保持旋转不变性的卷积神经网络模型及其训练方法技术

本发明专利技术公开了保持旋转不变性的卷积神经网络模型及其训练方法，其中保持旋转不变性的卷积神经网络模型包括卷积神经网络模型和区域旋转层，区域旋转层位于卷积神经网络模型中的卷积层的上一层；区域旋转层的处理方法包括S1计算特征向量的旋转次数；S2选取卷积窗口最外层的旋转起点，计算将旋转起点移动至设定位置的移动步长和旋转角度；S3根据外一层移动步长和旋转角度，计算内一层移动步长和旋转角度；S4返回步骤S3，直至卷积窗口的旋转操作等于旋转次数；S5返回步骤S2，直至当前层特征向量的所有卷积窗口已完成旋转；S6获取旋转变换后卷积窗口位于原特征向量的坐标，并将其放置于相应的坐标处；S7输出拼接后的新特征向量。

【技术实现步骤摘要】
保持旋转不变性的卷积神经网络模型及其训练方法
本专利技术涉及图像处理技术及深度学习技术，具体涉及一种保持旋转不变性的卷积神经网络模型及其训练方法。
技术介绍
在工业领域，图形识别和目标检测有巨大的需求.把手写数字识别系统应用与银行，能够在提高银行办事效率的同时节省了人力成本；在无人驾驶系统中，也需要对周围的物体和路标等信息进行精确的识别。在信息化及智能化系统中，对基于视觉的物体识别的需求越来越大。然而现在的物体检测系统中，比如检测效果比较优秀的Fasterrcnn，YOLO，SSD等物体检测系统中，他们对于直立的物体检测效果良好，然而当我们的待检测样本发生了不同角度旋转的时候，这些优秀的检测效果就不尽人意了。在目前的物体检测系统中，因为卷积神经网络不具备旋转不变性，因此它很难对于旋转的物体进行精准检测.我们以YOLO的检测效果进行说明。如图1-图3所示，上面三组图是不同角度图形的识别效果，从图中可以看到，当图像正立的时候，YOLO可以很好的检测物体，但是将图片旋转一定角度(如90度、180度)之后，检测效果受了较大影响，如将图1中的狗识别为猫，自行车和卡车检测不到；在图2中没有检测到本文档来自技高网...

【技术保护点】
1.保持旋转不变性的卷积神经网络模型，其特征在于：包括卷积神经网络模型和区域旋转层，所述区域旋转层位于卷积神经网络模型中的卷积层的上一层；所述区域旋转层的处理方法包括：S1、根据特征向量和区域旋转层下一层的卷积层卷积核的长/宽，计算特征向量的旋转次数；S2、选取卷积窗口最外层的旋转起点，计算将旋转起点移动至设定位置的移动步长和旋转角度；S3、根据外一层的移动步长和旋转角度，计算内一层的移动步长和旋转角度，并将当前层所有像素点移动相应的移动步长；S4、返回步骤S3，直至卷积窗口的旋转操作等于旋转次数；S5、选取当前层特征向量余下的卷积窗口，并返回步骤S2，直至同一特征向量的所有卷积窗口已完成旋转...

【技术特征摘要】
1.保持旋转不变性的卷积神经网络模型，其特征在于：包括卷积神经网络模型和区域旋转层，所述区域旋转层位于卷积神经网络模型中的卷积层的上一层；所述区域旋转层的处理方法包括：S1、根据特征向量和区域旋转层下一层的卷积层卷积核的长/宽，计算特征向量的旋转次数；S2、选取卷积窗口最外层的旋转起点，计算将旋转起点移动至设定位置的移动步长和旋转角度；S3、根据外一层的移动步长和旋转角度，计算内一层的移动步长和旋转角度，并将当前层所有像素点移动相应的移动步长；S4、返回步骤S3，直至卷积窗口的旋转操作等于旋转次数；S5、选取当前层特征向量余下的卷积窗口，并返回步骤S2，直至同一特征向量的所有卷积窗口已完成旋转；S6、获取旋转变换后的卷积窗口位于原特征向量的位置坐标，并将其放置于相应的位置坐标处；S7、当同一特征向量所有旋转变换后的卷积窗口均已放置于原特征向量的相应位置坐标处时，输出拼接后的新特征向量。2.根据权利要求1所述的保持旋转不变性的卷积神经网络模型，其特征在于：当所述卷积核的长等于宽时，计算特征向量的旋转次数的方法包括：判断卷积核的长/宽是否为奇数；若为奇数，则i＝(N-1)/2；若为偶数，则i＝N/2，其中i为旋转次数；N为卷积核的长/宽；当所述卷积核的长等于宽时，所述旋转次数的计算公式为：旋转次数＝(特征向量的长度-卷积核的长度+1)*(特征向量的宽度-卷积核的宽度+1)。3.根据权利要求1所述的保持旋转不变性的卷积神经网络模型，其特征在于：所述设定位置为最外层像素点的左上角顶点，卷积窗口的每层像素点的旋转方向为顺时针。4.根据权利要求3所述的保持旋转不变性的卷积神经网络模型，其特征在于：所述选取卷积窗口最外层的旋转起点的操作方法包括：遍历最外层的所有像素点，判断像素值最大的像素点个数是否大于1；若等于1，则将像素值最大的像素点作为旋转起点；...

【专利技术属性】
技术研发人员：郝宗波，张舒雨，杨泉，王莹，赵汶，唐举鹏，修涵文，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51