[发明专利]卷积神经网络的训练及使用方法、设备及存储介质

权利要求书

1.一种用于道路目标检测的卷积神经网络的训练方法，包括：

利用卷积神经网络对训练图像进行处理，以确定所述训练图像是否包含道路目标以及所述训练图像中覆盖道路目标的至少一个感兴趣区域，并预测道路目标的分类及其位置；

在卷积神经网络中设置滤波器层，以对所述至少一个感兴趣区域进行滤波处理，预测道路目标的多个关键点；

在卷积神经网络中设置关键点关系编码层，以计算所述多个关键点之间的位置关系；以及

利用所预测的道路目标的分类及其位置与真实值之间的损失以及所计算的多个关键点之间的位置关系与真实值之间的损失，调整所述卷积神经网络的各参数，以对所述卷积神经网络进行训练。

2.如权利要求1所述的卷积神经网络的训练方法，其中利用所预测的道路目标的分类及其位置与真实值之间的损失以及所计算的多个关键点之间的位置关系与真实值之间的损失，调整所述卷积神经网络的各参数，以对所述卷积神经网络进行训练包括：

确定当所述损失之和小于预定阈值时各参数的值，作为训练好的神经网络的各参数的值；或者确定当所述卷积神经网络的训练次数达到预定阈值时各参数的值，作为训练好的神经网络的各参数的值。

3.如权利要求1所述的卷积神经网络的训练方法，其中，利用卷积神经网络对包含道路目标的训练图像进行处理，以确定所述训练图像中覆盖道路目标的至少一个感兴趣区域包括：

利用卷积神经网络的第一卷积层中的不同卷积核对所述训练图像进行卷积操作，确定第一特征图；以及

基于所述第一特征图，确定所述训练图像是否包含道路目标以及所述训练图像中覆盖道路目标的至少一个感兴趣区域。

4.如权利要求3所述的卷积神经网络的训练方法，其中在利用卷积神经网络的第一卷积层中的不同卷积核对所述训练图像进行卷积操作，确定第一特征图之后进一步包括：

利用卷积神经网络的归一化层对所述第一特征图进行归一化操作，确定归一化的卷积特征图；以及

利用卷积神经网络的池化层对所述归一化的卷积特征图进行池化操作，确定池化的特征图，并将所述池化的特征图作为所述第一特征图。

5.如权利要求3所述的卷积神经网络的训练方法，其中，所述基于所述第一特征图，确定所述训练图像中覆盖道路目标的至少一个感兴趣区域包括：

利用卷积神经网络的另一卷积层中的不同卷积核对所述第一特征图进行卷积操作，确定第二特征图；

对所述第二特征图进行划分，确定不同尺度的多个候选区域；以及

利用卷积神经网络的分类器对所述多个候选区域进行分类操作，确定所述训练图像是否包含道路目标并且从所述多个候选区域确定所述至少一个感兴趣区域。

6.如权利要求1-5中任一项所述的卷积神经网络的训练方法，其中，所述在卷积神经网络中设置滤波器层，以对所述至少一个感兴趣区域进行滤波处理，预测道路目标的多个关键点包括对于每个所述感兴趣区域：

将该感兴趣区域划分成包含道路目标的关键点的多个感兴趣块；以及

利用一组主成份分析滤波器对每个感兴趣块进行滤波操作，预测道路目标的关键点的位置。

7.如权利要求6所述的卷积神经网络的训练方法，其中，所述将该感兴趣区域划分成包含道路目标的关键点的多个感兴趣块包括：

获得所述至少一个感兴趣区域的平均尺寸；

基于所述平均尺寸，确定水平方向块收集器和垂直方向块收集器的尺寸；以及

利用所述水平方向块收集器和垂直方向块收集器从该感兴趣区域中提取块，作为所述多个感兴趣块。

8.如权利要求6所述的卷积神经网络的训练方法，其中，所述利用一组主成份分析滤波器对每个感兴趣块进行滤波操作，预测道路目标的关键点的位置包括：

利用一组主成份分析滤波器对每个感兴趣块进行滤波操作，生成与每个感兴趣块对应的多个响应图；以及

根据所述多个响应图的分布以及该组主成份分析滤波器中的各个滤波器的权值，确定所述道路目标的关键点的位置。