[发明专利]基于神经网络的物件检测装置和物件检测方法

说明书

本发明提供一种于神经网络的物件检测装置和物件检测方法。物件检测方法包含：接收输入图像；以及根据改良型YOLO‑版本2神经网络以识别输入图像中的物件。改良型YOLO‑版本2神经网络包含残差区块、第三卷积层以及第四卷积层。残差区块的第一输入连接至改良型YOLO‑版本2神经网络的第一卷积层，并且残差区块的输出连接至改良型YOLO‑版本2神经网络的第二卷积层，其中残差区块用于将对应于第一卷积层的相加结果传送至第二卷积层。第三卷积层以及第四卷积层是对原始YOLO‑版本2神经网络的卷积层进行分解所产生的。

技术领域

本发明涉及一种物件检测装置和物件检测方法，且特别是涉及一种基于神经网络的物件检测装置和物件检测方法。

背景技术

使用深度学习技术来对物件进行检测以及识别是目前图像识别领域的主流技术之一。为了达到良好的检测效果，通常会采用尺寸较大及较深的神经网络架构。如上所述的神经网络架构虽然能使检测更加的准确，但也会使运算以及内存容量的需求大幅地提升，从而使神经网络架构很难实施于具有较少运算力的边缘运算装置。

因此，如何提出一种具有低复杂度以及高识别精准度特性的神经网络架构，是本领域人员致力的目标之一。

发明内容

本发明提供一种基于神经网络的物件检测装置和物件检测方法，可改良YOLO-版本2(YOLO-V2)神经网络，从而降低YOLO-V2神经网络所需使用的运算量。

本发明的一种基于神经网络的物件检测装置，包括处理器、存储介质以及收发器。存储介质存储改良型YOLO-版本2神经网络。处理器耦接存储介质以及收发器，其中处理器通过收发器以接收输入图像，并且根据改良型YOLO-版本2神经网络以识别输入图像中的物件，其中改良型YOLO-版本2神经网络包括：残差区块，其中残差区块的第一输入连接至改良型YOLO-版本2神经网络的第一卷积层，并且残差区块的输出连接至改良型YOLO-版本2神经网络的第二卷积层，其中残差区块用于将对应于第一卷积层的相加结果传送至第二卷积层；以及包括第一数量个滤波器的第三卷积层以及包括第二数量个滤波器的第四卷积层，其中处理器对原始YOLO-版本2神经网络的包括第三数量个滤波器的卷积层进行分解以产生第三卷积层以及第四卷积层，其中第一数量小于第三数量。

在本发明的一实施例中，上述的物件检测装置还包括串联层。串联层的第二输入连接至改良型YOLO-版本2神经网络的池化层以及第五卷积层。

在本发明的一实施例中，上述的处理器将第二数量调整为小于第二数量的二分之一。

在本发明的一实施例中，上述的第一卷积层包括激励函数，其中残差区块的第一输入连接至第一卷积层的激励函数。

在本发明的一实施例中，上述的激励函数为泄漏线性整流单元。

在本发明的一实施例中，上述的残差区块的第一输入还连接至改良型YOLO-版本2神经网络的池化层，并且残差区块用于将第一卷积层以及池化层的相加结果传送至第二卷积层。

在本发明的一实施例中，上述的残差区块的第一输入还连接至改良型YOLO-版本2神经网络的第五卷积层，并且残差区块用于将第一卷积层以及第五卷积层的相加结果传送至第二卷积层。

在本发明的一实施例中，上述的改良型YOLO-版本2神经网络不包括重组层。

本发明的一种基于神经网络的物件检测方法，包含：接收输入图像；以及根据改良型YOLO-版本2神经网络以识别输入图像中的物件，其中改良型YOLO-版本2神经网络包括残差区块、包括第一数量个滤波器的第三卷积层以及包括第二数量个滤波器的第四卷积层。残差区块的第一输入连接至改良型YOLO-版本2神经网络的第一卷积层，并且残差区块的输出连接至改良型YOLO-版本2神经网络的第二卷积层，其中残差区块用于将对应于第一卷积层的相加结果传送至第二卷积层。第三卷积层以及第四卷积层是对原始YOLO-版本2神经网络的包括第三数量个滤波器的卷积层进行分解所产生的，其中第一数量小于第三数量。