【技术实现步骤摘要】
基于稀疏卷积神经网络的目标检测方法及检测装置
本申请属于目标检测
，特别适用于对大场景中的小物体进行检测，具体涉及一种基于稀疏卷积神经网络的目标检测方法及检测装置。
技术介绍
现有的基于卷积神经网络的快速目标检测算法，通常通过基准模型(例如Yolo模型)在自定义数据集上的迁移学习训练来实现。其中，卷积神经网络基准模型有复杂的深层结构，从检测目标来说，检测的大多为尺度不一的目标，且目标在图像中不能太小；从检测速度来说，如果要达到小于5ms的超高速检测，则大多对硬件要求非常高。现有的基于卷积神经网络的目标检测方法对大场景中小物体的检测精度不高，且其神经网络结构对具体任务有较多冗余，严重影响检测速度。
技术实现思路
为至少在一定程度上克服相关技术中存在的问题，本申请提供了一种基于稀疏卷积神经网络的目标检测方法及检测装置。根据本申请实施例的第一方面，本申请提供了一种基于稀疏卷积神经网络的目标检测方法，其包括以下步骤：利用获取的目标场景图像构建数据集，并对数据集中每幅图像中包含的所有检测目标进...
【技术保护点】
1.一种基于稀疏卷积神经网络的目标检测方法，其特征在于，包括以下步骤：/n利用获取的目标场景图像构建数据集，并对数据集中每幅图像中包含的所有检测目标进行标注；/n根据检测目标在图像中的比例范围，优化基准卷积神经网络的结构，得到优化后的卷积神经网络；/n在构建的数据集上对优化后的卷积神经网络进行损失函数添加稀疏正则化项的预训练，得到卷积神经网络；/n对卷积神经网络进行卷积神经网络稀疏化，得到稀疏化的卷积神经网络；/n在数据集上对稀疏化的卷积神经网络进行微调训练，得到最终的稀疏卷积神经网络；/n利用最终的稀疏卷积神经网络对目标进行检测。/n
【技术特征摘要】
1.一种基于稀疏卷积神经网络的目标检测方法，其特征在于，包括以下步骤：
利用获取的目标场景图像构建数据集，并对数据集中每幅图像中包含的所有检测目标进行标注；
根据检测目标在图像中的比例范围，优化基准卷积神经网络的结构，得到优化后的卷积神经网络；
在构建的数据集上对优化后的卷积神经网络进行损失函数添加稀疏正则化项的预训练，得到卷积神经网络；
对卷积神经网络进行卷积神经网络稀疏化，得到稀疏化的卷积神经网络；
在数据集上对稀疏化的卷积神经网络进行微调训练，得到最终的稀疏卷积神经网络；
利用最终的稀疏卷积神经网络对目标进行检测。
2.根据权利要求1所述的基于稀疏卷积神经网络的目标检测方法，其特征在于，所述目标场景图像包括多幅检测目标在场景中随机分布的图像和多幅无检测目标的场景图像。
3.根据权利要求2所述的基于稀疏卷积神经网络的目标检测方法，其特征在于，所述检测目标为不同颜色的乒乓球时，所述目标场景图像包括多幅乒乓球在全乒乓球桌视野范围中随机分布的图像和多幅全乒乓球桌视野范围中无乒乓球的图像，通过架设在乒乓球桌附近的相机获取目标场景图像。
4.根据权利要求1所述的基于稀疏卷积神经网络的目标检测方法，其特征在于，所述对数据集中每幅图像中包含的所有检测目标进行标注包括标注检测目标的中心像素坐标以及检测目标所占的像素宽度和像素高度。
5.根据权利要求1所述的基于稀疏卷积神经网络的目标检测方法，其特征在于，所述步骤根据检测目标在图像中的比例范围，优化基准卷积神经网络的结构，得到优化后的卷积神经网络的具体过程为：
计算数据集的每幅图像中检测目标所占的比例；
其中，检测目标在目标场景图像中的宽度比例rw和高度比例rh为：
其中，wo表示目标场景图像中检测目标的宽度，wi表示目标场景图像的宽度，ho表示目标场景图像中检测目标的高度，hi表示目标场景图像的高度；
将满足基准卷积神经网络要求的最小输入大小的图像作为基准卷积神经网络的输入图像；
其中，基准卷积神经网络的输入图像的宽度nw和高度nh满足以下约束：
基准卷积神经网络N的输入图像的宽度nw和高度nh在符合基准卷积神经网络N要求的基础上，选取满足上述约束的最小值；
其中，wmin表示对检测目标进行检测所需的最小像素宽度，hmin表示对检测目标进行检测所需的最小像素高度；[rw1,rw2]表示所有检测目标在目标场景图像中的宽度比例所构成的宽度比例范围，[rh1,rh2]表示所有...
【专利技术属性】
技术研发人员：贺琪欲，张海波，杨跞，许楠，张文，
申请(专利权)人：上海庞勃特科技有限公司，
类型：发明
国别省市：上海;31
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。