用于事件检测的深度学习网络、该网络的训练装置及方法制造方法及图纸

本发明专利技术实施例提供一种用于事件检测的深度学习网络、该网络的训练装置及方法，该深度学习网络包括：数据层，其用于读取输入数据；卷积层，其用于从数据层读取的输入数据中提取特征；至少两个事件分类器，其用于根据卷积层提取的特征，相互独立的进行不同事件的检测，分别输出不同事件的检测结果。由于该深度学习网络具有至少两个相互独立的、进行不同事件的检测的事件分类器，各个事件分类器能够独立的进行检测并输出检测结果，从而能够保证事件检测结果的准确性和完整性，并且，由于各个事件分类器只需要检测一种事件，该深度学习网络在训练时所需的时间较短，且训练出的该深度学习网络的检测精度较高。

Deep Learning Network for Event Detection, Its Training Device and Method

The embodiments of the present invention provide a deep learning network for event detection, a training device and a method thereof. The deep learning network includes a data layer for reading input data, a convolution layer for extracting features from input data read from the data layer, and at least two event classifiers for extracting features from the convolution layer, which are independent of each other. The detection of the same event can output the detection results of different events. Because the deep learning network has at least two independent event classifiers for detecting different events, each event classifier can independently detect and output the detection results, thus ensuring the accuracy and integrity of the event detection results. Moreover, because each event classifier only needs to detect one event, the deep learning network is in training place. The time required is short and the detection accuracy of the deep learning network trained is high.

【技术实现步骤摘要】
用于事件检测的深度学习网络、该网络的训练装置及方法
本专利技术涉及信息
，尤其涉及一种用于事件检测的深度学习网络、该网络的训练装置及方法。
技术介绍
近年来，深度学习被广泛的应用于计算机视觉领域。在深度学习的帮助下，计算机视觉领域的研究方向已经从图像分类向例如事件检测的视频分析转变。与图像分类相比，视频分析面临更多复杂的场景，事件检测也需要模型来学习更高水平的逻辑判断。图1是现有的事件检测模型的检测结果的示意图。如图1所示，对于图1所示的监控视频画面，现有的事件检测模型检测到的各个事件的发生概率为：正常(Normal)0.03、事故(Accident)0.46、拥堵(Jam)0.41、停车(Park)0.08、逆行(Reverse)0.02。应该注意，上面对技术背景的介绍只是为了方便对本专利技术的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本专利技术的
技术介绍
部分进行了阐述而认为上述技术方案为本领域技术人员所公知。
技术实现思路
专利技术人发现，对于图1所示的情况，其理想的输出结果应为事故(Accident)和拥堵(Jam)，如果将上述现有的事件检测模型的输出条件设为大于0.5，则无法得到输出结果，如果将输出条件设为输出最大概率的事件，则输出结果为事故(Accident)。也就是说，现有的事件检测模型仅能够区分互斥事件，其无法输出多个事件作为检测结果，无法保证检测结果的准确性和完整性。另外，由于现有的事件检测模型为多分类器检测模型，其训练的时间较长。本专利技术实施例提供一种用于事件检测的深度学习网络、该网络的训练装置及方法，该深度学习网络具有至少两个相互独立的、进行不同事件的检测的事件分类器，各个事件分类器能够独立的进行检测并输出检测结果，从而能够保证事件检测结果的准确性和完整性，并且，由于各个事件分类器只需要检测一种事件，该深度学习网络在训练时所需的时间较短，且训练出的该深度学习网络的检测精度较高。根据本专利技术实施例的第一方面，提供一种用于事件检测的深度学习网络，所述深度学习网络包括：数据层，其用于读取输入数据；卷积层，其用于从所述数据层读取的所述输入数据中提取特征；至少两个事件分类器，其用于根据所述卷积层提取的所述特征，相互独立的进行不同事件的检测，分别输出不同事件的检测结果。根据本专利技术实施例的第二方面，提供一种根据本专利技术实施例的第一方面所述的深度学习网络的训练装置，所述装置包括：第一训练单元，其用于对所述深度学习网络的所述卷积层的参数进行训练；第二训练单元，其用于保持所述深度学习网络的所述卷积层的参数不变，对所述深度学习网络的所述至少两个事件分类器的参数进行训练。根据本专利技术实施例的第三方面，提供一种根据本专利技术实施例的第一方面所述的深度学习网络的训练方法，所述方法包括：对所述深度学习网络的所述卷积层的参数进行训练；保持所述深度学习网络的所述卷积层的参数不变，对所述深度学习网络的所述至少两个事件分类器的参数进行训练。本专利技术的有益效果在于：由于该深度学习网络具有至少两个相互独立的、进行不同事件的检测的事件分类器，各个事件分类器能够独立的进行检测并输出检测结果，从而能够保证事件检测结果的准确性和完整性，并且，由于各个事件分类器只需要检测一种事件，该深度学习网络在训练时所需的时间较短，且训练出的该深度学习网络的检测精度较高。参照后文的说明和附图，详细公开了本专利技术的特定实施方式，指明了本专利技术的原理可以被采用的方式。应该理解，本专利技术的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本专利技术的实施方式包括许多改变、修改和等同。针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。附图说明所包括的附图用来提供对本专利技术实施例的进一步的理解，其构成了说明书的一部分，用于例示本专利技术的实施方式，并与文字描述一起来阐释本专利技术的原理。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：图1是现有的事件检测模型的检测结果的示意图；图2本专利技术实施例1的用于事件检测的深度学习网络的示意图；图3是本专利技术实施例1的深度学习网络的检测结果的示意图；图4是本专利技术实施例1的事件分类器203的示意图；图5是本专利技术实施例2的训练装置的示意图；图6是本专利技术实施例3的电子设备的示意图；图7是本专利技术实施例3的电子设备的系统构成的一示意框图；图8是本专利技术实施例4的训练方法的示意图。具体实施方式参照附图，通过下面的说明书，本专利技术的前述以及其它特征将变得明显。在说明书和附图中，具体公开了本专利技术的特定实施方式，其表明了其中可以采用本专利技术的原则的部分实施方式，应了解的是，本专利技术不限于所描述的实施方式，相反，本专利技术包括落入所附权利要求的范围内的全部修改、变型以及等同物。实施例1本专利技术实施例提供一种用于事件检测的深度学习网络。图2本专利技术实施例1的用于事件检测的深度学习网络的示意图。如图2所示，深度学习网络200包括：数据层201，其用于读取输入数据；卷积层202，其用于从该数据层读取的该输入数据中提取特征；至少两个事件分类器203，其用于根据该卷积层提取的该特征，相互独立的进行不同事件的检测，分别输出不同事件的检测结果。由上述实施例可知，由于该深度学习网络具有至少两个相互独立的、进行不同事件的检测的事件分类器，各个事件分类器能够独立的进行检测并输出检测结果，从而能够保证事件检测结果的准确性和完整性，并且，由于各个事件分类器只需要检测一种事件，该深度学习网络在训练时所需的时间较短，且训练出的该深度学习网络的检测精度较高。在本实施例中，数据层201用于读取输入数据。例如，数据层201对监控视频进行处理，获得输入数据。例如，该输入数据可以是监控视频的至少一帧，该监控视频可以通过安装在道路上方的监控摄像头获得。在本实施例中，卷积层202，其用于从该数据层读取的该输入数据中提取特征。该卷积层202可以使用现有的结构。例如，该卷积层202为现有的Alexnet网络结构。在本实施例中，该特征可以是作为输入数据的监控视频图像中的各种特征，例如，轮廓、纹理、亮度等。在本实施例中，至少两个事件分类器203用于根据该卷积层202提取的该特征，相互独立的进行不同事件的检测，分别输出不同事件的检测结果。在本实施例中，各个事件分类器203可以检测不同的事件，且每个事件分类器203仅检测一种事件，即各个事件分类器203均为二分类器。在本实施例中，事件分类器203的数量可以根据实际需要而设置。例如，根据需要检测的事件种类的数量而设置。例如，如图2所示，该深度学习网络200可以包括五个事件分类器203，分别用于检测以下事件：正常(Normal)、事故(Accident)、拥堵(Jam)、停车(Park)以及逆行(Reverse)。在本实施例中，可以将至少两个事件分类器203输出的检测结果进行显示。例如，可以将至少本文档来自技高网...

【技术保护点】
1.一种用于事件检测的深度学习网络，所述深度学习网络包括：数据层，其用于读取输入数据；卷积层，其用于从所述数据层读取的所述输入数据中提取特征；至少两个事件分类器，其用于根据所述卷积层提取的所述特征，相互独立的进行不同事件的检测，分别输出不同事件的检测结果。

【技术特征摘要】
1.一种用于事件检测的深度学习网络，所述深度学习网络包括：数据层，其用于读取输入数据；卷积层，其用于从所述数据层读取的所述输入数据中提取特征；至少两个事件分类器，其用于根据所述卷积层提取的所述特征，相互独立的进行不同事件的检测，分别输出不同事件的检测结果。2.根据权利要求1所述的深度学习网络，其中，所述至少两个事件分类器具有相同或不同的结构。3.根据权利要求2所述的深度学习网络，其中，所述至少两个事件分类器具有相同的结构，所述事件分类器包括：第一全连接层、第二全连接层以及设置在所述第一全连接层和所述第二全连接层之间的长短期记忆层。4.根据权利要求1所述的深度学习网络，其中，各个所述事件分类器能够独立的进行训练和/或独立的进行参数的调整。5.根据权利要求1所述的深度学习网络，其中，所述事件分类器能够独立的添加到所述深度学习网络中或者从所述深度学习网络中去除。6.一种根据权利要求1所述的深度学习网络的训练装置，所述装置包括：第一训练单元，其用于对所述深度学习网络的所述卷积层...

【专利技术属性】
技术研发人员：尹汭，谭志明，白向晖，
申请(专利权)人：富士通株式会社，
类型：发明
国别省市：日本,JP