【技术实现步骤摘要】
卷积神经网络训练方法、装置和电子系统
本专利技术涉及神经网络
，尤其是涉及一种卷积神经网络训练方法、装置和电子系统。
技术介绍
深度学习为目标检测提供了一系列通用方法。例如，FasterRCNN(FasterRegionConvolutionalNeuralNetworks，快速区域卷积神经网络)采用两阶段方式，先分离图像中的前景、背景，然后在前景区域中精细区分物体种类并预测相应位置；YOLO(YouOnlyLookOnce)采用单阶段方式，在多层网络输出中，预测不同大小物体的种类及位置。这些方法已经在多种物体检测任务(如行人检测、车辆检测)中获得了成功应用。然而，现有的深度学习方法用于检测生产车间的物料时仍然存在巨大的困难，即难以获得大量完备标注的图像用以训练深度模型。具体来讲，为了训练物料检测模型，需要以矩形框的方式，手工标注图像中的所有物料所在位置。然而，物料的标注非常困难。不同于行人或者车辆，“物料”通常含有多个子类。例如，物料可能包含木材、轮胎、钢板、线缆等。在实际标注中，标注人员经常无法确认某些具体...
【技术保护点】
1.一种卷积神经网络训练方法，其特征在于，包括：/n基于预设的训练集合确定当前训练图片；所述当前训练图片预先标注包含目标对象的第一标注框和疑似包含所述目标对象的第二标注框；/n对于每一个所述当前训练图片，均执行以下训练操作：将所述当前训练图片输入至卷积神经网络中，输出卷积特征图；其中，所述卷积特征图包括多个特征区域；如果所述卷积特征图的特征区域与所述第一标注框对应，则输出所述第一标注框的位置信息；/n基于所述卷积特征图、所述当前训练图片中除所述第二标注框之外的其余区域和预设的损失函数计算所述当前训练图片的损失值；根据所述损失值调整所述卷积神经网络的参数；/n当所述训练操作满...
【技术特征摘要】
1.一种卷积神经网络训练方法，其特征在于，包括：
基于预设的训练集合确定当前训练图片；所述当前训练图片预先标注包含目标对象的第一标注框和疑似包含所述目标对象的第二标注框；
对于每一个所述当前训练图片，均执行以下训练操作：将所述当前训练图片输入至卷积神经网络中，输出卷积特征图；其中，所述卷积特征图包括多个特征区域；如果所述卷积特征图的特征区域与所述第一标注框对应，则输出所述第一标注框的位置信息；
基于所述卷积特征图、所述当前训练图片中除所述第二标注框之外的其余区域和预设的损失函数计算所述当前训练图片的损失值；根据所述损失值调整所述卷积神经网络的参数；
当所述训练操作满足预设的训练结束条件时，将当前训练得到的所述卷积神经网络确定为训练好的卷积神经网络。
2.根据权利要求1所述的方法，其特征在于，如果所述目标对象有多个类型，则所述第一标注框有多个类型，所述第一标注框的类型与所述目标对象的类型对应；并且，所述第二标注框包括疑似包含至少一种类型的所述目标对象的标注框，或者无法确定包含的所述目标对象的类型的标注框。
3.根据权利要求1所述的方法，其特征在于，如果所述目标对象有一个类型；则所述第一标注框为包含一个类型的标注框，所述第二标注框为疑似包含所述目标对象的标注框。
4.根据权利要求1所述的方法，其特征在于，将所述当前训练图片输入至卷积神经网络中，输出卷积特征图的步骤，包括：
将所述当前训练图片输入至卷积神经网络中；
如果所述特征区域对应所述当前训练图片中包含目标对象的区域，则确定所述目标对象对应的第一标注框，并输出对应的所述第一标注框的位置信息。
5.根据权利要求1所述的方法，其特征在于，基于所述卷积特征图、所述当前训练图片中除第二标注框之外的其余区域和预设的损失函数计算所述当前训练图片的损失值的步骤，包括：
对于所述卷积特征图对应的每一个特征区域，基于预设的损失函数计算所述特征区域的损失值；
将所述卷积特征图对应的损失值中，除所述第二标注框对应的特征区域之外的其余特征区域的损失值求和，得到所述当前训练图片的损失值。
6.根据权利要求5所述的方法，其特征在于，如果所述特征区域与所述第一标注框对应，则将所述特征区域标注为前景区域；如果所述特征区域不与所述第一标注框对应，则将所述特征区域标注为背景区域；针对前景区域和背景区域的所述损失函...
【专利技术属性】
技术研发人员：孙奕帆，
申请(专利权)人：北京迈格威科技有限公司，
类型：发明
国别省市：北京;11
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。