The invention discloses a low power fast detection image target method based on deep learning, and overcomes the problem that the computational complexity of the existing technology is too high and the neural network model occupies the larger disk space. The implementation steps are as follows: (1) input a 300 x 300 pixel image; (2) construct a convolution neural network; (3) the first training convolution neural network; (4) second training convolution neural network; (5) calculate the weight coefficient and offset of the convolution layer adjacent to the volume layer in the convolution neural network; (6) delete the convolution neural network batch. Quantization layer and scaling layer; (7) output target detection coordinates. The invention has the advantages that the invention can be deployed on low power embedded devices because of the rapid detection of single image and small disk space in the neural network model.
【技术实现步骤摘要】
基于深度学习的低功耗快速检测图像目标方法
本专利技术属于图像处理
,更进一步涉及目标检测
中的一种基于深度学习的低功耗快速检测图像目标方法。本专利技术基于卷积神经网络技术,利用低功耗嵌入式设备对任意尺寸的自然图像进行目标检测与识别。
技术介绍
基于深度学习技术的图像目标检测与识别方法具有识别精度高、易于训练等特点,不受图像尺寸和光照强度的影响。随着自然图像目标检测与识别技术逐渐成熟,被广泛应用于军事和民用的等领域。由于深度学习技术计算复杂度过高,不可避免的只能运行在大型服务器上,极大地影响了深度学习技术在低功耗嵌入式设备的应用。目前,基于自然图像目标检测与定位方法主要有两阶段神经网络目标检测方法(FasterR-CNN)。两阶段神经网络检测方法是最近提出的一种新的图像目标检测与定位方法,该方法基于卷积神经网络,通过卷积神经网络提取图像中特征来实现对图像中目标进行分类以及区域定位。ShaoRen,KaimingHe,RossGirshick,JianSun在其发表的论文“FasterR-CNN:TowardsReal-TimeObjectDetectionwithRegionProposalNetwork”(ComputerVisionandPatternRecognition,CVPR,January6,2016)中提出一种两阶段的基于自然图像的目标检测与定位方法。该方法首先通过区域建议网络(RegionProposalNetwork,RPN)生成建议图像区域,其中每张图像生成300个建议区域,把300个建议区域映射在最后一层神经网络中,通过建 ...
【技术保护点】
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 ...
【技术特征摘要】
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。2...
【专利技术属性】
技术研发人员:宋彬,吴广伟,郭洁,梁大卫,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。