[發明專利]目標識別方法、裝置、設備和存儲介質

有效

• 申請號: 202010133440.X
• 申請日: 2020-03-02
• 公開（公告）號: CN110991568B
• 公開（公告）日: 2020-07-31
• 發明（設計）人: 吳志偉;李德紘;張少文;馮琰一
• 申請（專利權）人: 佳都新太科技股份有限公司;廣州新科佳都科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京權智天下知識產權代理事務所(普通合伙) 11638
• 代理人: 王新愛

1.目標識別方法，其特征在于，包括：

將通道特征重激活模塊和細微特征自增強模塊嵌入神經網絡結構中生成第一網絡模型，其中，包括刪除殘差網絡的全局池化層，將最后一層全連接層修改為卷積核大小為1x1、通道數為C的卷積層，得到特征圖，將所述特征圖輸入通道特征重激活模塊，將所述通道特征重激活模塊輸出的特征圖輸入細微特征自增強模塊再連接全局池化層，生成第一網絡模型，其中，所述細微特征自增強模塊包括增強掩模和抑制掩模，所述增強掩模用于計算增強的區域，所述抑制掩模用于計算抑制的區域，具體包括將輸入特征圖劃分為塊，定義第m行n列特征塊為，特征圖按塊表示成集合形式為，將增強掩模劃分為塊，定義第m行n列掩模塊為，增強掩模按塊表示成集合形式為，按概率p隨機將掩模塊中對應區域標記為1，其余為0，具體為

其中，p表示概率值，服從伯努利分布，表示特征塊的最大值，如果概率值大于或等于0.5并且不是峰值位置，則增強掩模塊對應位置為1，否則為0，抑制掩模計算公式為

其中，表示特征圖中的最大值，如果概率值p大于或等于0.5并且是峰值位置，則抑制掩模對應位置為1，否則為0；

通過梯度增強交叉熵損失函數中引入的損失調節因子調節樣本的損失值，同時對滿足預設條件的負樣本進行運算生成第二網絡模型，具體包括定義為正樣本標簽，所有負樣本類的標簽集合為，所有負樣本類的得分集合為，將按照得分從高到低排序，第k高得分為，前k高得分所在類別的集合為，計算公式為：

其中k、為超參數，訓練圖像為I，類別標簽為，其中L是所有類別標簽的集合，C為通道數，神經網絡結構輸出的特征圖為，表示成集合形式，其中W、H為特征圖的寬和高，R為數學公式中的實數域；

基于小批量隨機梯度下降算法對所述第二網絡模型進行訓練；

將訓練完畢的第二網絡模型進行修改得到推理網絡模型；

將圖像輸入所述推理網絡模型得到目標識別結果。

2.根據權利要求1所述的方法，其特征在于，將通道特征重激活模塊和細微特征自增強模塊嵌入神經網絡結構中生成第一網絡模型，包括：

通過通道特征重激活模塊對神經網絡結構中輸出的特征圖按通道重新分配權重。

3.根據權利要求2所述的方法，其特征在于，所述通過通道特征重激活模塊對神經網絡結構中輸出的特征圖按通道重新分配權重，包括：

對神經網絡結構中輸出的特征圖在空間層面進行壓縮得到壓縮后的特征；

對所述壓縮后的特征進行重激活，得到激活后的權重；

對輸入的特征圖按通道乘以所述激活后的權重。

4.根據權利要求1-3中任一項所述的方法，其特征在于，所述將訓練完畢的第二網絡模型進行修改得到推理網絡模型，包括：

刪除所述訓練完畢的第二網絡模型中的細微特征自增強模塊以及梯度增強交叉熵損失函數，在全局池化層后接入Softmax損失函數得到推理網絡模型。