神经网络的训练方法、物体检测方法和智能终端设备技术

本申请涉及用于基于光谱的物体检测的神经网络的训练方法、物体检测方法和智能终端设备。该训练方法包括：获取训练用的预定物体的光谱数据和类型标签；将所述训练用的预定物体的光谱数据输入所述神经网络的级联的多个趋势编码器以获得分类特征，其中，每个趋势编码器包括串行连接的斜率注意力机制单元、级联单元、归一化单元和前向反馈单元；将所述分类特征输入多层感知机网络以获得所述分类特征的预测概率；以及，通过最小化所述预测概率与所述类型标签之间的损失函数来更新所述用于基于光谱的物体检测的神经网络的参数。这样，通过基于光谱数据使用神经网络模型来检测物体类型，可以实现物体的实时和准确检测。可以实现物体的实时和准确检测。可以实现物体的实时和准确检测。

【技术实现步骤摘要】
神经网络的训练方法、物体检测方法和智能终端设备


[0001]本申请涉及光谱
，更为具体地说，涉及一种用于基于光谱的物体检测的神经网络的训练方法、基于光谱的物体检测方法和使用上述方法的智能终端设备。

技术介绍

[0002]随着科技与经济的发展，智能终端设备作为智能家居的一部分，因其简单操作的功能以及便利性，开始逐步走入中国家庭，例如扫地机器人。
[0003]目前智能终端设备使用的主要传感器为RGB相机，通过建图的方式来从距离、高度、深度以及物体类型等多个维度认识家庭空间。传统的RGB相机存在固有的检测缺陷，一方面RGB相机覆盖可见光波段，容易受到外界可见光的影响，一方面RGB相机因为只有R、G、B三个通道，所以缺乏光谱细节的信息，也就是说RGB相机不能真实反映入射光线的信息，容易在检测物体类型的时候出现错误，进而采取错误的控制和决策手段。
[0004]光谱是物质的指纹，光谱信息包含入射光在各个波长上的能量信息，相比RGB相机，包含信息更多且更加准确，在RGB相机的基础上增加光谱传感的功能，可以提升对物体类型尤其是地面识别的准本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于基于光谱的物体检测的神经网络的训练方法，其特征在于，包括：获取训练用的预定物体的光谱数据和类型标签；将所述训练用的预定物体的光谱数据输入所述神经网络的级联的多个趋势编码器以获得分类特征，其中，每个趋势编码器包括串行连接的斜率注意力机制单元、级联单元、归一化单元和前向反馈单元；将所述分类特征输入多层感知机网络以获得所述分类特征的预测概率；以及通过最小化所述预测概率与所述类型标签之间的损失函数来更新所述用于基于光谱的物体检测的神经网络的参数。2.根据权利要求1所述的训练方法，其中，获取训练用的预定物体的光谱数据和类型标签包括：使用光谱传感设备获得所述预定物体的光谱数据，并基于所述预定物体的类型进行标注以获得所述类型标签。3.根据权利要求2所述的训练方法，其中，所述预定物体的光谱数据为样本数为N且光谱通道数为M的N个1
×
M的输入光谱向量。4.根据权利要求3所述的训练方法，其中，获取训练用的预定物体的光谱数据和类型标签包括：将所述输入光谱向量乘以噪声因子以进行数据增强。5.根据权利要求4所述的训练方法，其中，获取训练用的预定物体的光谱数据和类型标签包括：对所述数据增强的输入光谱向量进行归一化。6.根据权利要求1所述的训练方法，其中，将所述训练用的预定物体的光谱数据输入所述神经网络的每个趋势编码器包括：获取级联的上一级趋势编码器输出的输入特征向量；将所述输入特征向量输入斜率注意力机制单元以获得斜率特征向量；将所述斜率特征向量与所述输入特征向量级联以获得级联特征向量；将所述级联特征向量进行层归一化以获得归一化特征向量；将所述第一归一化向量输入前向反馈单元以获得反馈特征向量；以及，将所述反馈特征向量进行层归一化以获得输出特征向量。7.根据权利要求6所述的训练方法，其中，将所述输入特征向量输入斜率注意力机制单元以获得斜率特征向量包括：计算所述输入特征向量与第...

【专利技术属性】
技术研发人员：刘伟，王宇，黄志雷，
申请(专利权)人：上海与光彩芯科技有限公司，
类型：发明
国别省市：