面的第二種可能的實施方式，其中，將至少兩個檢測結果進行合并，獲得最終檢測結果，具體包括：

對于每個區塊，若該區塊的每個檢測結果均為被接受，則該區塊的最終檢測結果為被接受；

若該區塊的至少一個檢測結果為被拒絕，則該區塊的最終檢測結果為被拒絕。

結合第一方面的第二種可能的實施方式，本發明實施例提供了第一方面的第三種可能的實施方式，其中，根據最終檢測結果對一個或多個分類器進行反傳損失，更新一個或多個所述分類器中的參數，具體包括：

對于每個區塊，將該區塊的最終檢測結果與該區塊的真實結果進行比較，獲得該區塊的比較結果；

根據該區塊的比較結果對一個或多個分類器進行反傳損失，更新一個或多個分類器中的參數。

結合第一方面的第三種可能的實施方式，本發明實施例提供了第一方面的第四種可能的實施方式，其中，根據該區塊的比較結果對一個或多個分類器進行反傳損失，更新一個或多個所述分類器中的參數，具體包括：