一种基于卷积神经网络的多标签物体识别方法技术

本发明专利技术公开了一种基于卷积神经网络的多标签物体识别方法，该方法利用标签之间的包含关系，并按照包含顺序依次构建各个标签的CNN特征提取部分，通过卷积运算操作不断抽象提取各层特征，并在网络的不同深度分别设置各个标签的分类器，将相应标签的CNN特征提取部分所提取的特征图，输入到对应的分类器，同时利用多个分类器进行误差反向传播，监督训练相应各层的网络权值参数，最终获取各标签类别以完成识别。本发明专利技术采用的多标签卷积神经网络，可以很好地解决多个标签之间信息的融合，解决了传统多标签物体识别准确率不高的问题，同时提高了训练和识别的效率。

A multi label object recognition method based on convolution neural network

The invention discloses a multi-label object recognition method based on convolution neural network. The method utilizes the inclusion relationship between labels, and constructs the CNN feature extraction part of each label in turn according to the inclusion order, extracts the features of each layer continuously through convolution operation, and sets each layer at different depths of the network respectively. Each label classifier inputs the feature map extracted from the corresponding label's CNN feature extraction part into the corresponding classifier. At the same time, it uses multiple classifiers to conduct error back propagation, supervises and trains the corresponding network weight parameters of each layer, and finally obtains the label categories to complete the recognition. The multi-label convolution neural network adopted by the invention can well solve the information fusion between multiple labels, solve the problem of low accuracy of traditional multi-label object recognition, and improve the efficiency of training and recognition.

【技术实现步骤摘要】
一种基于卷积神经网络的多标签物体识别方法
本专利技术属于图像处理
，特别涉及一种基于卷积神经网络的多标签物体识别方法。
技术介绍
随着人工智能技术的迅速发展，自动物体识别已成为近些年来国内外研究的热点问题，在智能监控、遥测遥感、机器人、医学图像处理等领域具有广泛的应用前景。在真实生活中，物体种类繁多，个体相似度较高，人类可以通过视觉感知形状、颜色和距离等信息，并且综合这些信息，来准确地判断出物体所属类别，但是这对计算机来讲往往比较困难。因此，如何使计算机拥有和人类相似、甚至超过人类的识别能力，已成为当前物体识别的重要方向和主要挑战。物体识别的主要研究方法是提取物体特征实现物体描述，然后利用一定的机器学习算法进行物体类型的学习，最后对物体进行分类，实现物体识别。但是待识别的目标存在类内差异大、类间相似度高的情况，这种情况下提取的特征通常很难反映出类间差异和类内共性。尤其在物体具有多个标签的情况下，由于传统特征提取方式的限制，不同标签所使用的特征之间往往是没有关联的，这使物体识别起来更加困难。多标签物体识别问题目前主要依靠两种类型的方法来处理。一种是基于传统图像处理的方法，首先对物本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的多标签物体识别方法，其特征在于，包括如下步骤：(1)读取物体识别所使用的数据集，将其转化为卷积神经网络输入的标准格式；(2)搭建多标签卷积神经网络模型，并对该模型进行参数初始化；(3)对搭建好的多标签卷积神经网络模型进行训练，不断优化网络内部结构参数；(4)判断步骤(3)中训练后的多标签卷积神经网络模型是否满足训练要求，如果满足则进入步骤(5)，如果不满足则返回步骤(3)重新进行训练；(5)对已经训练好的多标签卷积神经网络模型进行测试评估，获得测试准确率；(6)判断测试准确率是否能够达到A级，如果是则进行步骤(7)，如果否则更新模型补兵重新进入步骤(2)重新进行模型的...

【技术特征摘要】
1.一种基于卷积神经网络的多标签物体识别方法，其特征在于，包括如下步骤：(1)读取物体识别所使用的数据集，将其转化为卷积神经网络输入的标准格式；(2)搭建多标签卷积神经网络模型，并对该模型进行参数初始化；(3)对搭建好的多标签卷积神经网络模型进行训练，不断优化网络内部结构参数；(4)判断步骤(3)中训练后的多标签卷积神经网络模型是否满足训练要求，如果满足则进入步骤(5)，如果不满足则返回步骤(3)重新进行训练；(5)对已经训练好的多标签卷积神经网络模型进行测试评估，获得测试准确率；(6)判断测试准确率是否能够达到A级，如果是则进行步骤(7)，如果否则更新模型补兵重新进入步骤(2)重新进行模型的搭建、训练与测试；(7)输出最终的多标签卷积神经网络模型与参数，获得可以实际应用的物体识别方法。2.根据权利要求1所述的一种基于卷积神经网络的多标签物体识别方法，其特征在于，所述多标签卷积神经网络模型由数据输入部分、CNN特征提取部分和分类器部分组成。3.根据权利要求1所述的一种基于卷积神经网络的多标签物体识别方法，其特征在于，所述多标签卷积神经网络模型中CNN特征提取部分需要进行多次卷积对输入特征图进行局部特征提取。4.根据权利要求1所述的一种基于卷积神经网络的多标签物体识别方法，其特征在于，所述多标签卷积神经网络模型中分类器部分包括若干个结构相似的分类器。5.根据权利要求1所述的一种基于卷积神经网络的多标签物体识别方法，其特征在于，所述步骤(3)中对搭建好的多标签卷积神经网络模型进行训练的具体步骤如下：(3.1)对MLCNN模型的各个参数进行初始化；(3.2)读取当前...

【专利技术属性】
技术研发人员：李新德，孙振华，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32