[发明专利]基于卷积神经网络的目标检测方法、装置、终端及存储介质

权利要求书

1.一种基于卷积神经网络的目标检测方法，其特征在于，所述方法由终端执行，所述卷积神经网络包括输入层、串行卷积层、池化层和输出层；所述串行卷积层由卷积层、批次标准化层、缩放层和非线性激活层拼接构成，所述串行卷积层的卷积核包括多种尺寸卷积核，且每种尺寸的卷积核为由同层、同体积的卷积核拼接而成的并行卷积核，所述方法包括：

将图像输入所述卷积神经网络的输入层中，将所述串行卷积层的多种尺寸的并行卷积核分别与所述输入层的图像进行卷积，得到多种尺寸的特征图；

从所述多种尺寸的特征图中提取尺寸具有二倍数维度关系的特征图，对提取的特征图进行分组，对分组中的特征图进行级数拼接；

利用所述卷积神经网络中池化层对级数拼接后的特征图进行池化处理，得到池化特征图；

在所述卷积神经网络的输出层中，基于所述池化特征图进行目标检测，输出目标检测结果。

2.根据权利要求1所述的方法，其特征在于，所述串行卷积层包括采用下述方法拼接构成：

提取所述卷积层的第一卷积核；

提取所述批次标准化层中累计计算的均值和方差；

提取所述缩放层的比例缩放因子和位移因子；

提取所述非线性激活层中的线性整流函数；

通过所述累计计算的均值和方差、所述比例缩放因子和位移因子以及所述线性整流函数将所述第一卷积核重构为第二卷积核；

将所述第二卷积核作为所述串行卷积层的卷积核。

3.根据权利要求2所述的方法，其特征在于，所述并行卷积核包括采用下述方法拼接得到：将M个同层的N×N卷积核拼接为并行卷积核。

4.根据权利要求1所述的方法，其特征在于，所述从所述多种尺寸的特征图中提取尺寸具有二倍数维度关系的特征图，对提取的特征图进行分组，对分组中的特征图进行级数拼接包括：

提取特征图中尺寸具有二倍数维度关系的特征图；

将提取的尺寸具有二倍数维度关系的特征图按照尺寸维度降幂的方式排序，并作为一个的分组；

按照排序拼接每个分组中的特征图。

5.一种基于卷积神经网络的目标检测装置，其特征在于，所述装置设置于终端，所述卷积神经网络包括输入层、串行卷积层、池化层和输出层；所述串行卷积层由卷积层、批次标准化层、缩放层和非线性激活层拼接构成，所述串行卷积层的卷积核包括多种尺寸卷积核，且每种尺寸的卷积核为由同层、同体积的卷积核拼接而成的并行卷积核，所述装置包括：

图像输入单元，用于将图像输入所述卷积神经网络的输入层中；

卷积单元，用于将所述串行卷积层的多种尺寸的并行卷积核分别与所述输入层的图像进行卷积，得到多种尺寸的特征图；

分组拼接单元，用于从所述多种尺寸的特征图中提取尺寸具有二倍数维度关系的特征图，对提取的特征图进行分组，对分组中的特征图进行级数拼接；

池化处理单元，用于利用所述卷积神经网络中池化层对级数拼接后的特征图进行池化处理，得到池化特征图；

目标检测结果输出单元，用于在所述卷积神经网络的输出层中，基于所述池化特征图进行目标检测，输出目标检测结果。

6.根据权利要求5所述的装置，其特征在于，所述串行卷积层包括采用下述单元得到：

第一提取子单元，用于提取所述卷积层的第一卷积核；

第二提取子单元，用于提取所述批次标准化层中累计计算的均值和方差；

第三提取子单元，用于提取所述缩放层的比例缩放因子和位移因子；

第四提取子单元，用于提取所述非线性激活层中的线性整流函数；

卷积核重构子单元，用于通过所述累计计算的均值和方差、所述比例缩放因子和位移因子以及所述线性整流函数将所述第一卷积核重构为第二卷积核；并将所述第二卷积核作为所述串行卷积层的卷积核。

7.根据权利要求5所述的装置，其特征在于，所述并行卷积核包括采用下述单元得到：

并行拼接子单元，用于将M个同层的N×N卷积核拼接为并行卷积核。