[发明专利]一种基于目标检测网络的闭环检测方法在审

专利信息
申请号: 202011206238.1 申请日: 2020-11-02
公开(公告)号: CN112464989A 公开(公告)日: 2021-03-09
发明(设计)人: 王建萍;郝锐 申请(专利权)人: 北京科技大学
主分类号: G06K9/62 分类号: G06K9/62;G06N3/04;G06N3/08
代理公司: 北京市广友专利事务所有限责任公司 11237 代理人: 张仲波
地址: 100083*** 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: 一种 基于 目标 检测 网络 闭环 方法
【权利要求书】:

1.一种基于目标检测网络的闭环检测方法,其特征在于,包括:

采集环境的图像,制作数据集;

构建目标检测网络,利用所述数据集对构建的目标检测网络进行训练;其中,训练好的目标检测网络能够输出图像的特征向量并定位出图像中的移动物体;

利用训练好的目标检测网络处理机器人实时采集的图像,当检测到移动物体时,对移动物体区域进行背景修复处理后,重新输入目标检测网络生成新的特征向量,对新生成的特征向量进行主成分分析后,得到图像的描述向量,将该描述向量与特征库中的描述向量进行相似度计算,如果相似度大于预设的阈值,则检测到闭环;否则,则没有发生闭环。

2.根据权利要求1所述的基于目标检测网络的闭环检测方法,其特征在于,所述数据集包括:训练集和测试集;

所述采集环境的图像,制作数据集包括:

在一天的不同时刻,使用机器人携带的图像传感器采集环境的图像,利用标注工具标注出图像中的移动物体,并将其记录在标注文件中,随机选取一部分图像和对应的标注文件作为训练集,剩余的图像和对应的标注文件作为测试集。

3.根据权利要求2所述的基于目标检测网络的闭环检测方法,其特征在于,所述构建目标检测网络,利用所述数据集对构建的目标检测网络进行训练包括:

选择教师网络,构建目标检测网络,其中,所述目标检测网络包括:特征网络和检测网络,所述特征网络的结构以选择的教师网络为基准;

输入所述数据集,利用知识蒸馏技术训练特征网络,在训练后的特征网络的基础上训练检测网络,联合特征网络和检测网络的损失函数,利用所述数据集对整个目标检测网络进行微调训练。

4.根据权利要求3所述的基于目标检测网络的闭环检测方法,其特征在于,所述输入所述数据集,利用知识蒸馏技术训练特征网络包括:

将训练集图像同时输入特征网络和教师网络,其中,经过教师网络的前向推论和Softmax(T)操作后,得到训练集图像的类别概率分布T-Prob,经过特征网络的前向推论和Softmax(T)操作后,得到训练图像的类别概率分布G-Prob,其中,T表示温度系数;

利用KL散度公式衡量T-Prob和G-Prob的近似程度,作为特征网络的损失函数;

计算特征网络的损失函数值后进行反向传播,其中,每训练一轮后都在测试集上进行测试,如果在测试集上的特征网络的损失函数值增大,则提前结束训练,否则继续训练,直至当前迭代次数大于等于预设的训练次数。

5.根据权利要求4所述的基于目标检测网络的闭环检测方法,其特征在于,特征网络的损失函数表示为:

其中,loss1表示特征网络的损失函数值,KL()表示散度公式,x表示神经网络的权重参数。

6.根据权利要求3所述的基于目标检测网络的闭环检测方法,其特征在于,所述在训练后的特征网络的基础上训练检测网络包括:

固定特征网络的权重参数,利用特征网络提取的图像的特征向量训练检测网络;

其中,在检测网络的训练过程中,以训练集中的标注文件作为检测网络的标签,计算检测网络的损失函数值loss2。

7.根据权利要求3所述的基于目标检测网络的闭环检测方法,其特征在于,所述联合特征网络和检测网络的损失函数,利用所述数据集对整个目标检测网络进行微调训练包括:

特征网络、检测网络和教师网络载入对应的权重文件;

联合loss1和loss2,得到整个目标检测网络的损失函数total_loss;

根据得到的目标检测网络的损失函数total_loss,利用所述数据集对整个目标检测网络进行微调训练。

8.根据权利要求7所述的基于目标检测网络的闭环检测方法,其特征在于,目标检测网络的损失函数total_loss表示为:

total_loss=loss1*(1-α)+loss2*α

其中,α表示权重系数。

9.根据权利要求1所述的基于目标检测网络的闭环检测方法,其特征在于,所述方法还包括:

当没有检测到移动物体时,对目标检测网络输出的特征向量进行主成分分析得到图像的描述向量,将该描述向量与特征库中的描述向量进行相似度计算,如果相似度大于预设的阈值,则检测到闭环,如果小于预设的阈值,则没有发生闭环,并将当前的位置信息和该描述向量加入到特征库中。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

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北京科技大学,未经北京科技大学许可,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/202011206238.1/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code