[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

说明书

本发明提出一种卷积神经网络前向加速方法，所述方法包括在卷积神经网络结构中：将卷积神经网络中的四个顺序向前层：卷积层、批次标准化层、缩放层和非线性激活层拼接构成一个串行卷积层；和/或，拼接卷积层中同层、同体积的卷积核，以使得所述同层、同体积的卷积核被拼接成为一个并行卷积核；和/或，提取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。

技术领域

本发明涉及人工智能技术领域，特别涉及一种基于卷积神经网络的目标检测方法、装置、终端及存储介质。

背景技术

随着人工智能(AI，Artificial Intelligence)的发展，现有技术中出现了各种神经网络卷积模型，包括：LeNet-5模型、AlexNet模型、VGGNet模型、GoogleNet模型、ResNet模型等等。每个神经网络模型有其特点，例如：

LeNet-5模型是第一个成功应用于数字识别的卷积神经网络模型，卷积层自带激励函数。

AlexNet模型为较为经典的卷积神经网络模型，其结构通常为：输入层→(卷积层→池化层)→全连接层→输出层，AlexNet卷积层的卷积核边长为5或3，池化层的窗口边长为3。

VGGNet模型和AlexNet模型在结构上没多大变化，在卷积层部位增加了多个卷积层。

GoogleNet模型使用了多个不同分辨率的卷积核，最后再对它们得到的特征图(feature map)按深度融合在一起。

但是，目前随着人工智能使用领域的日趋广泛，卷积神经网络的反应速度逐渐成为了制约其应用的瓶颈。因此，需要改进现有的卷积神经网络以提高其处理速度。

发明内容

为了解决现有技术中存在的技术问题，本发明实施例提供了一种基于卷积神经网络的目标检测方法、装置、终端及存储介质。所述技术方案如下：

一方面，提供基于卷积神经网络的目标检测方法，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。

另一方面，提供一种基于卷积神经网络的目标检测装置，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；