[發明專利]基于CNN且抗波動性強的客體檢測方法及裝置

在審

• 申請號: 201911294522.6
• 申請日: 2019-12-16
• 公開（公告）號: CN111461161A
• 公開（公告）日: 2020-07-28
• 發明（設計）人: 金桂賢;金镕重;金寅洙;金鶴京;南云鉉;夫碩焄;成明哲;呂東勛;柳宇宙;張泰雄;鄭景中;諸泓模;趙浩辰
• 申請（專利權）人: 斯特拉德視覺公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京泛華偉業知識產權代理有限公司 11280
• 代理人: 王勇

本發明提供一種學習基于CNN且抗波動性強的客體檢測器的方法及裝置，該客體檢測器可根據諸如KPI等使用者的要求事項而適應地利用目標客體預測網絡。如果由所述KPI決定的分辨率或焦距發生改變，則客體的大小也改變。利用面向使用者優化設計的所述方法，能夠更準確地檢測到諸如正在落下或已落下客體的不確實的客體，而且能夠感知所述客體的波動。因此，所述方法對于軍事目的或位于遠處的客體檢測非常有用。所述方法包括如下步驟：在使k從1增加到n的同時，學習裝置使RPN，輸出與圖像上的第(k?1)目標區域對應的第k加工圖像上的第k客體推選，使FC層輸出與第k客體對應的客體檢測信息，使FC損失層獲得FC損失。

技術領域

本發明涉及一種客體檢測器的學習方法和學習裝置以及利用其的測試方法和測試裝置，該客體檢測器可根據諸如關鍵績效指標(Key Performa nce Index，KPI)等使用者要求而適應地利用目標客體預測網絡，而且抗波動性強。

背景技術

在機器學習(machine learning)中，卷積神經網絡(Convolutional NeuralNetwork，CNN或ConvNet)是成功應用于視覺圖像分析的深度前饋人工神經網絡(Deepfeedforward artificial neural network)。

基于CNN的客體檢測器(i)使卷積層，對輸入圖像應用卷積運算，從而輸出與所述輸入圖像對應的特征圖，(ii)使區域推選網絡(Region P roposal Network，RPN)，利用所述特征圖，確認與所述輸入圖像內的客體對應的推選，(iii)使池化層，在與所述確認的推選對應的所述特征圖上的區域應用至少一個池化運算，獲得池化后特征圖，(iv)使FC(Fully C onnected，全連接)層，將至少一個FC運算應用于與所述獲得的池化后特征圖乃至與所述客體相關的輸出種類信息和回歸信息，從而檢測所述輸入圖像上的所述客體。

但是，基于所述CNN的客體檢測器由于利用了借助于所述卷積層而縮小了所述輸入圖像尺寸的尺寸的所述特征圖，因而容易檢測位于所述輸入圖像的大尺寸的客體，但難以檢測位于所述輸入圖像的小尺寸的客體。

作為另一示例，雖然可以利用放大所述輸入圖像而獲得的調整了尺寸的圖像來檢測小尺寸的客體，但在這種情況下，所述客體檢測器所需的運算量增加，因而所述客體檢測器的性能低下。

因此，本發明的發明人希望提出一種縮短運算時間并高效檢測位于輸入圖像上的多樣尺寸的客體的學習方法和學習裝置，及利用其的測試方法和測試裝置。

發明內容

本發明的目的在于解決上述所有問題。

本發明另一目的在于提供一種基于CNN的客體檢測器，使得能夠與尺寸無關地高效檢測圖像上的客體。

本發明又一目的在于提供一種基于CNN的客體檢測器，使得能夠在不追加增加運算量的同時檢測所述圖像上的小尺寸客體。

本發明的目的是通過以下技術方案實現的：