深度学习神经网络模型的训练装置、目标检测系统及方法制造方法及图纸

本发明专利技术实施例提供一种深度学习神经网络模型的训练装置、目标检测系统及方法，所述装置包括：特征层提取模块，对原始图像进行卷积操作获得特征层；卷积运算模块，采用不同尺度和数量的卷积滤波器对特征层进行卷积运算提取出第一特征图；特征图处理模块，对各个第一特征图进行非线性转换获得第二特征图；检测框生成模块，生成不同预定尺度的待判定检测框，判断待检测区域与实际目标的初步相似度，确定出正样本检测框；参数更新模块，对第二特征图进行回归运算匹配，对比正样本检测框与实际目标框的目标相似度，更新普通卷积层、平均池化层及各个卷积滤波器的参数值；模型输出模块，输出检测模型。本实施例能获得对小目标的检测效果好的检测模型。效果好的检测模型。效果好的检测模型。

【技术实现步骤摘要】
深度学习神经网络模型的训练装置、目标检测系统及方法


[0001]本专利技术实施例涉及深度学习卷积网络
，尤其涉及一种深度学习神经网络模型的训练装置、目标检测系统及方法。

技术介绍

[0002]目前，目标检测是自动驾驶中用到的一项关键技术，在图像中准确的定位出检测目标的位置并对目标的进行分类，可以有效辅助自动驾驶。目前目标检测的方法主要基于深度学习神经网络模型，通过采用大量预先标注的原始图像逐步输入至神经网络模型中，经过一系列的非线性转换，提取获得原始图像的特征层，然后在特征层中生成检测框，通过对检测框中的图像特征进行分类识别，从而实现目标检测。但是，由于不同方式的卷积操作会产生不一样的运算效果，卷积方式的选择合适与否，影响网络结构对有效特征的提取，现有的检测模型在对如路灯、行人等小目标物体特征进行检测时会随卷积网络层数的加深逐渐淡化，无法保证对图像中小目标的识别准确性；同时，随着卷积网络层数的增多，也会导致网络参数的快速增多，影响网络运行速度。

技术实现思路

[0003]本专利技术实施例要解决的技术问题在于，提供一种深度学习神经网络模型的训练装置，能获得对小目标的检测效果好的检测模型。
[0004]本专利技术实施例进一步要解决的技术问题在于，提供一种目标检测系统，能有效提高对小目标的检测效果。
[0005]本专利技术实施例进一步要解决的技术问题在于，提供一种深度学习神经网络模型的训练方法，能获得对小目标的检测效果好的检测模型。
[0006]为了解决上述技术问题，本专利技术实施例提供以下技术方案：一种深度学习神经网络模型的训练装置，包括：特征层提取模块，用于采用预定步长的普通卷积层与平均池化层对外部输入的原始图像进行卷积操作并叠加卷积结果后获得所述原始图像的若干特征层；卷积运算模块，与所述特征层提取模块相连，用于依次采用不同尺度和数量的卷积滤波器对各个特征层进行卷积运算以从各个特征层中提取出不同的第一特征图，并通过点积运算将尺寸相同的第一特征图进行组合；特征图处理模块，与所述卷积运算模块相连，用于采用两个激活函数相结合的方式对组合后的各个第一特征图进行非线性转换获得加入了非线性因素的第二特征图；检测框生成模块，与所述特征图处理模块相连，用于任意选取预定数量的第二特征图，在每个选定的第二特征图上均确定一个坐标点，所有选定的第二特征图中确定的坐标点具有相互对应的位置关系，在每个选定的第二特征图中均以所述坐标点为中心生成多个不同预定尺度的待判定检测框，将各个待判定检测框所包含的待检测区域与所述原始图像中预先标注的实际目标框进行对比，判断所述待检测区域与所述实际目标框的初步相似
度，将所述初步相似度最高的待判定检测框确定为正样本检测框；参数更新模块，与所述检测框生成模块相连，用于对每个第二特征图进行回归运算匹配，再次对比所述正样本检测框所包含的区域与所述实际目标框的目标相似度，将所述目标相似度大于预定相似度阈值的正样本检测框确定为正样本，根据各个所述正样本在所述第二特征图中的位置更新所述普通卷积层、平均池化层及各个卷积滤波器的参数值，对所述正样本进行卷积运算及回归确定所述正样本的类别和在所述原始图像中的坐标信息；以及模型输出模块，与所述参数更新模块和特征层提取模块相连，用于判断所述类别和所述坐标信息的准确度，在所述准确度大于预定阈值时输出检测模型，否则根据更新后的所述普通卷积层、平均池化层及各个卷积滤波器的参数值重复运行上述各个模块。
[0007]进一步的，所述两个激活函数分别为ReLU激活函数和PReLU激活函数。
[0008]进一步的，所述检测框生成模块通过对比所述待检测区域与所述实际目标框在对应的第二特征图的尺寸大小和位置以确定所述初步相似度。
[0009]进一步的，所述普通卷积层与平均池化层的步长为2。
[0010]另一方面，为了解决进一步的上述技术问题，本专利技术实施例提供以下技术方案：一种目标检测系统，包括摄像装置以及与所述摄像装置相连的目标检测装置，所述目标检测装置采用如上述任一项所述的深度学习神经网络模型的训练装置对大量的原始图像进行训练获得的检测模型对摄像装置采集的实际图像进行检测。
[0011]再一方面，为了解决进一步的上述技术问题，本专利技术实施例提供以下技术方案：一种深度学习神经网络模型的训练方法，包括以下步骤：采用预定步长的普通卷积层与平均池化层对外部输入的原始图像进行卷积操作并叠加卷积结果后获得所述原始图像的若干特征层；依次采用不同尺度和数量的卷积滤波器对各个特征层进行卷积运算以从各个特征层中提取出不同的第一特征图，并将尺寸相同的第一特征图通过点积运算进行组合；采用两个激活函数相结合的方式对组合后的各个第一特征图进行非线性转换获得加入了非线性因素的第二特征图；任意选取预定数量的第二特征图，在每个选定的第二特征图上均确定一个坐标点，所有选定的第二特征图中确定的坐标点具有相互对应的位置关系，在每个选定的第二特征图中均以所述坐标点为中心生成多个不同预定尺度的待判定检测框，将各个待判定检测框所包含的待检测区域与所述原始图像中预先标注的实际目标框进行对比，判断所述待检测区域与所述实际目标框的初步相似度，将所述初步相似度最高的待判定检测框确定为正样本检测框；对每个第二特征图进行回归运算匹配，再次对比所述正样本检测框所包含的区域与所述实际目标框的目标相似度，将所述目标相似度大于预定相似度阈值的正样本检测框确定为正样本，根据各个所述正样本在所述第二特征图中的位置更新所述普通卷积层、平均池化层及各个卷积滤波器的参数值，对所述正样本进行卷积运算及回归确定所述正样本的类别和在所述原始图像中的坐标信息；以及判断所述类别和所述坐标信息的准确度，在所述准确度大于预定阈值时输出检测模型，否则根据更新后的所述普通卷积层、平均池化层及各个卷积滤波器的参数值对外部
输入的原始图像重复进行上述步骤。
[0012]进一步的，所述两个激活函数分别为ReLU激活函数和PReLU激活函数。
[0013]进一步的，通过对比所述待检测区域与所述实际目标框在对应的第二特征图的尺寸大小和位置以确定所述初步相似度。
[0014]进一步的，所述普通卷积层与平均池化层的步长为2。
[0015]采用上述技术方案后，本专利技术实施例至少具有如下有益效果：本专利技术实施例通过采用预定步长的普通卷积层与平均池化层对外部输入的原始图像进行卷积操作并叠加卷积结果后获得所述原始图像的若干特征层，然后通过依次采用不同尺度和数量的卷积滤波器对各个特征层进行卷积运算以从各个特征层中提取出不同的第一特征图，利用深度分通道卷积操作获得特征图，使得图像特征能有效传递，尤其是保留底层小目标物体的图像特征，并通过点积运算将尺寸相同的第一特征图进行组合，可有效的减少参数量，再进一步用两个激活函数相结合的方式对组合后的各个第一特征图进行非线性转换，加入非线性因素以获得第二特征图，有效提升神经网络对重要特征的表达能力，然后生成多个不同预定尺寸的待判定检测框以适应实际检测中对不同尺寸目标的检测需求，通过对比判断待检测区域与实际目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度学习神经网络模型的训练装置，其特征在于，所述装置包括：特征层提取模块，用于采用预定步长的普通卷积层与平均池化层对外部输入的原始图像进行卷积操作并叠加卷积结果后获得所述原始图像的若干特征层；卷积运算模块，与所述特征层提取模块相连，用于依次采用不同尺度和数量的卷积滤波器对各个特征层进行卷积运算以从各个特征层中提取出不同的第一特征图，并将尺寸相同的第一特征图通过点积运算进行组合；特征图处理模块，与所述卷积运算模块相连，用于采用两个激活函数相结合的方式对组合后的各个第一特征图进行非线性转换获得加入了非线性因素的第二特征图；检测框生成模块，与所述特征图处理模块相连，用于任意选取预定数量的第二特征图，在每个选定的第二特征图上均确定一个坐标点，所有选定的第二特征图中确定的坐标点具有相互对应的位置关系，在每个选定的第二特征图中均以所述坐标点为中心生成多个不同预定尺度的待判定检测框，将各个待判定检测框所包含的待检测区域与所述原始图像中预先标注的实际目标框进行对比，判断所述待检测区域与所述实际目标框的初步相似度，将所述初步相似度最高的待判定检测框确定为正样本检测框；参数更新模块，与所述检测框生成模块相连，用于对每个第二特征图进行回归运算匹配，再次对比所述正样本检测框所包含的区域与所述实际目标框的目标相似度，将所述目标相似度大于预定相似度阈值的正样本检测框确定为正样本，根据各个所述正样本在所述第二特征图中的位置更新所述普通卷积层、平均池化层及各个卷积滤波器的参数值，对所述正样本进行卷积运算及回归确定所述正样本的类别和在所述原始图像中的坐标信息；以及模型输出模块，与所述参数更新模块和特征层提取模块相连，用于判断所述类别和所述坐标信息的准确度，在所述准确度大于预定阈值时输出检测模型，否则根据更新后的所述普通卷积层、平均池化层及各个卷积滤波器的参数值重复运行上述各个模块。2.如权利要求1所述的深度学习神经网络模型的训练装置，其特征在于，所述两个激活函数分别为ReLU激活函数和PReLU激活函数。3.如权利要求1所述的深度学习神经网络模型的训练装置，其特征在于，所述检测框生成模块通过对比所述待检测区域与所述实际目标框在对应的第二特征图的尺寸大小和位置以确定所述初步相似度。4.如权利要求1所述的深度学习神经网络模型的训练装置，其特征在于，所述预定步长为2。5.一种目标检测系统...

【专利技术属性】
技术研发人员：罗小平，曹继，
申请(专利权)人：深圳市豪恩汽车电子装备股份有限公司，
类型：发明
国别省市：