[發明專利]一種基于通道修剪與全卷積深度學習的目標檢測方法

有效

• 申請號: 201810113321.0
• 申請日: 2018-02-05
• 公開（公告）號: CN108288270B
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 許正;朱松豪;荊曉遠;石路路
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于通道修剪與全卷積深度學習的目標檢測方法，其特征在于，包括以下步驟：

A)利用套索回歸方法對卷積神經網絡的每層通道實現冗余通道的修剪；

B)利用線性最小二乘法來最小化重構誤差；

C)全卷積化基礎卷積神經網絡來共享感興趣區域的計算；并在卷積神經網絡后面連接一個大小為k²×(C+1)的全卷積層，其中C是目標類別數；k為正整數；

當k＝3時，即輸出特征圖矩形分成9個部分，9個分數圖分別編碼為上左、上中、上右、……、下右；

當一共有C類目標和一個背景時，則有3²×(C+1)個通道輸出層。

2.根據權利要求1所述基于通道修剪與全卷積深度學習的目標檢測方法，其特征在于，通過減少特征圖通道和相應的濾波器來減小網絡體積并保持最小重構誤差，優化公式描述如下：

其中，x是從特征圖采樣的大小為N*c的輸入量，x_i是x的第i個通道的輸入矩陣，i＝1,2,……,c，w是大小為n*c的濾波器權重，w_i是w的第i個通道權重；y是大小為N*n的輸出矩陣，其中N是采樣數，n是輸出通道數；c是原通道數，c’是保留通道的數量，0≤c’≤c，β是標量掩碼用來進行通道選擇，β_i是標量掩碼的第i個通道，如果β_i＝0，則表示x_i被切斷，w_i也被刪除，α是一個懲罰系數，||β||₁為β的正則化，等式i||w_i||_F＝1用于防止明顯解的出現。

3.根據權利要求2所述基于通道修剪與全卷積深度學習的目標檢測方法，其特征在于，固定w，并優化β來選擇高貢獻的通道，通過套索回歸方法對卷積神經網絡的每層通道進行冗余通道的修剪，回歸通道選擇公式為：

s.t.||β||₀≤c′。

4.根據權利要求3所述基于通道修剪與全卷積深度學習的目標檢測方法，其特征在于，固定β，并優化w以利用選擇的通道來減少重構誤差，我們采用最小二乘法得到最優解，其優化公式如下：

其中，

其中，w’是基于以下形式重建的：

β_i||w_i||_F→β_i,w_i/||w_i||_F→w_i。

5.根據權利要求1至4任意一項所述基于通道修剪與全卷積深度學習的目標檢測方法，其特征在于，當α為0時，||β||₀為c，然后使用套索回歸方法，通過逐漸增加系數α來繼續運行，直到||β||0≤c’穩定時，使用線性最小二乘法來最小化重構誤差，直到獲得最小重構誤差。

6.根據權利要求5所述基于通道修剪與全卷積深度學習的目標檢測方法，其特征在于，在VGG-16網絡結構和累積誤差的條件下，從當前輸入特征圖中獲得輸入量，并從未修剪模型輸出特征圖中獲得輸出量，此時，未修剪通道公式被描述為：

s.t.||β||₀≤c′

其中，y’是在未修剪模型中得到的輸出量。

7.根據權利要求6所述基于通道修剪與全卷積深度學習的目標檢測方法，其特征在于，使VGG-16網絡框架全卷積化，首先，使用卷積層替代后三段全連接層，其中第六和第七段卷積層使用大小為4096×1×1的卷積核，第八段卷積層使用大小為1000×1×1的卷積核，使用上采樣方法對第五段輸出進行反卷積，然后依次對第三段和第四段輸出反卷積，得到和原始圖像大小相同并且清晰的特征圖。

8.根據權利要求1所述基于通道修剪與全卷積深度學習的目標檢測方法，其特征在于，整個網絡后添加一個位置敏感的感興趣區域池化層，它聚合了最后卷積層和感興趣區域的輸出，并給每一個感興趣區域一個分數，池化公式如下：

其中，r_c(i,j|Θ)是C類中(i,j)箱子的池化響應，Z_i,j,c是3²×(C+1)分數圖的輸出，(x₀,y₀)是感興趣區域的左上角分數圖，n為桶里像素總數，Θ是網絡參數；

然后，給感興趣區域每個類別的所有相對空間位置分數進行投票，并通過使用多項邏輯回歸分類如下：

該全卷積網絡使用多任務損失函數，分為分類回歸損失函數L_cls和L_box；分類通過使用交叉熵損失函數得到，而回歸使用L1-smooth損失函數得到。