[發明專利]基于稀疏卷積神經網絡的目標檢測方法及檢測裝置在審
| 申請號： | 202010946308.0 | 申請日： | 2020-09-10 |
| 公開（公告）號： | CN112084950A | 公開（公告）日： | 2020-12-15 |
| 發明（設計）人： | 賀琪欲;張海波;楊躒;許楠;張文 | 申請（專利權）人： | 上海龐勃特科技有限公司 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06N3/04;G06N3/08 |
| 代理公司： | 北京科石知識產權代理有限公司 11595 | 代理人： | 李艷霞 |
| 地址： | 201206 *** | 國省代碼： | 上海;31 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 稀疏 卷積 神經網絡 目標 檢測 方法 裝置 | ||
本申請提供了一種基于稀疏卷積神經網絡的目標檢測方法及檢測裝置，目標檢測方法包括：利用獲取的目標場景圖像構建數據集，并對數據集中每幅圖像中包含的所有檢測目標進行標注；根據檢測目標在圖像中的比例范圍，優化基準卷積神經網絡的結構，得到優化后的卷積神經網絡；在構建的數據集上對優化后的卷積神經網絡進行損失函數添加稀疏正則化項的預訓練，得到卷積神經網絡；對卷積神經網絡進行卷積神經網絡稀疏化，得到稀疏化的卷積神經網絡；在數據集上對稀疏化的卷積神經網絡進行微調訓練，得到最終的稀疏卷積神經網絡；利用最終的稀疏卷積神經網絡對目標進行檢測。本申請能夠在廉價的硬件上針對大場景中的小物體進行快速、精準的目標檢測。
技術領域
本申請屬于目標檢測技術領域，特別適用于對大場景中的小物體進行檢測，具體涉及一種基于稀疏卷積神經網絡的目標檢測方法及檢測裝置。
背景技術
現有的基于卷積神經網絡的快速目標檢測算法，通常通過基準模型(例如Yolo模型)在自定義數據集上的遷移學習訓練來實現。其中，卷積神經網絡基準模型有復雜的深層結構，從檢測目標來說，檢測的大多為尺度不一的目標，且目標在圖像中不能太小；從檢測速度來說，如果要達到小于5ms的超高速檢測，則大多對硬件要求非常高。現有的基于卷積神經網絡的目標檢測方法對大場景中小物體的檢測精度不高，且其神經網絡結構對具體任務有較多冗余，嚴重影響檢測速度。
發明內容
為至少在一定程度上克服相關技術中存在的問題，本申請提供了一種基于稀疏卷積神經網絡的目標檢測方法及檢測裝置。
根據本申請實施例的第一方面，本申請提供了一種基于稀疏卷積神經網絡的目標檢測方法，其包括以下步驟：
利用獲取的目標場景圖像構建數據集，并對數據集中每幅圖像中包含的所有檢測目標進行標注；
根據檢測目標在圖像中的比例范圍，優化基準卷積神經網絡的結構，得到優化后的卷積神經網絡；
在構建的數據集上對優化后的卷積神經網絡進行損失函數添加稀疏正則化項的預訓練，得到卷積神經網絡；
對卷積神經網絡進行卷積神經網絡稀疏化，得到稀疏化的卷積神經網絡；
在數據集上對稀疏化的卷積神經網絡進行微調訓練，得到最終的稀疏卷積神經網絡；
利用最終的稀疏卷積神經網絡對目標進行檢測。
上述基于稀疏卷積神經網絡的目標檢測方法中，所述目標場景圖像包括多幅檢測目標在場景中隨機分布的圖像和多幅無檢測目標的場景圖像。
進一步地，所述檢測目標為不同顏色的乒乓球時，所述目標場景圖像包括多幅乒乓球在全乒乓球桌視野范圍中隨機分布的圖像和多幅全乒乓球桌視野范圍中無乒乓球的圖像，通過架設在乒乓球桌附近的相機獲取目標場景圖像。
上述基于稀疏卷積神經網絡的目標檢測方法中，所述對數據集中每幅圖像中包含的所有檢測目標進行標注包括標注檢測目標的中心像素坐標以及檢測目標所占的像素寬度和像素高度。
上述基于稀疏卷積神經網絡的目標檢測方法中，所述步驟根據檢測目標在圖像中的比例范圍，優化基準卷積神經網絡N的結構，得到優化后的卷積神經網絡的具體過程為：
計算數據集的每幅圖像中檢測目標所占的比例；
其中，檢測目標在目標場景圖像中的寬度比例rw和高度比例rh為：
其中，wo表示目標場景圖像中檢測目標的寬度，wi表示目標場景圖像的寬度，ho表示目標場景圖像中檢測目標的高度，hi表示目標場景圖像的高度；
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于上海龐勃特科技有限公司，未經上海龐勃特科技有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010946308.0/2.html，轉載請聲明來源鉆瓜專利網。
