[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

本發明公開了一種基于輕量化神經網絡的目標識別方法及其應用，將目標圖片輸入訓練好的Densenet改進模型中得到目標類別；Densenet改進模型與Densenet模型的不同在于網塊中的Back Bone，Back Bone中的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Channel Split連接，第三卷積層與Concat連接。本發明的目標識別方法，不僅數據處理量小，而且其識別精度高，極具應用前景。

技術領域

本發明屬于設備識別技術領域，涉及一種基于輕量化神經網絡的目標識別方法及其應用。

背景技術

目標檢測是計算機視覺領域的重要研究方向之一，傳統的目標檢測方法是通過構建特征描述子提取特征后利用分類器對特征進行分類實現目標檢測，如梯度方向直方圖HOG(Histogram of Oriented Gradient)和支持向量機SVM(Support Vector Machine)。隨著深度學習在圖像分類領域的優異表現，卷積神經網絡在計算機視覺的各領域開始得到了廣泛使用。在目標檢測領域中使用深度學習實現目標檢測成為一個新的方向。

傳統神經網絡使用使用全連接層進行層與層之間的連接，而卷積神經網絡的權值共享網絡使得計算量大幅度減少，降低了網絡模型的復雜度。卷積神經網絡的平移不變性可以使其更好處理圖片的特征，基于圖像識別方法出現了大量的卷積神經網絡，從最初的LeNet、AlexNet、ZFNext、VGGNet、Inception系列、ResNet系列到輕量型神經網絡，這些算法在基于Backbone上進行修改，能夠得到很高的精度，這些技術被逐步使用到了人臉識別，智能倉儲等其他應用中。

盡管如此，該技術目前還存在以下缺陷：由于殘差連接的出現，使其在保證精度的前提下能夠堆疊更深的網絡，但這同時也增大了網絡模型的復雜度、計算量，一些商用計算機能夠憑借優越的GPU和內存能夠運行這些網絡，但對于一些性能有限的嵌入式設備而言，其處理數據量過大，難以滿足時效與精度的要求。

因此，開發一種精度高且數據處理量小、可適用于性能有限的嵌入式設備的目標識別方法極具現實意義。

發明內容

本發明的目的在于克服現有難以實現精度與數據處理量的良好兼顧、對設備硬件要求較高的缺陷，提供一種精度高且數據處理量小、可適用于性能有限的嵌入式設備的目標識別方法。本發明的目標識別方法在保證精度的同時大大降低了數據處理量，能夠大大降低對設備硬件的要求。此外本發明提供了一種采用多臺嵌入式設備配合實現本發明的目標識別方法的方法，極具應用前景。

為實現上述目的，本發明提供如下技術方案：

一種基于輕量化神經網絡的目標識別方法，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；