一种基于CNN的检测器、图像检测方法及终端技术

一种基于CNN的检测器、图像检测方法及终端，所述检测器包括：基础网络；特征提取模块；其中，所述基础网络包括第一子网络以及第二子网络；所述第一子网络包括多组第一重复模块，且前一组第一重复模块的数据输出至后一组第一重复模块，每组第一重复子模块均包括用于串联运算的分离串联模块以及用于传递运算的第一传递模块，所述第一子网络输出第一路特征层数据至所述第二子网络；所述第二子网络包括多组第二重复模块，且前一组第二重复模块的数据输出至后一组第二重复模块，每组第二重复子模块均包括所述分离串联模块以及用于传递运算的第二传递模块。本发明专利技术方案可以提高特征提取精度，且更有机会适用于移动端或嵌入式设备。

【技术实现步骤摘要】
一种基于CNN的检测器、图像检测方法及终端
本专利技术涉及检测
，尤其涉及一种基于CNN的检测器、图像检测方法及终端。
技术介绍
物体检测是对图像或视频数据进行分析，判断是否存在某些物体(如行人，汽车或各种商品等)并给出这些物体的具体位置。物体检测是计算机视觉领域的关键技术，广泛应用于安防监控、自动驾驶和智能硬件等领域，是后续的行为分析、语义解析等高阶任务的前提。传统的物体检测方法里，影响力最大的是自提升级联模型(Ada-BoostCascadedModel)和基于部件的变形模型(DeformablePart-basedModel,DPM)。前者主要适用于人脸检测，后者则成功应用于行人检测，但其检测精度和鲁棒性已被基于卷积神经网络(ConvolutionalNeuralNetwork，CNN)的深度学习方法超越。目前，基于CNN的深度学习方法被广泛应用在物体检测领域，可以分为两类：第一类是基于物体候选窗口的方法，典型代表是更快速基于区域的卷积神经网络(FasterRegionswithCNN,FasterR-CNN)检测器本文档来自技高网...

【技术保护点】
1.一种基于CNN的检测器，其特征在于，包括：/n基础网络，用于对输入的图像进行特征提取，并输出至少一路特征层数据；/n特征提取模块，所述特征提取模块的输入端与所述基础网络的输出端耦接，包括至少一路卷积子模块，所述至少一路卷积子模块用于对所述至少一路特征层数据进行卷积运算后分别输出至预测层；/n其中，所述基础网络包括第一子网络以及第二子网络；/n所述第一子网络包括多组第一重复模块，且前一组第一重复模块的数据输出至后一组第一重复模块，每组第一重复子模块均包括用于串联运算的分离串联模块以及用于传递运算的第一传递模块，所述第一子网络输出第一路特征层数据至所述第二子网络；/n所述第二子网络包括多组第二...

【技术特征摘要】
1.一种基于CNN的检测器，其特征在于，包括：
基础网络，用于对输入的图像进行特征提取，并输出至少一路特征层数据；
特征提取模块，所述特征提取模块的输入端与所述基础网络的输出端耦接，包括至少一路卷积子模块，所述至少一路卷积子模块用于对所述至少一路特征层数据进行卷积运算后分别输出至预测层；
其中，所述基础网络包括第一子网络以及第二子网络；
所述第一子网络包括多组第一重复模块，且前一组第一重复模块的数据输出至后一组第一重复模块，每组第一重复子模块均包括用于串联运算的分离串联模块以及用于传递运算的第一传递模块，所述第一子网络输出第一路特征层数据至所述第二子网络；
所述第二子网络包括多组第二重复模块，且前一组第二重复模块的数据输出至后一组第二重复模块，每组第二重复子模块均包括所述分离串联模块以及用于传递运算的第二传递模块，所述第二子网络输出第二路特征层数据。


2.根据权利要求1所述的基于CNN的检测器，其特征在于，所述分离串联模块包括多个分离串联子模块，且前一个分离串联子模块的数据输出至后一个分离串联子模块；
其中，每个分离串联子模块包括：
串联模块；
连接的卷积模块以及分离卷积模块，所述卷积模块用于接收输入至所述分离串联子模块的数据，并进行卷积处理后输出至所述分离卷积模块，以使所述分离卷积模块进行分离卷积处理后输出待串联数据至所述串联模块；
其中，所述串联模块对所述输入至所述分离串联子模块的数据和所述待串联数据进行串联处理后的输出数据作为所述分离串联子模块的输出数据，且最后一个分离串联子模块的输出数据作为所述分离串联模块的输出数据。


3.根据权利要求2所述的基于CNN的检测器，其特征在于，所述卷积模块具有原始输出通道数，所述分离卷积模块具有原始输入通道数以及原始输出通道数；
采用预设尺度系数β与所述卷积模块的原始输出通道数相乘以得到所述卷积模块的实际输出通道数；
采用预设尺度系数β分别与所述分离卷积模块的原始输入通道数以及原始输出通道数相乘，以分别得到所述分离卷积模块的实际输入通道数以及实际输出通道数。


4.根据权利要求2所述的基于CNN的检测器，其特征在于，所述卷积模块包括卷积层以及批处理归一化层；
其中，采用下述公式确定所述批处理归一化层的输出数据：



其中，w为所述卷积层的权重参数，b为偏置参数，x为所述卷积层的输入，m为批处理归一化层的均值参数，δ为批处理归一化层的标准差参数，s为批处理归一化层的尺度参数，t为批处理归一化层的偏移参数，z为批处理归一化层的输出。


5.根据权利要求1所述的基于CNN的检测器，其特征在于，所述第一传递模块包括：
连接的卷积模块以及池化模块，所述卷积模块用于接收输入至所述第一传递模块的数据，并进行卷积处理后输出至所述池化模块以进行池化处理；
其中，所述池化模块的输出数据作为所述第一传递模块的输出数据。


6.根据权利要求1所述的基于CNN的检测器，其特征在于，所述第二传递模块包括：
卷积模块，所述卷积模块用于接收输入至所述第二传递模块的数据，并进行卷积处理后，其输出数据作为所述第二传递模块的输出数据。


7.根据权利要求1所述的基于CNN的检测器，其特征在于，所述基础网络还包括：
主干模块，所述主干模块的输入端用于接收所述输入的图像，所述主干模块的输出端与所述第一子网络连接，用于对所述输入的图像进行预处理后输出至所述第一子网络。


8.根据权利要求7所述的基于CNN的检测器，其特征在于，所述主干模块包括：
多组主干子模块，且前一组主干子模块的数据输出至后一组主干子模块，每组主干子模块均包括连接的卷积模块与分离卷积模块，所述卷积模块用于接收输入至所述主干子模块的数据，并进行卷积处理后输出至所述分离卷积模块以进行分离卷积处理；
滑动步长为预设步长的卷积模块，接收输入至所述主干模块的数据并进行卷积处理后，输出至第一组主干子模块；
池化模块，接收来自最后一组主干子模块的数据并进行池化处理后，其输出数据作为所述主干模块的输出数据。


9.根据权利要求1所述的基于CNN的检测器，其特征在于，还包括：
分离特征金字塔结构，所述分离特征金字塔结构的输入端与所述基础网络的输出端连接，所述分离特征金字塔结构的输出端与所述特征提取模块的输入端连接，所述分离特征金字塔结构用于从所述基础网络接收所述至少一路特征层数据，对所述至少一路特征层数据进行以下一种或多种数据处理后输出至...

【专利技术属性】
技术研发人员：刘阳，罗小伟，林福辉，
申请(专利权)人：展讯通信天津有限公司，
类型：发明
国别省市：天津;12