深度卷积神经网络有效感受野的计算方法及存储介质技术

本发明专利技术提供一种深度卷积神经网络有效感受野的计算方法及计算机存储介质，所述方法包括以下步骤：S1、获取目标图像，并计算目标图像的理论感受野，得到理论感受野的集合；S2、以所述理论感受野的尺寸在目标图像中生成子图像集；S3、以所述子图像集为运算区域，计算深度卷积神经网络每一层的输出响应，得到所述子图像集的响应值；S4、确定深度卷积神经网络每一层的所述响应值最大值的坐标，并根据该坐标计算有效感受野。根据本发明专利技术实施例的计算方法，能够有效提高SSD的目标检测精度和有效感受野的准确率，进一步增强深度卷积神经网络在视频图像检测和处理领域的应用效果。

【技术实现步骤摘要】
深度卷积神经网络有效感受野的计算方法及存储介质
本专利技术涉及深度卷积神经网络
，更具体地，涉及一种深度卷积神经网络有效感受野的计算方法及计算机存储介质。
技术介绍
感受野是指卷积神经网络每一层输出的特征图(featuremap)上的像素点在原始图像上映射的区域大小。研究感受野的相关理论和方法，量化深度卷积神经网络(DeepConvolutionalNeuralNetwork，DCNN)中每层的感受野大小，可以为目标检测等图像处理任务提供可靠的优化方向，对于提升目标检测的精度具有重要的意义。基于SSD(SingleShotMultiboxDetector)目标检测框架的深度卷积神经网络算法在视频图像处理领域的应用越来越广泛，因此，关于SSD感受野的研究逐渐受到关注。现有的关于感受野的研究成果主要包含以下几点：1.感受野的分类感受野分为理论感受野(TheoreticalReceptiveField，TRF)和有效感受野(EffectiveReceptiveField，ERF)，TRF可以根据DCNN的结构参数直接计算，而ERF的大小不是确定的数值，而是方差和均值与其层数相关的高斯分布。研究表明ERF和TRF都会随着网络层数增加而扩大，但是每层的ERF与TRF之间始终存在一个衰减系数。2.TRF的量化TRF与DCNN的结构参数直接相关，在已知网络结构的情况下可以从网络顶端逐层向后推导计算，更改网络结构参数也会直接影响TRF的大小。目前，相关技术已经可以实现深度卷积神经网络中每层TRF的计算，但是以TRF作为参考对以SSD为基础框架的目标检测模型进行优化存在以下问题：1.基于anchor的目标检测网络会预设一组大小不同的anchor，依据感受野的大小将anchor放置在不同的层，例如SSD目标检测框架。放置anchor层的感受野应该跟anchor大小相匹配，若感受野比anchor小很多，会造成难以判断类别的问题；若感受野比anchor大很多，会造成难以检测的问题。2.TRF是感受野的理论计算值，与实际情况存在较大差别。DCNN在计算过程中，每一层的有效感受野都相比于TRF存在衰减，也就是说ERF是小于TRF的，而且这种衰减程度会随着网络的加深不断加大。因此参考TRF对网络参数进行优化势必会带来较大的误差，无法保证模型的检测精度得到有效提高。3.在DCNN中，ERF是每一层的特征图在输入图像上的真实映射区域，其大小服从一个期望和方差确定的高斯分布。在网络逐层的迭代过程中，ERF和TRF一样，都是单调增加的，区别是两者始终存在一个衰减系数，由此可见两者之间存在必然的联系，但这种联系仍然是未知的。
技术实现思路
有鉴于此，本专利技术提供一种深度卷积神经网络有效感受野的计算方法及计算机存储介质。为解决上述技术问题，一方面，本专利技术提供一种深度卷积神经网络有效感受野的计算方法，所述方法包括以下步骤：S1、获取目标图像，并计算目标图像的理论感受野，得到理论感受野的集合；S2、以所述理论感受野的尺寸在目标图像中生成子图像集；S3、以所述子图像集为运算区域，计算深度卷积神经网络每一层的输出响应，得到所述子图像集的响应值；S4、确定深度卷积神经网络每一层的所述响应值最大值的坐标，并根据该坐标计算有效感受野。根据本专利技术实施例的深度卷积神经网络有效感受野的计算方法，以TRF大小为依据在目标图像中生成子图像集，以这些子图像集为感兴趣的区域，得到DCNN的每一层的输出响应，在计算ERF时，引入了ERF和TRF的比例关系，对TRF和ERF的相关性进行了充分挖掘，在分析DCNN输出特性的基础上，对ERF进行量化，更符合实际情况中DCNN的感受野随着网络加深而展现出的变化规律，该方法能够有效提高SSD的目标检测精度和有效感受野的准确率，进一步增强深度卷积神经网络在视频图像检测和处理领域的应用效果。根据本专利技术的一些实施例，在步骤S1之前，获取输入数据集Ui，Ui∈RH×W×3,i＝1,LN。根据本专利技术的一些实施例，在步骤S1中，根据公式(1)逐层计算深度卷积神经网络的尺寸，得到理论感受野的集合公式(1)如下：其中，第i层的TRF大小为Hi×Wi，Si为输入图像尺寸与第i层特征图尺寸的比例，Di为卷积核的膨胀系数，Ki为卷积核的大小。根据本专利技术的一些实施例，在步骤S2中，按照深度卷积神经网络中每一层的Ti的尺寸生成掩膜以步长stride对每一张输入图片Ui进行掩膜操作，生成一个子图像集Pj∈RH×W×3,j＝1,LM。根据本专利技术的一些实施例，步骤S3包括：S31、将所述子图像集输入深度卷积神经网络模型，得到输出响应；S32、累加深度卷积神经网络中每一层所有通道的响应值；S33、累加并计算所述子图像集的响应值。根据本专利技术的一些实施例，在步骤S31中，将Ui及其对应的子图像集Pj输入已训练好的深度卷积神经网络模型，对于第m层的第n个通道，得到激活响应根据本专利技术的一些实施例，在步骤S32中，按照公式(2)求和得到输入子图像集Pj和Ui在该层的激活响应的差值，式中C为该层的通道数，公式(2)如下：根据本专利技术的一些实施例，在步骤S33中，根据公式(3)计算U在第n层的总激活响应值，公式(3)如下：根据本专利技术的一些实施例，根据公式(4)找到中激活响应最大的点xl,max的坐标，当xl,max的坐标位于理论感受野的中心处，根据公式(5)计算确定有效感受野的尺寸，σ为衰减系数，公式(4)和公式(5)分别如下：xl,max＝argmaxDU,l(4)第二方面，本专利技术实施例提供一种计算机存储介质，包括一条或多条计算机指令，所述一条或多条计算机指令在执行时实现如上述实施例任何一项所述的方法。附图说明图1为本专利技术实施例的深度卷积神经网络有效感受野的计算方法的总流程图；图2为本专利技术实施例的深度卷积神经网络有效感受野的计算方法的一部分流程图；图3为本专利技术实施例的深度卷积神经网络有效感受野的计算方法的另一部分流程图；图4为本专利技术实施例的深度卷积神经网络有效感受野的计算方法的又一部分流程图；图5为本专利技术实施例的深度卷积神经网络有效感受野的计算方法中有效感受野的有效面积示意图；图6为本专利技术实施例的电子设备的示意图。附图标记：深度卷积神经网络有效感受野的计算方法100；电子设备300；存储器310；操作系统311；应用程序312；处理器320；网络接口330；输入设备340；硬盘350；显示设备360。具体实施方式下面将结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。近年来，随着计算机算力的增强，基于深度卷积神经网络的视频图像目标检测技术已经趋于成熟，并在视频监控等安防领域获得大范围的推广应用，本文档来自技高网...

【技术保护点】
1.一种深度卷积神经网络有效感受野的计算方法，其特征在于，所述方法包括以下步骤：/nS1、获取目标图像，并计算目标图像的理论感受野，得到理论感受野的集合；/nS2、以所述理论感受野的尺寸在目标图像中生成子图像集；/nS3、以所述子图像集为运算区域，计算深度卷积神经网络每一层的输出响应，得到所述子图像集的响应值；/nS4、确定深度卷积神经网络每一层的所述响应值最大值的坐标，并根据该坐标计算有效感受野。/n

【技术特征摘要】
1.一种深度卷积神经网络有效感受野的计算方法，其特征在于，所述方法包括以下步骤：
S1、获取目标图像，并计算目标图像的理论感受野，得到理论感受野的集合；
S2、以所述理论感受野的尺寸在目标图像中生成子图像集；
S3、以所述子图像集为运算区域，计算深度卷积神经网络每一层的输出响应，得到所述子图像集的响应值；
S4、确定深度卷积神经网络每一层的所述响应值最大值的坐标，并根据该坐标计算有效感受野。


2.根据权利要求1所述的方法，其特征在于，在步骤S1之前，获取输入数据集Ui，Ui∈RH×W×3,i＝1,LN。


3.根据权利要求2所述的方法，其特征在于，在步骤S1中，根据公式(1)逐层计算深度卷积神经网络的尺寸，得到理论感受野的集合公式(1)如下：



其中，第i层的TRF大小为Hi×Wi，Si为输入图像尺寸与第i层特征图尺寸的比例，Di为卷积核的膨胀系数，Ki为卷积核的大小。


4.根据权利要求3所述的方法，其特征在于，在步骤S2中，按照深度卷积神经网络中每一层的Ti的尺寸生成掩膜以步长stride对每一张输入图片Ui进行掩膜操作，生成一个子图像集Pj∈RH×W×3,j＝1,LM。


5.根据权利要求4所述的方法，其特征在于，步骤S3包括：
S31、将所述子图像集输...

【专利技术属性】
技术研发人员：王祥雪，毛亮，朱婷婷，林焕凯，魏颖慧，黄仝宇，汪刚，宋一兵，侯玉清，刘双广，
申请(专利权)人：高新兴科技集团股份有限公司，
类型：发明
国别省市：广东;44