[發明專利]一種基于輕量化神經網絡的目標識別方法及其應用

在審

• 申請號: 202110359604.5
• 申請日: 2021-04-02
• 公開（公告）號: CN113505628A
• 公開（公告）日: 2021-10-15
• 發明（設計）人: 安康;陸葉斌;劉迎圓;方祖華;上官倩芡
• 申請（專利權）人: 上海師范大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 上海唯智贏專利代理事務所(普通合伙) 31293
• 代理人: 劉朵朵

1.一種基于輕量化神經網絡的目標識別方法，其特征在于，將目標圖片輸入訓練好的Densenet改進模型中，訓練好的Densenet改進模型輸出目標類別；

所述Densenet改進模型相比于Densenet模型的改進之處在于，網塊中的Back Bone包括Channel Split、第一卷積層、第二卷積層、第三卷積層、第一深度分離卷積層、第二深度分離卷積層、Concat、Channel Shuffle，其中Channel Split、第一卷積層、第一深度分離卷積層、第二卷積層、Concat、Channel Shuffle依次連接，第二深度分離卷積層、第三卷積層與第一卷積層、第一深度分離卷積層、第二卷積層并聯，第二深度分離卷積層與ChannelSplit連接，第三卷積層與Concat連接。

2.根據權利要求1所述的一種基于輕量化神經網絡的目標識別方法，其特征在于，所述Densenet改進模型包括依次連接的主卷積層、特征提取層、第一網塊、過渡層、第二網塊、歸類層；所述第一網塊和第二網塊結構相同。

3.根據權利要求2所述的一種基于輕量化神經網絡的目標識別方法，其特征在于，所述網塊包含依次連接的第一Back Bone、第二Back Bone、第三Back Bone和第四Back Bone，第一Back Bone的輸出同時為第二Back Bone、第三Back Bone和第四Back Bone的輸入，第二Back Bone的輸出同時為第三Back Bone和第四Back Bone的輸入。

4.根據權利要求2所述的一種基于輕量化神經網絡的目標識別方法，其特征在于，所述過渡層包括卷積層和特征提取層；

所述歸類層包括平均池化層和Softmax分類器。

5.根據權利要求1所述的一種基于輕量化神經網絡的目標識別方法，其特征在于，所述Densenet改進模型的訓練集與測試集的數量比為4:1。

6.應用如權利要求1～5任一項所述的一種基于輕量化神經網絡的目標識別方法的設備，其特征在于，包括一個或多個處理器、一個或多個存儲器、一個或多個程序及輸入單元；

所述輸入單元用于輸入目標圖片；

所述一個或多個程序被存儲在所述存儲器中，當所述一個或多個程序被所述處理器執行時，使得所述設備執行如權利要求1～5任一項所述的基于輕量化神經網絡的目標識別方法。

7.包含如權利要求6所述的設備的設備套件，其特征在于，包括一臺中央主機和一臺以上的如權利要求6所述的設備；

所述設備與中央主機通訊連接。

8.根據權利要求7所述的設備套件，其特征在于，所述設備為嵌入式設備。

9.根據權利要求7所述的設備套件，其特征在于，所述中央主機運行如下程序：

(1)中央主機獲取各設備定時發送的心跳包，確認設備的在線情況并剔除不在線設備；

(2)中央主機向各在線設備發送目標圖片，各在線設備運行如權利要求1～5任一項所述的基于輕量化神經網絡的目標識別方法得到目標類別；

(3)各在線設備將其所得的目標類別發生至中央主機，中央主機根據各在線設備所得的目標類別得到最終結果。

10.根據權利要求9所述的設備套件，其特征在于，所述根據各在線設備所得的目標類別得到最終結果的具體方案為根據選舉規則確認最終結果或者根據各在線設備的權重系數確認最終結果。