[发明专利]用于事件检测的深度学习网络、该网络的训练装置及方法

说明书

本发明实施例提供一种用于事件检测的深度学习网络、该网络的训练装置及方法，该深度学习网络包括：数据层，其用于读取输入数据；卷积层，其用于从数据层读取的输入数据中提取特征；至少两个事件分类器，其用于根据卷积层提取的特征，相互独立的进行不同事件的检测，分别输出不同事件的检测结果。由于该深度学习网络具有至少两个相互独立的、进行不同事件的检测的事件分类器，各个事件分类器能够独立的进行检测并输出检测结果，从而能够保证事件检测结果的准确性和完整性，并且，由于各个事件分类器只需要检测一种事件，该深度学习网络在训练时所需的时间较短，且训练出的该深度学习网络的检测精度较高。

技术领域

本发明涉及信息技术领域，尤其涉及一种用于事件检测的深度学习网络、该网络的训练装置及方法。

背景技术

近年来，深度学习被广泛的应用于计算机视觉领域。在深度学习的帮助下，计算机视觉领域的研究方向已经从图像分类向例如事件检测的视频分析转变。与图像分类相比，视频分析面临更多复杂的场景，事件检测也需要模型来学习更高水平的逻辑判断。

图1是现有的事件检测模型的检测结果的示意图。如图1所示，对于图1所示的监控视频画面，现有的事件检测模型检测到的各个事件的发生概率为：正常(Normal)0.03、事故(Accident)0.46、拥堵(Jam)0.41、停车(Park)0.08、逆行(Reverse)0.02。

应该注意，上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本发明的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。

发明内容

发明人发现，对于图1所示的情况，其理想的输出结果应为事故(Accident)和拥堵(Jam)，如果将上述现有的事件检测模型的输出条件设为大于0.5，则无法得到输出结果，如果将输出条件设为输出最大概率的事件，则输出结果为事故(Accident)。也就是说，现有的事件检测模型仅能够区分互斥事件，其无法输出多个事件作为检测结果，无法保证检测结果的准确性和完整性。另外，由于现有的事件检测模型为多分类器检测模型，其训练的时间较长。

本发明实施例提供一种用于事件检测的深度学习网络、该网络的训练装置及方法，该深度学习网络具有至少两个相互独立的、进行不同事件的检测的事件分类器，各个事件分类器能够独立的进行检测并输出检测结果，从而能够保证事件检测结果的准确性和完整性，并且，由于各个事件分类器只需要检测一种事件，该深度学习网络在训练时所需的时间较短，且训练出的该深度学习网络的检测精度较高。

根据本发明实施例的第一方面，提供一种用于事件检测的深度学习网络，所述深度学习网络包括：数据层，其用于读取输入数据；卷积层，其用于从所述数据层读取的所述输入数据中提取特征；至少两个事件分类器，其用于根据所述卷积层提取的所述特征，相互独立的进行不同事件的检测，分别输出不同事件的检测结果。

根据本发明实施例的第二方面，提供一种根据本发明实施例的第一方面所述的深度学习网络的训练装置，所述装置包括：第一训练单元，其用于对所述深度学习网络的所述卷积层的参数进行训练；第二训练单元，其用于保持所述深度学习网络的所述卷积层的参数不变，对所述深度学习网络的所述至少两个事件分类器的参数进行训练。

根据本发明实施例的第三方面，提供一种根据本发明实施例的第一方面所述的深度学习网络的训练方法，所述方法包括：对所述深度学习网络的所述卷积层的参数进行训练；保持所述深度学习网络的所述卷积层的参数不变，对所述深度学习网络的所述至少两个事件分类器的参数进行训练。

本发明的有益效果在于：由于该深度学习网络具有至少两个相互独立的、进行不同事件的检测的事件分类器，各个事件分类器能够独立的进行检测并输出检测结果，从而能够保证事件检测结果的准确性和完整性，并且，由于各个事件分类器只需要检测一种事件，该深度学习网络在训练时所需的时间较短，且训练出的该深度学习网络的检测精度较高。