[发明专利]基于卷积核筛选SSD网络的ROV形变小目标识别方法

权利要求书

1.一种基于卷积核筛选SSD网络的ROV形变小目标识别方法，其特征在于，包括以下步骤：

(1)搭载ROV，其中树莓派作为上位机，负责图像的传输与基本计算，Intel网络神经棒作为树莓派协处理器，进行深度学习模型计算，飞控作为运动控制平台；

(2)收集水下目标图像，将图像进行筛选，数据扩增，获得符合神经网络训练的数据集；

(3)利用caffe搭建Densenet的变体模型，网络有两个子网络，backbone网络用来特征提取图像，front-end子网络用多尺度相应做预测；

(4)对于(3)中的backbone提取的特征图，将前面层的特征图和后面层的特征图连接到一起，将相邻的检测结果一半、一半的结合起来通过稠密连接另一半，每个尺度仅学习半数的特征图，复用之前层的另一半，从而进行多尺度检测；

(5)搭建完成之后训练数据集，得到深度模型caffemodel；

(6)利用基于平均响应值的卷积核滤波器筛选策略，将上述深度模型中贡献度低的卷积核滤波器从原模型中移除；

(7)将经过(6)处理后的caffemodel放入intel神经棒中，神经棒与树莓派相连，作为树莓派协处理器，摄像头采集数据之后，图像送入卷积神经网络中进行前向传播，得到检测结果。

2.如权利要求1所述的识别方法，其特征在于，所述步骤(3)中，所述backbone包含stemblock，4个dense block，3个过渡层，3个无池化层的过渡层；所述stemblock块由3个3×3的卷积层连接一个2×2的最大池化层组成。

3.如权利要求1所述的识别方法，其特征在于，所述步骤(6)中，具体为：

(1)输入r×c尺寸的图像x_l，通过第l层k通道的a×b大小的卷积核滤波器x_s进行卷积计算得到卷积特征映射f_l：

f_l＝σ(W^lx_s+b^l)

其中σ表示sigmoid函数，W^l和b^l表示卷积核滤波器的权重以及偏移值，最后得到的f_l就是第l卷积层k×(r-a+1)×(c-b+1)的一个三维卷积特征映射矩阵；

(2)k通道的卷积特征映射矩阵f(x,y)通过如下公式计算每一通道的响应值

公式中，m和n分别代表了一个卷积核滤波器所对应的特征映射的维度，同一个卷积核滤波器对不同图像会产生不同的特征映射，下一层k通道卷积层的特征映射f_l+1同样，通过上式推到而来，上一层的输出f_l作为下一层卷积层的输入

f_l+1＝σ(W^l+1f_l+b^l+1)

而l+1层的每一通道响应值可表示为

为了评估每一个卷积核滤波器对卷积模型的贡献度，我们定义了一种评估标准——平均响应值Average Response Energy(ARE)，每一个响应值由被测卷积核滤波器计算后