用于检测图像中极小物体的轻量卷积神经网络制造技术

一种用于检测图像中极小物体的轻量卷积神经网络，包括：具有不同步幅的多个空洞卷积层、具有SRelu的批归一化层、用于将特征扩展到更高维度的递归块层，该网络以单幅图像为输入，在不同的通道上应用不同条纹进行空洞卷积，通过递归块层的三次递归空洞卷积处理将特征扩展到更高维度，实现网络参数的共享和复杂度的显著降低。

Light weight convolution neural network for detecting minimal objects in images

【技术实现步骤摘要】
用于检测图像中极小物体的轻量卷积神经网络
本专利技术涉及的是一种神经网络领域的技术，具体是一种用于检测图像中极小物体的轻量卷积神经网络。
技术介绍
尽管现在已经有许多使用卷积神经网络，大多数流行的算法可以在目标占据较大部分的图像数据表现良好，但针对目标的尺寸小于20×20像素的微小物体，现有技术多采用将小目标物体上采样后送入一个大目标物体检测的网络识别，如图1所示，为一个典型的用于检测微小目标的卷积神经网络模型处理示意图，其中输入图像100经过缩放处理101后，在每个重新缩放后的图像上应用深度网络102后得到来自每个重新缩放图像的检测结果103，经过合并后得到原始图像相同大小的输出104。所述的深度网络可采用ResNet-101，ResNet-50或VGG16，但该模型计算复杂度和参数大小相对较大。比如，若是选择ResNet-101应用在102层，则整个网络将有约300层，参数大小约为100MB。因此无法适用于诸如AI芯片、移动手机、具有高数据吞吐的云服务和实时系统等低功耗设备。
技术实现思路
本专利技术针对现有技术存在的上本文档来自技高网...

【技术保护点】
1.一种用于检测图像中极小物体的轻量卷积神经网络，其特征在于，包括：具有不同步幅的多个空洞卷积层、具有SRelu(S型整流线性激活函数)的批归一化层、用于将特征扩展到更高维度的递归块层，该网络以单幅图像为输入，若干空洞卷积层各自采用不同的步幅设置在不同的通道上应用不同条纹进行空洞卷积，通过递归块层内的三次递归空洞卷积处理将特征扩展到更高维度实现网络参数的共享的同时通过瓶颈层降低后续计算的复杂度。/n

【技术特征摘要】
20181110 US US62/758,5141.一种用于检测图像中极小物体的轻量卷积神经网络，其特征在于，包括：具有不同步幅的多个空洞卷积层、具有SRelu(S型整流线性激活函数)的批归一化层、用于将特征扩展到更高维度的递归块层，该网络以单幅图像为输入，若干空洞卷积层各自采用不同的步幅设置在不同的通道上应用不同条纹进行空洞卷积，通过递归块层内的三次递归空洞卷积处理将特征扩展到更高维度实现网络参数的共享的同时通过瓶颈层降低后续计算的复杂度。


2.根据权利要求1所述的轻量卷积神经网络，其特征是，所述的轻量卷积神经网络具体包括：依次连接的常规卷积层、空洞卷积层、具有SRelu的批归一化层、反卷积层、具有SRelu的批归一化层、空洞卷积层、具有SRelu的批归一化层、池化层、递归块层、具有SRelu的批归一化层、池化层以及全连接层。


3.根据权利要求1或2所述的轻量卷积神经网络，其特征是，所述的递归块层包括：依次连接的空洞卷积层、具有SRelu的批归一化层和用于逐点卷积的瓶颈层，将批归一化层的输出作为空洞卷积层的输入以实现三次递归空洞卷积处理。


4.根据权利要求3所述的轻量卷积神经网络，其特征是，所述的常规卷积层接收输入图像并输出尺寸为20×20×3的特征图至空洞卷积...

【专利技术属性】
技术研发人员：熊伟华，吴华，
申请(专利权)人：杭州凝眸智能科技有限公司，
类型：发明
国别省市：浙江;33