一种神经网络中图像处理方法技术

本发明专利技术提供一种神经网络中图像处理方法，方法包括步骤：第一分类网络对所接收到的目标图像进行特征提取；第一定位网络将所得到的第一目标像素个数和第一目标位置发送至第一分类网；第一分类网根据第一目标像素个数确定所选择的第一目标池化层的池化结果；第二分类网络对第一数量个特征图中每一个特征图进行特征提取；第二分类网络确定所选择的第二目标池化层的池化结果，得到第二个尺度层的第二预测标签；确定目标类别标签，以及确定最终的目标定位。应用本发明专利技术实施例，通过增加了复数个先验矩形框来描述特征区域，最后通过将所有的特征区域分别分类判定，对每个预测概率进行加权平均强化矩形框在最终判决的影响力。

【技术实现步骤摘要】
一种神经网络中图像处理方法
本专利技术涉及运用神经网络进行图像处理的
，特别是涉及一种神经网络中图像处理方法。
技术介绍
舰船光电图像具有便于获取和高时效性等特点，在军事侦察与预警等领域具有重要的应用价值。但是由于舰船种类繁多，型号复杂多样，所处背景环境复杂多变等原因，快速精准分类舰船类别，及时预警出警成为一个研究难题。针对这个问题，国内外处理方法可以大致分为两个方向。其中一个方向是对图像直接处理，先定位目标位置后分类的识别策略。根据目标边缘信息定位分类，通过分割目标使用支持向量机SVM完成分类。上述研究的算法模型都依赖于先验的图像标注信息训练并且对于细粒度分类效果较差。另一个方向是通过提取舰船尾迹特征进行分类，然而图像中尾迹信息易受天气与环境干扰，影响最终图像的分类而造成漏判，误判。同时，上述方法需要对图像进行复杂的预处理，极易损失图像的信息进而影响最终判别。近年来新兴的深度学习技术作为一种智能信息处理方式，通过训练可以使模型更鲁棒地识别图像中的目标。目前主流的检测方法多采用卷积神经网络(ConvolutionalNeuralNetwork，简称CNN)提取图像特征，定位目标本文档来自技高网...

【技术保护点】
1.一种神经网络中图像处理方法，其特征在于，所述神经网络至少包括第一尺度层和第二尺度层，所述第一尺度层至少包括：第一分类网络、第一定位网络，所述第二尺度层至少包括：第二分类网络、第二定位网络；所述方法包括步骤：所述第一分类网络对所接收到的目标图像进行特征提取，并将最后一个池化层的输出结果送入所述第一定位网络；所述第一定位网络得到第一目标像素个数和第一目标位置，并将所得到的第一目标像素个数和第一目标位置发送至所述第一分类网，以及根据所述第一定位网络输出截取出第一数量个特征图作为所述第二尺度层的输入；所述第一分类网根据所述第一目标像素个数确定所选择的第一目标池化层的池化结果并反馈至所述第一定位网络...

【技术特征摘要】
1.一种神经网络中图像处理方法，其特征在于，所述神经网络至少包括第一尺度层和第二尺度层，所述第一尺度层至少包括：第一分类网络、第一定位网络，所述第二尺度层至少包括：第二分类网络、第二定位网络；所述方法包括步骤：所述第一分类网络对所接收到的目标图像进行特征提取，并将最后一个池化层的输出结果送入所述第一定位网络；所述第一定位网络得到第一目标像素个数和第一目标位置，并将所得到的第一目标像素个数和第一目标位置发送至所述第一分类网，以及根据所述第一定位网络输出截取出第一数量个特征图作为所述第二尺度层的输入；所述第一分类网根据所述第一目标像素个数确定所选择的第一目标池化层的池化结果并反馈至所述第一定位网络，以及得到所述第一个尺度层的第一预测标签；所述第二分类网络对所述第一数量个特征图中每一个特征图进行特征提取，并将最后一个池化层的输出结果送入所述第二定位网络；所述第二定位网络获得第二目标像素个数和第二目标位置，并将所得到的第二目标像素个数和第二目标位置发送至所述第二分类网；所述第二分类网根据所述第二目标像素个数确定所选择的第二目标池化层的池化结果并反馈至所述第二定位网络，以及得到所述第二个尺度层的第二预测标签；根据所述第一预测标签和所述第二预测标签的融合确定目标类别标签，以及确定最终的目标定位。2.根据权利要求1所述的一种神经网络中图像处理方法，其特征在于，所述神经网络还包括第三尺度层；所述方法还包括：所述第二定位网络将其输出的第一数量个特征图作为所述第三尺度层的输入；所述根据所述第一预测标签和所述第二预测标签的融合确定目标类别，以及确定最终的目标定位的步骤，包括：根据所述第一预测标签、所述第二预测标签、第三预测标签的融合确定目标类别，以及确定最终的目标定位，其中，所述第三预测标签为所述第三尺度层的预测标签。3.根据权利要求1所述的一种神经网络中图像处理方法，其特征在于，所...

【专利技术属性】
技术研发人员：霍煜豪，徐志京，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：上海,31