一种基于轻量化神经网络的目标识别方法及其应用技术

本发明专利技术公开了一种基于轻量化神经网络的目标识别方法及其应用，将目标图片输入训练好的Densenet改进模型中得到目标类别；Densenet改进模型与Densenet模型的不同在于网块中的Back Bone，Back Bone中的Channel Split、第一卷积层、第一深度分离卷积层、第二卷积层、Concat、Channel Shuffle依次连接，第二深度分离卷积层、第三卷积层与第一卷积层、第一深度分离卷积层、第二卷积层并联，第二深度分离卷积层与Channel Split连接，第三卷积层与Concat连接。本发明专利技术的目标识别方法，不仅数据处理量小，而且其识别精度高，极具应用前景。极具应用前景。极具应用前景。

【技术实现步骤摘要】
一种基于轻量化神经网络的目标识别方法及其应用


[0001]本专利技术属于设备识别
，涉及一种基于轻量化神经网络的目标识别方法及其应用。

技术介绍

[0002]目标检测是计算机视觉领域的重要研究方向之一，传统的目标检测方法是通过构建特征描述子提取特征后利用分类器对特征进行分类实现目标检测，如梯度方向直方图HOG(Histogram of Oriented Gradient)和支持向量机SVM(Support Vector Machine)。随着深度学习在图像分类领域的优异表现，卷积神经网络在计算机视觉的各领域开始得到了广泛使用。在目标检测领域中使用深度学习实现目标检测成为一个新的方向。
[0003]传统神经网络使用使用全连接层进行层与层之间的连接，而卷积神经网络的权值共享网络使得计算量大幅度减少，降低了网络模型的复杂度。卷积神经网络的平移不变性可以使其更好处理图片的特征，基于图像识别方法出现了大量的卷积神经网络，从最初的LeNet、AlexNet、ZFNext、VGGNet、Inception系列、ResNet系列到轻量型神经网络，这些算法在基于Backbone上进行修改，能够得到很高的精度，这些技术被逐步使用到了人脸识别，智能仓储等其他应用中。
[0004]尽管如此，该技术目前还存在以下缺陷：由于残差连接的出现，使其在保证精度的前提下能够堆叠更深的网络，但这同时也增大了网络模型的复杂度、计算量，一些商用计算机能够凭借优越的GPU和内存能够运行这些网络，但对于一些性能有限的嵌入式设备而言，其处理数据量过大，难以满足时效与精度的要求。
[0005]因此，开发一种精度高且数据处理量小、可适用于性能有限的嵌入式设备的目标识别方法极具现实意义。

技术实现思路

[0006]本专利技术的目的在于克服现有难以实现精度与数据处理量的良好兼顾、对设备硬件要求较高的缺陷，提供一种精度高且数据处理量小、可适用于性能有限的嵌入式设备的目标识别方法。本专利技术的目标识别方法在保证精度的同时大大降低了数据处理量，能够大大降低对设备硬件的要求。此外本专利技术提供了一种采用多台嵌入式设备配合实现本专利技术的目标识别方法的方法，极具应用前景。
[0007]为实现上述目的，本专利技术提供如下技术方案：
[0008]一种基于轻量化神经网络的目标识别方法，将目标图片输入训练好的Densenet改进模型中，训练好的Densenet改进模型输出目标类别；
[0009]所述Densenet改进模型相比于Densenet模型的改进之处在于，网块(Net Block)中的Back Bone包括Channel Split、第一卷积层(第一Conv)、第二卷积层(第二Conv)、第三卷积层(第三Conv)、第一深度分离卷积层(第一DWConv)、第二深度分离卷积层(第二DWConv)、Concat、Channel Shuffle，其中Channel Split、第一卷积层(第一Conv)、第一深
度分离卷积层(第一DWConv)、第二卷积层(第二Conv)、Concat、Channel Shuffle依次连接，第二深度分离卷积层(第二DWConv)、第三卷积层(第三Conv)与第一卷积层(第一Conv)、第一深度分离卷积层(第一DWConv)、第二卷积层(第二Conv)并联，第二深度分离卷积层(第二DWConv)与Channel Split连接，第三卷积层(第三Conv)与Concat连接。即Back Bone的输出通道经过Channel Split分配后一部分经过第一卷积层(第一Conv)、第一深度分离卷积层(第一DWConv)、第二卷积层(第二Conv)，另一部分经第二深度分离卷积层(第二DWConv)、第三卷积层(第三Conv)，而后通过Concat合并再通过Channel Shuffle将这些通道进行通道打乱输出到下一层，作为下一层的输入。
[0010]本专利技术的一种基于轻量化神经网络的目标识别方法，首次提出在卷积神经网络结合ShuffleNet通道打算顺序的特性、ResNet中的残差网络、Inception中通道分割、DenseNet中多重残网络以及MobileNet中的DWConv得到Densenet改进模型，其相比于传统网络以及轻量化网络进一步提升精度和缩小模型的结构，而应用Densenet改进模型完成目标类别识别，不仅数据处理量小，而且其识别精度高，极具应用前景。
[0011]作为优选的技术方案：
[0012]如上所述的一种基于轻量化神经网络的目标识别方法，所述Densenet改进模型包括依次连接的主卷积层(主Conv)、特征提取层(Pooling)、第一网块、过渡层(Transition Layer)、第二网块、归类层(Classification Layer)；所述第一网块和第二网块结构相同。
[0013]如上所述的一种基于轻量化神经网络的目标识别方法，所述网块包含依次连接的第一Back Bone、第二Back Bone、第三Back Bone和第四Back Bone，第一Back Bone的输出同时为第二Back Bone、第三Back Bone和第四Back Bone的输入，第二Back Bone的输出同时为第三Back Bone和第四Back Bone的输入。
[0014]如上所述的一种基于轻量化神经网络的目标识别方法，所述过渡层(Transition Layer)包括卷积层(Conv)和特征提取层(Pooling)；
[0015]所述归类层(Classification Layer)包括平均池化层(global average pool)和Softmax分类器。
[0016]Softmax分类器是用于计算各样本的分类概率的，具体如下：
[0017][0018]式中，s
i
表示Softmax分类器第i个神经元的输出值，s
i
＝F
·
η，F为某个训练样本的图像特征向量，η为相应的权值，n为需要分类的类别数量；
[0019]而后根据概率y
i
计算得到训练误差：
[0020][0021]当i＝k时，θ
ik
＝1，i表示第i个类别，当原始输入属于类别i时，y
k*
＝1；
[0022]利用训练误差从卷积神经网络的最后一层依次往前反向传播，使用交叉熵作为损失函数，Adam自适应梯度优化器进行优化，初始学习率设置为0.01，训练轮次为100次，采用TensorFlow2.0框架进行实验，将训练好的模型进行保存。
[0023]如上所述的一种基于轻量化神经网络的目标识别方法，所述Densenet改进模型的训练集与测试集的数量比为4:1。模型训练终点为达到预设训练次数。本专利技术的保护范围并不仅限于此，训练集和测试集的数量本领域技术人员可根据实际情况进行设置。
[0024]本专利技术还提供应用如上所述的一种基于轻量化神经网络的目标识别方法的设备，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量化神经网络的目标识别方法，其特征在于，将目标图片输入训练好的Densenet改进模型中，训练好的Densenet改进模型输出目标类别；所述Densenet改进模型相比于Densenet模型的改进之处在于，网块中的Back Bone包括Channel Split、第一卷积层、第二卷积层、第三卷积层、第一深度分离卷积层、第二深度分离卷积层、Concat、Channel Shuffle，其中Channel Split、第一卷积层、第一深度分离卷积层、第二卷积层、Concat、Channel Shuffle依次连接，第二深度分离卷积层、第三卷积层与第一卷积层、第一深度分离卷积层、第二卷积层并联，第二深度分离卷积层与Channel Split连接，第三卷积层与Concat连接。2.根据权利要求1所述的一种基于轻量化神经网络的目标识别方法，其特征在于，所述Densenet改进模型包括依次连接的主卷积层、特征提取层、第一网块、过渡层、第二网块、归类层；所述第一网块和第二网块结构相同。3.根据权利要求2所述的一种基于轻量化神经网络的目标识别方法，其特征在于，所述网块包含依次连接的第一Back Bone、第二Back Bone、第三Back Bone和第四Back Bone，第一Back Bone的输出同时为第二Back Bone、第三Back Bone和第四Back Bone的输入，第二Back Bone的输出同时为第三Back Bone和第四Back Bone的输入。4.根据权利要求2所述的一种基于轻量化神经网络的目标识别...

【专利技术属性】
技术研发人员：安康，陆叶斌，刘迎圆，方祖华，上官倩芡，
申请(专利权)人：上海师范大学，
类型：发明
国别省市：