[发明专利]基于深度学习的低功耗快速检测图像目标方法

摘要

本发明公开了一种基于深度学习的低功耗快速检测图像目标方法，克服了现有技术中计算复杂度过高、神经网络模型占据较大磁盘空间的问题。本发明实现步骤为：(1)输入一幅300×300个像素的图像；(2)构建卷积神经网络；(3)第一次训练卷积神经网络；(4)第二次训练卷积神经网络；(5)计算卷积神经网络中与批量化层相邻卷积层权重系数和偏移值；(6)删除卷积神经网络中批量化层和比例缩放层；(7)输出目标检测坐标。由于本发明检测单张图像速度快、神经网络模型占据磁盘空间小，使得本发明具有可以部署在低功耗嵌入式设备上的优点。

主权项

1.一种基于深度学习的低功耗快速检测图像目标方法，其特征在于，包括如下步骤：(1)输入一幅300×300个像素的图像；(2)构建卷积神经网络：构建一个含有主干神经网络、分类以及回归神经网络、输出网络三部分共189层的卷积神经网络；(3)第一次训练卷积神经网络：(3a)将300×300个像素的图像输入到卷积神经网络，计算卷积神经网络输出值与真实值之间的误差值；(3b)利用反向传播算法训练卷积神经网络；(3c)判断卷积神经网络输出值与真实值之间的误差值是否大于0.9，若是，则执行步骤(3a)，否则，得到第一次训练好的卷积神经网络，执行步骤(4)；(4)第二次训练卷积神经网络：(4a)将300×300个像素的图像调整为尺寸为224×224像素的图像；(4b)将尺寸为224×224像素的图像输入到卷积神经网络，计算卷积神经网络输出值与真实值之间的误差值；(4c)利用反向传播算法训练卷积神经网络；(4d)判断卷积神经网络输出值与真实值之间的误差值是否大于0.9，若是，则执行步骤(4b)，否则，得到第二次训练好的卷积神经网络，执行步骤(5)；(5)计算卷积神经网络中与批量化层相邻卷积层权重系数和偏移值：(5a)计算卷积神经网络中与批量化层相邻卷积层的权重系数；(5b)计算卷积神经网络中与批量化层相邻卷积层的偏移值；(6)删除卷积神经网络中批量化层和比例缩放层；(7)输出目标检测坐标：将尺寸为224×224像素的图像输入到卷积神经网络中，将网络输出层中每个神经元的输出值组成一组特征向量，特征向量表示卷积神经网络检测到的目标在该图像中的坐标值。