[發(fā)明專利]圖片分類和對(duì)象檢測(cè)的同步處理方法、系統(tǒng)、存儲(chǔ)介質(zhì)及終端

有效

• 申請(qǐng)?zhí)枺?/td>: 202111185199.6
• 申請(qǐng)日: 2021-10-12
• 公開（公告）號(hào): CN113627416B
• 公開（公告）日: 2022-01-25
• 發(fā)明（設(shè)計(jì)）人: 孔歐;劉益東;王君
• 申請(qǐng)（專利權(quán)）人: 上海蜜度信息技術(shù)有限公司
• 主分類號(hào): G06V10/22
• 分類號(hào): G06V10/22;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海光華專利事務(wù)所(普通合伙) 31219
• 代理人: 徐秋平

本發(fā)明提供一種圖片分類和對(duì)象檢測(cè)的同步處理方法、系統(tǒng)、存儲(chǔ)介質(zhì)及終端，包括以下步驟：將圖片輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行卷積操作，獲取第一特征圖；對(duì)所述第一特征圖依次進(jìn)行卷積操作、池化操作和非線性函數(shù)激活操作，獲取第二特征圖，以基于所述第二特征圖獲取所述圖片的對(duì)象檢測(cè)結(jié)果；對(duì)所述第一特征圖依次進(jìn)行全局平均池化操作和全連接操作，獲取所述圖片的分類結(jié)果。本發(fā)明的圖片分類和對(duì)象檢測(cè)的同步處理方法、系統(tǒng)、存儲(chǔ)介質(zhì)及終端通過(guò)同一神經(jīng)網(wǎng)絡(luò)同時(shí)進(jìn)行圖片分類和對(duì)象檢測(cè)，有效降低了系統(tǒng)負(fù)荷。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理的技術(shù)領(lǐng)域，特別是涉及一種圖片分類和對(duì)象檢測(cè)的同步處理方法、系統(tǒng)、存儲(chǔ)介質(zhì)及終端。

背景技術(shù)

隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，信息量不斷增加，呈現(xiàn)幾何級(jí)別的增長(zhǎng)。信息量增長(zhǎng)的速度遠(yuǎn)比人類理解的速度要快，并以海浪式四面八方涌入人類的生活。特別地，為了為用戶提供更多感興趣的信息，通常通過(guò)圖片的方式進(jìn)行信息分發(fā)。因此，需要對(duì)圖片進(jìn)行分類和對(duì)象檢測(cè)，以便于分發(fā)至感興趣的用戶。

現(xiàn)有技術(shù)中，對(duì)于圖片的分類和對(duì)象檢測(cè)，通常采用兩個(gè)不同的模型進(jìn)行實(shí)現(xiàn)。因此，對(duì)于同樣的圖片，需要分兩次輸入至兩個(gè)不同的模型，從而分別得到圖片的分類結(jié)果和對(duì)象檢測(cè)的結(jié)果。故上述方式較為繁瑣，增加了系統(tǒng)負(fù)荷。

發(fā)明內(nèi)容

鑒于以上所述現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明的目的在于提供一種圖片分類和對(duì)象檢測(cè)的同步處理方法、系統(tǒng)、存儲(chǔ)介質(zhì)及終端，通過(guò)同一神經(jīng)網(wǎng)絡(luò)同時(shí)進(jìn)行圖片分類和對(duì)象檢測(cè)，有效降低了系統(tǒng)負(fù)荷。

為實(shí)現(xiàn)上述目的及其他相關(guān)目的，本發(fā)明提供一種圖片分類和對(duì)象檢測(cè)的同步處理方法，包括以下步驟：將圖片輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行卷積操作，獲取第一特征圖；對(duì)所述第一特征圖依次進(jìn)行卷積操作、池化操作和非線性函數(shù)激活操作，獲取第二特征圖，以基于所述第二特征圖獲取所述圖片的對(duì)象檢測(cè)結(jié)果；對(duì)所述第一特征圖依次進(jìn)行全局平均池化操作和全連接操作，獲取所述圖片的分類結(jié)果。

于本發(fā)明一實(shí)施例中，所述神經(jīng)網(wǎng)絡(luò)采用Mobilenet神經(jīng)網(wǎng)絡(luò)。

于本發(fā)明一實(shí)施例中，所述神經(jīng)網(wǎng)絡(luò)包括第一卷積模塊、第二卷積模塊、池化模塊、非線性函數(shù)激活模塊、全局平均池化模塊和全連接模塊；所述第一卷積模塊與所述第二卷積模塊和所述全局平均池化模塊均相連，所述第二卷積模塊、池化模塊和非線性函數(shù)激活模塊依次相連，所述全局平均池化模塊與所述全連接模塊相連；所述第一卷積模塊用于對(duì)所述圖片進(jìn)行卷積操作，所述第二卷積模塊用于對(duì)所述第一特征圖進(jìn)行卷積操作，所述池化模塊用于進(jìn)行池化操作，所述非線性函數(shù)激活模塊用于進(jìn)行非線性函數(shù)激活操作，所述全局平均池化模塊用于進(jìn)行全局平均池化插座，所述全連接模塊用于進(jìn)行全連接操作。

于本發(fā)明一實(shí)施例中，所述第一特征圖的像素為26*26*512。

于本發(fā)明一實(shí)施例中，采用75*3*3 的卷積核對(duì)所述第一特征圖進(jìn)行卷積操作，所述第二特征圖的像素為26*26*75。

于本發(fā)明一實(shí)施例中，對(duì)所述第一特征圖進(jìn)行全局平均池化操作后獲取512個(gè)值，對(duì)所述512個(gè)值進(jìn)行全連接操作后，獲取的1000個(gè)值作為所述分類結(jié)果。

于本發(fā)明一實(shí)施例中，所述神經(jīng)網(wǎng)絡(luò)采用Tensorflow深度學(xué)習(xí)框架。

本發(fā)明提供一種圖片分類和對(duì)象檢測(cè)的同步處理系統(tǒng)，包括卷積模塊、對(duì)象檢測(cè)模塊和分類模塊；

所述卷積模塊用于將圖片輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行卷積操作，獲取第一特征圖；

所述對(duì)象檢測(cè)模塊用于對(duì)所述第一特征圖依次進(jìn)行卷積操作、池化操作和非線性函數(shù)激活操作，獲取第二特征圖，以基于所述第二特征圖獲取所述圖片的對(duì)象檢測(cè)結(jié)果；

所述分類模塊用于對(duì)所述第一特征圖依次進(jìn)行全局平均池化操作和全連接操作，獲取所述圖片的分類結(jié)果。