[發明專利]用于對象檢測的卷積神經網絡

在審

• 申請號: 201910981966.0
• 申請日: 2019-10-16
• 公開（公告）號: CN111062402A
• 公開（公告）日: 2020-04-24
• 發明（設計）人: 金荷映;李賢九;B·姜;柳賢錫
• 申請（專利權）人: 三星電子株式會社;亞州大學校產學協力團
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/32;G06N3/04;G06N3/08
• 代理公司: 北京天昊聯合知識產權代理有限公司 11112
• 代理人: 趙南;張青

公開了一種用于對象檢測的卷積神經網絡。公開了一種包括程序代碼的計算機可讀介質，所述程序代碼在由處理電路系統執行時使得處理電路系統從輸入圖像中生成特征圖，從特征圖中提取出感興趣區域，并基于感興趣區域生成預測掩膜。處理電路系統可使用預測掩膜和真掩膜來學習卷積神經網絡系統。真掩膜包括與真邊界對應的第一像素以及對應于與真邊界相鄰的偽邊界的第二像素。

相關申請的交叉引用

本申請要求于韓國知識產權局在2018年10月16日提交的韓國專利申請No.10-2018-0123183以及在2019年3月28日提交的韓國專利申請No.10-2019-0036153的優先權，這些申請的公開內容以引用方式整體并入本文中。

技術領域

本文所描述的一些發明構思的一些示例實施例涉及卷積神經網絡系統，更具體地，涉及一種能夠改進學習效率的卷積神經網絡系統及其操作方法。

背景技術

在圖像或視頻的對象檢測的背景下，正在積極地研究和開發基于深度學習的卷積神經網絡。卷積神經網絡包括用于重復地執行卷積操作和池化(pooling)操作的多個層。然而，由于卷積神經網絡的對象檢測性能和卷積神經網絡的深度處于取舍關系，所以對于用于改進對象檢測的性能同時簡化神經網絡的算法的方式存在許多嘗試。

在對象檢測的一些示例中，除了從背景中識別對象的問題之外，實例分割可能還具有將對象彼此區分的問題。通常，可利用大量運算和學習以改進實例分割的效率。另外，實例分割可與對象檢測的性能直接相關。因此，可能期望一種可改進實例分割的性能并且相對簡單的算法。

發明內容

一些發明構思的一些示例實施例提供了一種能夠改進學習效率的卷積神經網絡系統。

詳細地，一些發明構思的一些示例實施例可提供一種通過改變用于學習的真掩膜的像素厚度來改進學習效率的方式。

根據一些示例實施例，一種計算機可讀介質包括程序代碼，該程序代碼在由處理電路系統執行時使得處理電路系統對輸入圖像執行卷積操作以生成特征圖，從特征圖中提取基于與對象的存在相關聯的對象狀態分數的感興趣區域，將提取出的感興趣區域與具有參考尺寸的感興趣區域對齊，基于對齊的感興趣區域確定對象的類別以及對象在輸入圖像上的位置信息，基于確定的結果形成包圍輸入圖像上的對象的邊界，并且根據基于類別、位置信息和/或邊界的預測掩膜、和/或基于輸入圖像的對象的真邊界的真掩膜來學習卷積神經網絡系統，和/或真掩膜包括與真邊界對應的第一像素和/或對應于與真邊界相鄰的偽邊界的第二像素。

根據一些示例實施例，一種計算機可讀介質包括程序代碼，該程序代碼在由處理電路系統執行時使得處理電路系統對輸入圖像執行卷積操作以生成特征圖，從特征圖中提取基于與對象的存在相關聯的對象狀態分數的感興趣區域，將提取出的感興趣區域與具有參考尺寸的感興趣區域對齊，基于對齊的感興趣區域來確定對象的類別和對象在輸入圖像上的位置信息，基于確定的結果來形成包圍輸入圖像上的對象的邊界，并且根據基于類別、位置信息和/或邊界的預測掩膜以及包括包圍輸入圖像的對象的真界限框的真掩膜來學習卷積神經網絡系統，和/或真掩膜包括與真界限框對應的第一像素以及對應于與真界限框相鄰的偽界限框的第二像素。

根據一些示例實施例，一種卷積神經網絡系統包括：處理電路系統，其被配置為對輸入圖像執行卷積操作以生成特征圖，從特征圖中提取基于與來對象的存在相關聯的對象狀態分數的感興趣區域，將提取出的感興趣區域與具有參考尺寸的感興趣區域對齊；分類器，其基于對齊的感興趣區域來確定對象的類別，基于對齊的感興趣區域來確定對象在輸入圖像上的位置信息，并形成包圍輸入圖像上的對象的邊界。卷積神經網絡系統可使用基于類別、位置信息和邊界的預測掩膜以及基于輸入圖像的對象的真邊界的真掩膜，并且真掩膜可包括與真邊界對應的第一像素以及對應于與真邊界相鄰的偽邊界的第二像素。

附圖說明