[发明专利]基于目标尺度的目标检测深度卷积神经网络构建方法有效
| 申请号： | 201910866933.1 | 申请日： | 2019-09-12 |
| 公开（公告）号： | CN110659724B | 公开（公告）日： | 2023-04-28 |
| 发明（设计）人： | 刘天弼;杜姗姗;冯瑞 | 申请（专利权）人： | 复旦大学 |
| 主分类号： | G06N3/0464 | 分类号： | G06N3/0464;G06N3/08 |
| 代理公司： | 上海德昭知识产权代理有限公司 31204 | 代理人： | 郁旦蓉 |
| 地址： | 200433 *** | 国省代码： | 上海;31 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提供一种基于目标尺度的目标检测深度卷积神经网络构建方法，用于在检测某一尺度范围的目标的应用场景下，能够灵活多变、针对不同尺度的目标实现良好适应性的深度卷积神经网，其特征在于，包括：步骤S1，分析图像样本数据集中的所有图像的目标对象，确定目标尺度下限；步骤S2，根据用于目标检测的深度卷积神经网络的主干网结构，得到单个目标对象最终所需的特征数据量，并分析主干网结构的下采样倍数以及最佳下采样倍数；步骤S3，通过深度模型重构方法重构深度卷积神经网络，保证单个目标对象在执行分类运算之前保留充分的特征数据量；步骤S4，使用图像样本数据集对深度卷积神经网络进行训练直至准确率达到要求。 | ||
| 搜索关键词： | 基于 目标 尺度 检测 深度 卷积 神经网络 构建 方法 | ||
【主权项】：
1.一种基于目标尺度范围的目标检测卷积神经网络构建方法，用于根据具体目标检测需求的目标尺度从而适当地调整网络结构，实现对特定目标的准确检测，其特征在于，包括：/n步骤S1，分析图像样本数据集中的所有图像的目标对象，确定目标尺度下限；/n步骤S2，根据用于目标检测的深度卷积神经网络的主干网结构，得到单个所述目标对象最终所需的特征数据量，并分析所述主干网结构的下采样倍数以及最佳下采样倍数；/n步骤S3，通过深度模型重构方法重构所述深度卷积神经网络，保证单个所述目标对象在执行分类运算之前保留充分的特征数据量；/n步骤S4，使用所述图像样本数据集对所述深度卷积神经网络进行训练直至准确率达到要求，/n其中，所述深度模型重构方法分为两种方案，在所述步骤S3中重构所述深度卷积神经网络时，根据计算资源是否充足选择所述深度模型重构方法的方案：/n方案一，当图像分辨率较小且所述计算资源充足时，通过所述下采样倍数以及所述最佳下采样倍数之间的落差将图像进行拉伸；/n方案二，当所述计算资源有限时，根据分类预测对所述特征数据量的需求，改变所述主干网结构的下采样次数，自后向前重构网络层结构。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于复旦大学，未经复旦大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910866933.1/，转载请声明来源钻瓜专利网。
