[發明專利]用于構建魯棒的深度卷積神經網絡的濾波器重用機制

有效

• 申請號: 201780089497.0
• 申請日: 2017-02-13
• 公開（公告）號: CN110506277B
• 公開（公告）日: 2023-08-08
• 發明（設計）人: 姜曉恒
• 申請（專利權）人: 諾基亞技術有限公司
• 主分類號: G06V10/82
• 分類號: G06V10/82;G06V10/25;G06V10/40;G06V10/764;G06N3/0464
• 代理公司: 北京市金杜律師事務所 11256
• 代理人: 酆迅;馬明月

一種裝置和方法，該方法包括：針對卷積神經網絡的第一卷積層，基于將被評估的圖像的區域和來自第一卷積層的經學習的濾波器來生成特征圖(406)；針對卷積神經網絡的一個或多個后續卷積層，基于先前卷積層的特征圖、針對先前卷積層的經學習的濾波器以及針對后續卷積層的經學習的濾波器來生成特征圖(408)；以及基于第一卷積層和一個或多個后續卷積層的所生成的特征圖來在圖像的區域中檢測感興趣的對象的存在(410)。

技術領域

本公開涉及神經網絡，并且更具體地，涉及用于卷積神經網絡的濾波機制。

背景技術

對象識別是計算機視覺領域中的重要組成部分。在過去的幾年中，深度卷積神經網絡(CNN)已經被用于促進目標識別。深度卷積神經網絡的強大之處在于其能夠學習特征的層級的事實。在G.Huang，Z.Liu，Q.Weinberge：Densely?Connected?ConvolutionalNetworks，CoRR，abs/1608.06993(2016)(以下簡稱“Huang”)中描述了CNN架構的示例。在Huang中，提出了CNN架構，其在神經網絡中的塊的所有層內引入了直接連接。即，在一個塊中，每層以前饋方式直接連接到每個其他層。一個塊通常包括不具有下采樣操作的若干層。針對每一層，所有在先前層的特征圖都被視為單獨的輸入，而其自身的特征圖作為對所有后續層的輸入被持續傳遞。核心思想是重用前面的層中所生成的特征圖。然而，這些特征圖本身不會為神經網絡帶來新的信息。

發明內容

因此，本公開提供一種裝置和方法，以針對卷積神經網絡的第一卷積層，基于將被評估的圖像的區域和來自第一卷積層的經學習的濾波器來生成特征圖，針對卷積神經網絡的在第一卷積層之后的一個或多個后續卷積層生成特征圖，以及基于第一卷積層和一個或多個后續卷積層的所生成的特征圖來在圖像的區域中檢測感興趣的對象的存在。每個后續卷積層基于先前卷積層的特征圖、針對先前卷積層的經學習的濾波器和針對后續卷積層的經學習的濾波器而被生成。

裝置和方法可以進一步被配置以接收從圖像感測設備所捕獲的圖像，和/或在對象被檢測到的情況下啟動告警。此外，卷積神經網絡可以被應用于圖像的每個區域，以檢測對象是否存在于圖像的區域中的任何區域中。

裝置和方法還可以被配置以在訓練階段(或時期)期間使用一個或多個訓練圖像來針對卷積神經網絡的每個卷積層學習濾波器。為了學習濾波器，裝置和方法可以被配置以針對卷積神經網絡的卷積層初始化濾波器，使用前向傳播來針對每個卷積層生成特征圖，基于所生成的特征圖以及針對每個類別和相應標簽的得分使用損失函數來計算損失，以及在所計算的損失已經減少的情況下使用后向傳播來針對卷積層更新濾波器。第一卷積層之后的每個后續卷積層基于先前卷積層的特征圖、針對先前卷積層的經學習的濾波器以及針對后續卷積層的濾波器而被生成。裝置和方法可以被配置以重復計算特征圖、計算損失以及更新濾波器的操作，直到在所計算的損失不再減少時卷積神經網絡收斂為止。

在裝置和方法中，兩個圖特征可以針對一個或多個后續卷積層中的每個卷積層被生成。此外，針對第一卷積層生成特征圖、針對一個或多個后續卷積層生成特征圖以及檢測對象的存在的操作在測試階段被執行。

為了在圖像的區域中檢測對象的存在，裝置和方法可以被配置以從卷積神經網絡的應用獲得針對區域的得分，以及將針對區域的得分與閾值的值比較。如果針對區域的得分大于閾值的值，則對象在區域中被檢測到。

附圖說明

各種示例實施例的描述結合附圖被說明，在附圖中：

圖1圖示了根據本公開的實施例的用于使用具有濾波器重用(或共享)的卷積神經網絡(CNN)來檢測對象的存在或不存在的示例系統的框圖；

圖2圖示了根據本公開的另一實施例的用于使用具有濾波器重用(或共享)的卷積神經網絡(CNN)來檢測對象的存在或不存在的示例系統的框圖；

圖3是根據本公開的實施例的卷積神經網絡的示例架構，該卷積神經網絡在后續卷積層中重用來自先前卷積層的濾波器；