基于卷積神經(jīng)網(wǎng)絡(luò)的多目標檢測模型構(gòu)建方法

基本信息

申請?zhí)?/td> CN201810240179.6 申請日 -
公開（公告）號 CN108416394B 公開（公告）日 2019-09-03
申請公布號 CN108416394B 申請公布日 2019-09-03
分類號 G06K9/62;G06N3/08;G06N3/04 分類 計算；推算；計數(shù);
發(fā)明人 張慶輝;萬晨霞;卞山峰 申請（專利權(quán)）人 鄭州艾毅電子科技有限公司
代理機構(gòu) 河南科技通律師事務(wù)所 代理人 河南工業(yè)大學;鄭州艾毅電子科技有限公司
地址 450001 河南省鄭州市市轄區(qū)高新技術(shù)產(chǎn)業(yè)開發(fā)區(qū)蓮花街100號
法律狀態(tài) -

摘要

摘要 本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的多目標檢測模型構(gòu)建方法，旨在解決現(xiàn)有檢測模型不能區(qū)分多種目標，并且難以識別小目標的技術(shù)問題。本發(fā)明包括以下步驟：步驟1：搭建Caffe深度學習框架，其中檢測模型的配置利用Faster R?CNN算法完成，并引入ZF網(wǎng)絡(luò)進行特征提??；步驟2、設(shè)計用于實時準確地生成多目標區(qū)域的ADPN網(wǎng)絡(luò)；步驟3、設(shè)計ADPN的損失函數(shù)對其進行優(yōu)化；步驟4、訓(xùn)練ADPN；步驟5、設(shè)計用于檢測多目標類別和位置的DALN子網(wǎng)絡(luò)；步驟6、設(shè)計DALN的損失函數(shù)對其進行優(yōu)化；步驟7、訓(xùn)練DALN；步驟8、對ADPN和DALN進行聯(lián)合訓(xùn)練，得到檢測模型。本發(fā)明的有益技術(shù)效果在于：能夠識別出多種類別的目標，提高了對小目標的識別能力，并且運算速度快，精度高。