[发明专利]一种基于深度学习的图像识别方法及装置在审
| 申请号： | 201810796427.5 | 申请日： | 2018-07-19 |
| 公开（公告）号： | CN109145743A | 公开（公告）日： | 2019-01-04 |
| 发明（设计）人： | 杨智昌;林文垣 | 申请（专利权）人： | 叶涵 |
| 主分类号： | G06K9/00 | 分类号： | G06K9/00;G06K9/62;G06N3/04 |
| 代理公司： | 昆明合众智信知识产权事务所 53113 | 代理人： | 张玺 |
| 地址： | 北京市西城区*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 待检测图像 图像单元 图像识别 边界框 网格 神经网络计算 计算机领域 安保系统 财产安全 犯罪事件 神经网络 输出图像 影像识别 有效识别 可分离 概率 构建 卷积 分辨 影像 提示 图像 智能 学习 预测 应用 | ||
1.一种基于深度学习的影像识别方法，其特征在于，所述方法包括：
获取待检测图像；
将所述待检测图像用网格进行划分，每个网格为一个图像单元，通过单个轻量级深度神经网络计算并生成所述图像单元的边界框数据与类概率，其中，所述轻量级深度神经网络由深度可分离卷积构建而成；
根据所述边界框数据与类概率，输出图像识别结果。
2.如权利要求1所述的方法，其特征在于，所述通过单个轻量级深度神经网络计算并生成所述图像单元的边界框数据与类概率的步骤具体为：
将所述图像单元作卷积处理，以进行特征提取与重组，形成中间特征数据集合；
将所述中间特征数据集合经过多次数据采样与卷积处理后，得到一全连接特征数据集合；
将所述全连接特征数据集合进行特征进行计算，形成并输出所述边界框数据与类概率。
3.如权利要求2所述的方法，其特征在于，所述将所述全连接特征数据集合进行特征进行计算，形成并输出所述边界框数据与类概率的步骤具体为：
通过激活函数对所述全连接特征数据集合中的特征进行分类计算，得到初步的边界框数据与类概率；
通过损失函数对所述初步的边界框数据与类概率进行计算，得到其与实际结果的偏差评价。
4.如权利要求2所述的方法，其特征在于，构建所述轻量级深度神经网络的深度可分离卷积的深度为3×3。
5.如权利要求2所述的方法，其特征在于，所述根据所述边界框数据与类概率，输出图像识别结果的步骤具体为：
根据所述边界框数据与类概率，拟合出目标图像区域；
将所述目标图像区域作为图像识别结果输出。
6.一种基于深度学习的影像识别装置，其特征在于，所述装置用于：
获取待检测图像；
将所述待检测图像用网格进行划分，每个网格为一个图像单元，通过单个轻量级深度神经网络计算并生成所述图像单元的边界框数据与类概率，其中，所述轻量级深度神经网络由深度可分离卷积构建而成；
根据所述边界框数据与类概率，输出图像识别结果。
7.如权利要求6所述的装置，其特征在于，所述装置还用于：
将所述图像单元作卷积处理，以进行特征提取与重组，形成中间特征数据集合；
将所述中间特征数据集合经过多次数据采样与卷积处理后，得到一全连接特征数据集合；
将所述全连接特征数据集合进行特征进行计算，形成并输出所述边界框数据与类概率。
8.如权利要求7所述的装置，其特征在于，所述装置还用于：
通过激活函数对所述全连接特征数据集合中的特征进行分类计算，得到初步的边界框数据与类概率；
通过损失函数对所述初步的边界框数据与类概率进行计算，得到其与实际结果的偏差评价。
9.如权利要求7所述的装置，其特征在于，构建所述轻量级深度神经网络的深度可分离卷积的深度为3×3。
10.如权利要求7所述的装置，其特征在于，所述装置还用于：
根据所述边界框数据与类概率，拟合出目标图像区域；
将所述目标图像区域作为图像识别结果输出。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于叶涵，未经叶涵许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201810796427.5/1.html，转载请声明来源钻瓜专利网。
