[发明专利]卷积神经网络的迁移学习的系统、计算机实现方法、介质

权利要求书

1.一种用于卷积神经网络CNN的迁移学习的系统，所述系统包括：

一个或更多个处理器和非暂时性计算机可读介质，所述非暂时性计算机可读介质上编码有可执行指令，使得当执行所述可执行指令时，所述一个或更多个处理器执行以下操作：

将针对彩色RGB输入预训练的CNN转换成能够应用至红外IR输入图像和灰阶输入图像的CNN，得到转换后的CNN，

其中，所述转换后的CNN包括一系列神经元卷积层，其中，各个卷积层处的神经元被布置在具有对应深度切片的一组内核中；

将所述转换后的CNN应用至至少一个红外IR输入图像或者灰阶输入图像；

检测所述至少一个红外IR输入图像或者灰阶输入图像中的对象；以及

基于所述对象的检测来控制自主装置的机械组件。

2.根据权利要求1所述的系统，其中，转换预训练的CCN还包括将第一卷积层的内核从RGB转换到灰阶的操作。

3.根据权利要求2所述的系统，其中，各个内核被视为RGB 3-通道图像并且被转换成单通道灰阶图像。

4.根据权利要求2所述的系统，其中，转换所述预训练的CNN还包括以下操作：

识别并移除具有低于预定阈值的方差的第一卷积层内核；以及

从第二卷积层中的被识别内核移除对应深度切片。

5.根据权利要求2所述的系统，其中，转换所述预训练的CNN还包括以下操作：

识别具有低于预定阈值的方差的第一卷积层内核并且将所述第一卷积层内核合并成单个内核；以及

合并来自第二卷积层中的被识别内核的对应深度切片。

6.根据权利要求1所述的系统，其中，转换预训练的CNN还包括以下操作：

从所述转换后的CNN中提取高维特征；以及

使用所提取的高维特征来训练分类器。

7.根据权利要求1所述的系统，其中，所述自主装置是自主交通工具。

8.根据权利要求1所述的系统，其中，所述自主装置是机器人。

9.一种用于卷积神经网络CNN的迁移学习的计算机实现方法，所述方法包括以下动作：

使一个或更多个处理器执行编码在非暂时性计算机可读介质上的指令，使得在执行所述指令时，所述一个或更多个处理器执行以下操作：

将针对彩色RGB输入预训练的CNN转换成能够应用至红外IR输入图像和灰阶输入图像的CNN，得到转换后的CNN，

其中，所述转换后的CNN包括一系列神经元卷积层，其中，各个卷积层处的神经元被布置在具有对应深度切片的一组内核中；以及

将所述转换后的CNN应用至至少一个红外IR输入图像或者灰阶输入图像；以及

检测所述至少一个红外IR输入图像或者灰阶输入图像中的对象；以及

基于所述对象的检测来控制自主装置的机械组件。

10.根据权利要求9所述的方法，其中，转换预训练的CNN还包括将第一卷积层的内核从RGB转换到灰阶的操作。

11.根据权利要求10所述的方法，其中，各个内核被视为RGB 3-通道图像并被转换成单通道灰阶图像。

12.根据权利要求10所述的方法，其中，转换所述预训练的CNN还包括以下操作：

识别并移除具有低于预定阈值的方差的第一卷积层内核；以及

从第二卷积层中的被识别内核移除对应深度切片。

13.根据权利要求10所述的方法，其中，转换所述预训练的CNN还包括以下操作：

识别具有低于预定阈值的方差的第一卷积层内核并将所述第一卷积层内核合并成单个内核；以及

合并来自第二卷积层中的被识别内核的对应深度切片。