【技术实现步骤摘要】
一种基于神经网络的图像检测方法及装置
[0001]本专利技术涉及图像检测
，具体而言，涉及一种基于神经网络的图像检测方法及装置。
技术介绍
[0002]目前，在利用训练好的包含SE(Squeeze-and-Excitation，压缩和激励)块的神经网络模型，对图像进行检测时，在图像或其对应的特征图经过当前卷积块之后，且进入当前卷积块的下一个块之前，都需要经过SE块，以确定出经过当前卷积块后得到的多个特征图中每一个特征图所在通道的重要程度；其中，一个卷积块可以包括至少一个卷积层，还可以包括非线性层和/或下采样层，其中，该当前卷积块的下一个块可以为：当前卷积块的下一个卷积块或神经网络模型的全连接层所在块；进而，基于该经过当前卷积块后得到的多个特征图以及其中每一个特征图所在通道的重要程度，确定出各重标定之后的特征图，其中，重标定之后的特征图可以表征其所对应通道的重要程度，将重标定之后的特征图作为当前卷积块的下一个块的输入；进而得到训练好的包含SE块的神经网络模型针对图像的检测结果。
[0003]可见，上述过程中，在实际图像检测过程中，均需要通过SE块，利用图像对应的特征图实现对特征图所在通道的重要程度的确定，这在一定程度上增加了图像检测所需时间以及消耗的资源。
技术实现思路
[0004]本专利技术提供了一种基于神经网络的图像检测方法及装置，以实现在保证依照每个通道的重要程度提升图像对应的特征图中有用的特征并抑制用处不大的特征的同时，在一定程度上降低利用网络的检测过程所消耗的时间以及资源。具体的...
【技术保护点】
【技术特征摘要】
1.一种基于神经网络模型的图像检测方法，其特征在于，包括：获得待检测图像；利用预先训练所得的目标神经网络模型的每一卷积块，对所述待检测图像进行卷积操作及特征重标定操作，确定所述待检测图像对应的目标特征图，其中，所述特征重标定操作为：将所对应卷积块包含的每一通道对应的权重值，与每一通道对应的卷积操作后所得的特征图相乘的操作；每一通道对应的权重值用于表征所对应通道的重要程度，每一通道对应的权重值为：根据该通道对应的目标子权重值或目标子压缩值确定的值，该通道对应的目标子权重值或目标子压缩值为：基于训练得到所述目标神经网络模型的样本图像确定的值；利用所述目标神经网络模型的全连接层以及所述目标特征图，确定所述待检测图像对应的检测结果。2.如权利要求1所述的方法，其特征在于，所述利用预先训练所得的目标神经网络模型的每一卷积块，对所述待检测图像进行卷积操作及特征重标定操作，确定所述待检测图像对应的目标特征图的步骤，包括：利用预先建立的目标神经网络模型的每一卷积块，执行如下操作，确定所述待检测图像对应的目标特征图；将所述待检测图像或所述待检测图像对应的当前特征图，输入当前卷积块，其中，所述当前卷积块为所述目标神经网络模型的卷积块中的一个，若所述当前卷积块为所述目标神经网络模型的第一个卷积块，所述当前卷积块的输入为所述待检测图像；若所述当前卷积块为所述目标神经网络模型的非第一个卷积块，所述当前卷积块的输入为：所述待检测图像对应的当前特征图，且为所述当前卷积块的前一个卷积块的输出；基于所述当前卷积块所包含的通道对应的卷积核，对所述待检测图像或所述待检测图像对应的当前特征图进行图像特征提取，确定所述当前卷积块包含的各通道对应的特征图；针对所述当前卷积块包含的每一通道，将所述通道对应的权重值，以及该通道对应的特征图相乘，确定所述当前卷积块包含的每一通道对应的特征重标定之后的特征图，作为所述待检测图像对应的新的当前特征图；若所述当前卷积块不为所述目标神经网络模型的最后一个卷积块，将所述当前卷积块的下一个卷积块确定为新的当前卷积块，返回执行所述将所述待检测图像或所述待检测图像对应的当前特征图，输入当前卷积块的步骤；若所述当前卷积块为所述目标神经网络模型的最后一个卷积块，将所述待检测图像对应的新的当前特征图，确定为所述待检测图像对应的目标特征图。3.如权利要求1所述的方法，其特征在于，在所述利用预先训练所得的目标神经网络模型的每一卷积块，对所述待检测图像进行卷积操作及特征重标定操作，确定所述待检测图像对应的目标特征图的步骤之前，所述方法还包括：训练得到所述目标神经网络模型的过程，其中，所述过程包括：获得多个样本图像以及每一样本图像对应的标定标签；获得初始神经网络模型，其中，所述初始神经网络模型包括多个卷积块、全连接层以及每一卷积块对应的压缩激励SE块；
针对每一样本图像，将该样本图像以及该样本图像对应的标定标签，输入当前训练过程中的神经网络模型，所述当前训练过程中的神经网络模型为：所述初始神经网络模型或调整参数后的神经网络模型；利用所述当前训练过程中的神经网络模型，对所输入的样本图像执行以下步骤，直至满足预设收敛条件，获得包含所述多个卷积块以及所述全连接层的目标神经网络模型，其中，所述目标神经网络模型的每一卷积块包含的每一通道对应有固定的权重值；基于目前卷积块包含的通道对应的卷积核，对该样本图像或该样本图像对应的第一特征图进行图像特征提取，确定所述目前卷积块包含的各通道对应的特征图，其中，所述目前卷积块为：所述当前训练过程中的神经网络模型的卷积块中的一个，若所述目前卷积块为：所述当前训练过程中的神经网络模型的第一个卷积块，所述目前卷积块的输入为该样本图像；若所述目前卷积块为：所述当前训练过程中的神经网络模型的非第一个卷积块，所述目前卷积块的输入为：该样本图像对应的第一特征图，且为基于所述目前卷积块的前一个卷积块及该前一个卷积块对应的SE块对应的输出所确定的值；将所述目前卷积块包含的各通道对应的特征图，输入所述目前卷积块对应的SE块，得到所述当前训练过程中所述目前卷积块包含的各通道对应的当前子权重值；针对所述当前训练过程中所述目前卷积块包含的各通道，利用该通道对应的所述当前子权重值以及历史子权重值，确定该通道对应的目标子权重值，其中，所述历史子权重值为：所述当前训练过程的前一个训练过程所获得的、所述目前卷积块包含的该通道对应的子权重值；针对所述当前训练过程中所述目前卷积块包含的各通道，利用该通道对应的指定子权重值以及该通道对应的特征图，确定该通道对应的重标定后的特征图，其中，所述指定子权重值为：所述当前子权重值或所述目标子权重值；若所述目前卷积块不为所述当前训练过程中的神经网络模型的最后一个卷积块，将所述目前卷积块的下一个卷积块确定为新的目前卷积块，返回执行所述基于目前卷积块包含的通道对应的卷积核，对该样本图像或该样本图像对应的第一特征图进行图像特征提取，确定所述目前卷积块包含的各通道对应的特征图的步骤；若所述目前卷积块为所述当前训练过程中的神经网络模型的最后一个卷积块，将所述目前卷积块包含的各通道对应的重标定后的特征图，确定为该样本图像对应的特定特征图，并输入所述当前训练过程中的神经网络模型的全连接层，得到该样本图像对应的预测标签；若确定所得到的样本图像对应的预测标签达到预设阈值，基于所得到的样本图像对应的预测标签及标定标签，调整所述当前训练过程中的神经网络模型的多个卷积块、全连接层以及每一卷积块对应的SE块的参数；若判断未满足预设收敛条件，返回执行所述针对每一样本图像，将该样本图像以及该样本图像对应的标定标签，输入当前训练过程中的神经网络模型的步骤。4.如权利要求1-3任一项所述的方法，其特征在于，所述利用该通道对应的所述当前子权重值以及历史子权重值，确定该通道对应的目标子权重值的步骤，通过如下两种实现方式中的任一种实现方式实现：第一种实现方式：
利用预设权重值融合公式、该通道对应的所述当前子权重值以及历史子权重值，确定出融合结果，作为该通道对应的目标子权重值；第二种实现方式：利用预设权重值融合公式、该通道对应的所述当前子权重值以及历史子权重值，确定出融合结果，作为该通道对应的中间子权重值；利用预设权重值确定公式、该通道对应的所述中间子权重值和所述当前子权重值，确定出确定结果，作为该通道对应的目标子权重值。5.如权利要求1所述的方法，其特征在于，在所述利用预先训练所得的目标神经网络模型的每一卷积块，对所述待检测图像进行卷积操作及特征重标定操作，确定所述待检测图像对应的目标特征图的步骤之前，所述方法还包括：训练得到所述目标神经网络模型的过程，其中，所述过程包括：获得多个样本图像以及每一样本图像对应的标定标签；获得初始神经网络模型，其中，所述初始神经网络模型包括多个卷积块、全连接层以及每一卷积块对应的压缩激励SE块；针对每一样本图像，将该样本图像以及该样本图像对应的标定标签，输入当前训练过程中的神经网络模型，所述当前训练过程中的神经网络模型为：所述初...
【专利技术属性】
技术研发人员：李翔，
申请(专利权)人：魔门塔苏州科技有限公司，
类型：发明
国别省市：
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。