[发明专利]基于DHT网络的R-CNN网络优化方法、存储介质

说明书

本发明基于DHT网络的R‑CNN网络优化方法、存储介质，方法包括：提取各个候选框对应的特征值集；将各个特征值集中的特征值分类存储至DHT网络的不同存储块中，且特征值在存储块中的存储区域对应其候选框在图片中的排版；使用非等价进位均值算法顺序计算各个存储块中前后两组特征值的均值是否相等，合并均值相等的两组特征值的存储区域，并以所述均值为其节点ID，其中，相邻两个特征值为一组特征值；将DHT网络的各个存储块的节点ID进行归一化处理后，传入R‑CNN网络。本发明能够显著提高算力和效率，更快速、高效地获取计算结果；同时，又能减少内存占用，优化内存和系统性能；进一步地，还能降低查找难度。

技术领域

本发明涉及R-CNN网络的对象检测领域，具体涉及基于DHT网络的R-CNN网络优化方法、存储介质。

背景技术

R-CNN为基于区域的卷积神经网络。目前的实现方式为输入图像；用选择性搜索算法在图像中提取2000个左右的候选框，并把候选框缩放为固定大小；将归一化后的候选框输入CNN网络，提取特征；对于每个候选框提取到的CNN特征，再用SVM分类来做识别，用线性回归来微调边框位置与大小，对每个类别单独训练一个边框回归器，整个过程为最初的基于区域的卷积神经网络(R-CNN)实现方式。

针对于R-CNN的优化算法，目前已有的优化方式：无论是fast-RCNN还是SPP-net等，都是改变选取方式，对整副图像做一次CNN特征提取然后再通过选择性搜索算法提取区域候选框，投影到最后的特征层。

其中的选择性搜索算法中，要先生成区域集R＝{r1,.....rn}；计算区域集R里每个相邻区域的相似度S＝{ri,rj}；找出相似度最高的区域max(S)＝{ri,rj}，将其合并为新集rt＝ri∪rj，添加进R；从S中移除所有ri,rj相关的子集；计算新集合rt与所有与它相邻区域的相似性s(rt,r*)；R＝R∪rt；重复以上步骤，直到S集合为空。

上述操作中需要提取2000个左右的候选框后，对候选框内的各数据进行相似度重复计算合并，计算量很大，而且会进行重复计算；其次，对于卷积出来的特征数据还需要单独进行保存，占用磁盘空间大，且并不会对数据进行分类，增大查找难度。

发明内容

本发明所要解决的技术问题是：提供基于DHT网络的R-CNN网络优化方法、存储介质，更少占用资源、更快速地得出计算结果、更易于查找。

为了解决上述技术问题，本发明采用的技术方案为：

基于DHT网络的R-CNN网络优化方法，包括：

S1：提取各个候选框对应的特征值集；

S2：将各个特征值集中的特征值分类存储至DHT网络的不同存储块中，且特征值在存储块中的存储区域对应其候选框在图片中的排版；

S3：使用非等价进位均值算法顺序计算各个存储块中前后两组特征值的均值是否相等，合并均值相等的两组特征值的存储区域，并以所述均值为其节点ID，其中，相邻两个特征值为一组特征值；

S4：将DHT网络的各个存储块的节点ID进行归一化处理后，传入R-CNN网络。

本发明提供的另一个技术方案为：

一种计算机可读存储介质，其上存储有计算机程序，所述程序在被处理器执行后，能够实现上述基于DHT网络的R-CNN网络优化方法所包含的步骤。