[發(fā)明專利]結(jié)合ResNet和SENet的低分辨率行人檢測方法、系統(tǒng)及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 201811403739.1
• 申請日: 2018-11-23
• 公開（公告）號: CN109522855B
• 公開（公告）日: 2020-07-14
• 發(fā)明（設(shè)計）人: 趙清利;梁添才;金曉峰;徐天適
• 申請（專利權(quán)）人: 廣州廣電銀通金融電子科技有限公司;廣州廣電運通金融電子股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州市華學知識產(chǎn)權(quán)代理有限公司 44245
• 代理人: 林梅繁

1.結(jié)合ResNet和SENet的低分辨率行人檢測方法，其特征在于，包括訓練過程和測試過程，所述訓練過程包含以下步驟：

步驟11、確定所需的行人數(shù)據(jù)集，把數(shù)據(jù)集按照一定的比例劃分為訓練集和測試集，將訓練集轉(zhuǎn)化為合適的輸入格式用于模型訓練；

步驟12、確定模型訓練過程所需的預(yù)訓練模型，在預(yù)訓練模型的基礎(chǔ)上進行訓練，確定訓練過程的訓練參數(shù)；訓練參數(shù)包括訓練的總迭代次數(shù)、模型迭代的批處理大小、學習率；

步驟13、按照設(shè)定的批處理大小將小批量訓練數(shù)據(jù)送入已訓練的基礎(chǔ)網(wǎng)絡(luò)，經(jīng)過基礎(chǔ)網(wǎng)絡(luò)逐層的語義信息抽取后，由基礎(chǔ)網(wǎng)絡(luò)的多尺度檢測框架進行特征提取，通過基礎(chǔ)網(wǎng)絡(luò)的淺層網(wǎng)絡(luò)提取低分辨率行人的特征，通過基礎(chǔ)網(wǎng)絡(luò)的深層網(wǎng)絡(luò)提取高分辨率行人的特征；

步驟14、通過淺層特征重構(gòu)層將多尺度檢測框架中深層網(wǎng)絡(luò)的特征信息疊加到淺層網(wǎng)絡(luò)的特征中，對多尺度檢測框架中淺層網(wǎng)絡(luò)的特征層進行重構(gòu)；

步驟15、對淺層特征重構(gòu)層進行特征增強操作，將增強后的重構(gòu)層代替原始多尺度檢測框架中最淺層網(wǎng)絡(luò)的特征提取層，與其他的特征提取層重新組合形成新的多尺度檢測框架；

步驟16、對新的多尺度檢測框架進行分類和回歸，求得行人的類別和位置；

步驟17、計算訓練損失，并將訓練損失進行反向傳播，更新權(quán)重參數(shù)；

步驟18、判斷是否完成訓練的總迭代次數(shù)，若完成總迭代次數(shù)，則終止模型的訓練；否則返回步驟13繼續(xù)訓練；

所述測試過程包含以下步驟：

步驟21、確定測試集并轉(zhuǎn)化為合適的輸入格式用于模型測試；

步驟22、將訓練過程訓練得到的模型作為測試模型，確定測試過程的批處理大小；

步驟23、按照設(shè)定的批處理大小將小批量測試數(shù)據(jù)送入測試基礎(chǔ)網(wǎng)絡(luò)，經(jīng)過基礎(chǔ)網(wǎng)絡(luò)逐層的語義信息抽取后，由基礎(chǔ)網(wǎng)絡(luò)的多尺度檢測框架進行特征提取，通過基礎(chǔ)網(wǎng)絡(luò)的淺層網(wǎng)絡(luò)提取低分辨率行人的特征，通過基礎(chǔ)網(wǎng)絡(luò)的深層網(wǎng)絡(luò)提取高分辨率行人的特征；

步驟24、通過淺層特征重構(gòu)層將多尺度檢測框架中深層網(wǎng)絡(luò)的特征信息疊加到淺層網(wǎng)絡(luò)的特征中，對多尺度檢測框架中淺層網(wǎng)絡(luò)的特征層進行重構(gòu)；

步驟25、對淺層特征重構(gòu)層進行特征增強操作，將增強后的重構(gòu)層代替原始多尺度檢測框架中最淺層網(wǎng)絡(luò)的特征提取層，與其他特征提取層重新組合形成新的多尺度檢測框架；

步驟26、對新的多尺度檢測框架進行分類和回歸，求得行人的類別和位置；

步驟27、若測試圖片取完，則完成模型的測試；否則返回步驟23繼續(xù)測試；

步驟15或步驟25中，采用SENet對淺層特征重構(gòu)層進行增強，增強過程的步驟為：

首先進行Squeeze操作，順著空間維度來進行特征壓縮，將每個二維的特征通道變成一個實數(shù)，這個實數(shù)具有全局的感受野，并且輸出的維度和輸入的特征通道數(shù)相匹配；其次進行Excitation操作，通過參數(shù)來為每個特征通道生成權(quán)重，顯式地建模特征通道間的相關(guān)性；最后進行Reweight的操作，將Excitation輸出的權(quán)重看做是經(jīng)過特征選擇后的每個特征通道的重要性，然后通過乘法逐通道加權(quán)到先前的特征上，完成在通道維度上的對原始特征的重標定。

2.根據(jù)權(quán)利要求1所述的低分辨率行人檢測方法，其特征在于，訓練過程所使用的網(wǎng)絡(luò)和測試過程所使用的網(wǎng)絡(luò)結(jié)構(gòu)相同。

3.根據(jù)權(quán)利要求1所述的低分辨率行人檢測方法，其特征在于，步驟14或步驟24中，在進行淺層網(wǎng)絡(luò)的特征重構(gòu)時，將深層網(wǎng)絡(luò)的特征進行反卷積操作，使其與淺層網(wǎng)絡(luò)的特征圖大小相同，再把兩個特征圖進行疊加得到重構(gòu)的特征圖。

4.根據(jù)權(quán)利要求1所述的低分辨率行人檢測方法，其特征在于，步驟17所述的訓練損失包括分類損失和回歸損失，其中分類損失采用Softmax Loss函數(shù)，回歸損失采用Smooth L1Loss函數(shù)。

5.根據(jù)權(quán)利要求1所述的低分辨率行人檢測方法，其特征在于，步驟17采用SGD方法對網(wǎng)絡(luò)的權(quán)重參數(shù)進行更新。