一种面向嵌入式深度学习的超大尺寸图像目标检测方法及系统技术方案

本发明专利技术提出了一种面向嵌入式深度学习的超大尺寸图像目标检测方法及系统，包括：图像预处理单元、目标检测单元、图像后处理单元。本发明专利技术提出的面向嵌入式深度学习的超大尺寸图像目标检测方法，面向嵌入式深度学习领域越来越多的超大尺寸图像处理需求，针对嵌入式多核处理器运行深度神经网络的局限性，基于分块思想将单幅图像分割为多幅图像，从而实现单幅图像的并行化目标检测，再通过图像后处理单元对检测结果进行分析，将多幅检测结果融为一体，有效解决嵌入式计算平台处理效率低下的问题。

A method and system of super large size image target detection for embedded deep learning

【技术实现步骤摘要】
一种面向嵌入式深度学习的超大尺寸图像目标检测方法及系统
本专利技术属于智能计算领域，涉及一种面向嵌入式深度学习的超大尺寸图像目标检测方法。
技术介绍
随着深度学习技术的不断发展，目标检测、语义分割等基于深度学习的图像处理算法取得了巨大的成功。然而，由于深度神经网络结构复杂、参数众多，使得深度学习算法在资源有限的嵌入式计算平台上表现很差，往往只能处理一些小型图像。对于大尺寸的遥感图像或者富含细节信息的高清图像，嵌入式深度学习算法处理效率十分低下。为了提升嵌入式深度学习算法的处理效率，硬件厂商先后推出多款AI芯片，通过在硬件层面优化计算结构提高处理速度，并通过多核技术提高数据吞吐量。然而，由于深度神经网络的高度互联性，增加了算法模型处理单幅图像的并行化计算难度。面向流媒体数据的实时处理要求，难以充分利用多核处理器的并行计算能力。
技术实现思路
本专利技术提出了一种面向嵌入式深度学习的超大尺寸图像目标检测方法，旨在实时高效处理超大尺寸图像数据，完成目标的全面、准确检测。本专利技术提出的解决方案如下：本文档来自技高网...

【技术保护点】
1.一种面向嵌入式深度学习的超大尺寸图像目标检测方法，其特征在于,包括：/n1)接收输入图像，按照像素点位置将图像分割为多个子图像，其中任意一个子图像均与其相邻的所有子图像在靠近边界的区域互相重叠，该区域记为分割冗余区域；/n2)分别对每个子图像进行目标检测，得到目标相关信息；/n3)参考得到的各个子图像的目标相关信息，对分割冗余区域的目标重新检测定位；根据更新后的目标检测结果在原始图像上标记，输出可视化结果。/n

【技术特征摘要】
1.一种面向嵌入式深度学习的超大尺寸图像目标检测方法，其特征在于,包括：
1)接收输入图像，按照像素点位置将图像分割为多个子图像，其中任意一个子图像均与其相邻的所有子图像在靠近边界的区域互相重叠，该区域记为分割冗余区域；
2)分别对每个子图像进行目标检测，得到目标相关信息；
3)参考得到的各个子图像的目标相关信息，对分割冗余区域的目标重新检测定位；根据更新后的目标检测结果在原始图像上标记，输出可视化结果。


2.根据权利要求1所述的面向嵌入式深度学习的超大尺寸图像目标检测方法，其特征在于：
步骤1)具体是根据预设的宽度W、高度H、冗余阈值T进行图像分割；所述冗余阈值T表征所述在靠近边界的区域互相重叠的像素数；
步骤2)具体是基于卷积神经网络算法分别对大小为W×H的子图像进行目标检测，输出目标相关信息，所述目标相关信息至少包括目标位置。


3.根据权利要求2所述的面向嵌入式深度学习的超大尺寸图像目标检测方法，其特征在于：所述目标相关信息还包括所属类别和置信度。


4.根据权利要求2所述的面向嵌入式深度学习的超大尺寸图像目标检测方法，其特征在于：所述宽度W、高度H和冗余阈值T，是根据原始图像尺寸、目标尺寸和处理器计算能力来确定；
分割图像宽度范围为[0,W-1]、[W-T,2W-T-1]、[2W-2T,3W-2T-1]……；
分割图像高度范围为[0,H-1]、[H-T,2H-T-1]、[2H-2T,3H-2T-1]……；
任一宽度范围和高度范围共同组成子图像区域。


5.根据权利要求2所述的面向嵌入式深度学习的超大尺寸图像目标检测方法，其特征在于：步骤3)具体包括：
分析各个子图...

【专利技术属性】
技术研发人员：程陶然，白林亭，文鹏程，高泽，邹昌昊，李欣瑶，
申请(专利权)人：中国航空工业集团公司西安航空计算技术研究所，
类型：发明
国别省市：陕西;61