[发明专利]级联卷积神经网络

权利要求书

1.一种用于检测至少一个图像中的至少一个对象的卷积神经网络系统，所述系统包括：

多个对象检测器，每个对象检测器对应于所述至少一个图像中的预定图像窗口大小，每个对象检测器与关于所述至少一个图像的相应的下采样比相关联，每个对象检测器包括：

相应的卷积神经网络，所述卷积神经网络包括多个卷积层；以及

对象分类器，所述对象分类器与所述卷积神经网络耦合，用于根据来自所述卷积神经网络的结果对所述图像中的对象进行分类，

其中，与相同相应的下采样比相关联的对象检测器定义至少一个对象检测器分组，对象检测器分组中的对象检测器与共用的卷积层相关联,

其中所述对象分类器是将至少一个分类滤波器与由所述相应的卷积神经网络提供的特征图进行卷积的卷积分类器,

其中所述相应的卷积神经网络产生包括多个特征的特征图，每个条目表示与所述条目相关联的图像窗口内的特征强度，所述图像窗口展现所述相应的图像窗口大小，

其中所述对象分类器提供分类向量，所述分类向量包括所述对象位于与所述特征相关联的所述图像窗口中的每一个处的概率，以及

其中所述分类向量还包括用于与所述特征图相关联的每个图像窗口的图像窗口校正因数，所述图像窗口校正因数包括对每个图像窗口的宽度和高度的校正和对每个图像窗口的位置的校正以及对每个图像窗口的定向的校正。

2.根据权利要求1所述的卷积神经网络系统，其还包括各自与相应的下采样比相关联的多个下采样器，所述下采样器被配置来产生所述图像的按比例缩放版本，每个按比例缩放版本与相应的下采样比相关联。

3.根据权利要求2所述的卷积神经网络系统，其中下采样器和与关于所述图像的相同相应的图像窗口大小相关联的对象检测器定义尺度检测器，每个尺度检测器与所述图像的相应的按比例缩放版本相关联。

4.根据权利要求3所述的卷积神经网络系统，其中，当所述尺度检测器展现对象检测器的相同配置时，并且当所述对象检测器中的所述卷积神经网络展现具有相同特性的层分组时，训练单个训练尺度检测器。

5.根据权利要求4所述的卷积神经网络系统，其中在训练所述训练尺度检测器之前，通过以下操作使训练集合中的训练样本的数目增加到超过训练样本的初始数目：

确定每个对象关键点在相应的训练样本边界框内的位置；

对于对象关键点类型，根据相同类型的所述对象关键点的平均位置确定相应的特征参考位置，所述平均值是根据初始训练集合中的所有对象的对象关键点位置确定的；

将所述初始训练集合中的所有所述训练样本与相应的特征参考位置对准；以及

从相应的特征参考位置随机地扰乱对准的训练样本中的每一个。

6.一种卷积神经网络方法，其包括以下步骤：

根据多个下采样比对图像进行下采样，以产生多个下采样图像，每个下采样图像与相应的下采样比相关联；

对于每个下采样图像，通过对应的卷积神经网络检测处于关于至少一个图像的预定图像窗口大小的对象；以及

对所述图像中的对象进行分类，

其中检测与相同相应的下采样比相关联的相应的下采样图像中的对象的卷积神经网络定义至少一个卷积神经网络分组，卷积神经网络分组中的卷积神经网络与共用的卷积层相关联，

在对图像进行下采样的步骤之前，还包括以下步骤：

由初始训练集合产生增大的训练样本；以及

训练所述卷积神经网络以具有共用层。

7.根据权利要求6所述的卷积神经网络方法，其中训练所述卷积神经网络以具有共用层包括对所述对象检测器的具有相同特性的所有层分组的权重和参数求平均。

8.根据权利要求6所述的卷积神经网络方法，其中，训练所述卷积神经网络以具有共用层包括通过使用所述增大的训练样本来训练单个训练尺度检测器并部署所述训练尺度检测器的副本，每个副本与所述至少一个图像的相应的按比例缩放版本相关联，所述训练尺度检测器的所述副本定义卷积神经网络系统。