[发明专利]神经网络识别装置及识别方法

权利要求书

1.一种神经网络识别装置，其特征在于，包括输入层、与所述输入层连接的多个共享卷积层、与所述多个共享卷积层连接的多个目标区域池化层、与所述多个共享卷积层和所述多个目标区域池化层连接的多个深层特征卷积层以及与所述多个深层特征卷积层连接的输出层，其中：

所述输入层，用于接收输入的目标图像；

所述多个共享卷积层，用于对所述目标图像进行特征提取，得到多个目标全局特征图；对所述多个目标全局特征图进行特征提取，得到多个基础属性，所述基础属性为所述目标图像的属性中的浅层属性，所述基础属性包括：人的轮廓、五官特征和衣服颜色；

所述多个目标区域池化层，用于对所述多个目标全局特征图进行图像分割，得到多个目标局部特征图；

所述多个深层特征卷积层，用于根据所述多个基础属性对所述多个目标全局特征图和所述多个目标局部特征图进行特征提取，得到多个目标全局属性和多个目标局部属性；

所述输出层，用于根据所述多个目标全局属性和所述多个目标局部属性确定所述目标图像中的目标车辆的属性和所述目标车辆的驾驶员的属性，并输出所述目标车辆的属性和所述驾驶员的属性。

2.根据权利要求1所述的神经网络识别装置，其特征在于，所述多个共享卷积层和所述多个深层特征卷积层均包含卷积操作、归一化操作、激活操作、池化操作。

3.根据权利要求1所述的神经网络识别装置，其特征在于，所述多个深层特征卷积层具体用于根据所述多个基础属性对所述多个目标全局特征图和所述多个目标局部特征图进行角度识别，得到多个全局角度特征和多个局部角度特征；根据所述多个全局角度特征和所述多个局部角度特征对所述多个目标全局特征图和所述多个目标局部特征图进行特征提取，得到所述多个目标全局属性和所述多个目标局部属性。

4.根据权利要求1-3任一项所述的神经网络识别装置，其特征在于，所述神经网络识别装置还包括与所述输出层连接的检测模块，用于在所述目标图像为训练图像，且所述神经网络识别装置的训练次数小于第二阈值时，获取所述目标车辆的属性和所述驾驶员的属性中每一属性与对应的期望输出属性之间的损失，得到多个损失；获取所述多个损失中大于第一阈值的损失，得到损失集；根据所述损失集中每一损失对所述神经网络识别装置中与该损失对应的部分进行反向梯度传播。

5.根据权利要求4所述的神经网络识别装置，其特征在于，所述检测模块具体用于根据公式：

loss＝(y_p-y)²

计算所述多个损失loss，其中，所述y为所述目标车辆的属性和所述驾驶员的属性中的任一属性，所述y_p为所述y对应的期望输出属性。

6.一种神经网络识别装置的识别方法，其特征在于，所述方法基于上述权利要求1-5项任一项所述的神经网络识别装置，所述方法包括：

输入层接收输入的目标图像；

多个共享卷积层对所述目标图像进行特征提取，得到多个目标全局特征图；对所述多个目标全局特征图进行特征提取，得到多个基础属性，所述基础属性为所述目标图像的属性中的浅层属性，所述基础属性包括：人的轮廓、五官特征和衣服颜色；

多个目标区域池化层对所述多个目标全局特征图进行图像分割，得到多个目标局部特征图；

多个深层特征卷积层根据所述多个基础属性对所述多个目标全局特征图和所述多个目标局部特征图进行特征提取，得到多个目标全局属性和多个目标局部属性；

输出层根据所述多个目标全局属性和所述多个目标局部属性确定所述目标图像中的目标车辆的属性和所述目标车辆的驾驶员的属性，并输出所述目标车辆的属性和所述驾驶员的属性。

7.根据权利要求6所述的方法，其特征在于，所述多个共享卷积层和所述多个深层特征卷积层均包含卷积操作、归一化操作、激活操作、池化操作。