[发明专利]一种基于可变形卷积神经网络的红外图像物体识别方法

摘要

本发明公开了一种基于可变形卷积神经网络的红外图像物体识别方法，包括构建训练集与测试集，搭建卷积神经网络架构，在最后一层加上softmax分类器，设置目标函数，采用线性或非线性变形的卷积核进行采样并在池化层采用目前业界最好的基于规则块采样的兴趣区域(region of interests,ROI)池化方法进行池化操作；按经验设置学习率参数，能很容易进行标准反向传播端到端的训练，从而得到可变形卷积网络。经实验证明，本发明在卷积神经网络中引入了学习空间几何形变的能力，更好地解决了具有空间形变的图像识别任务。提高了卷积神经网络的几何变换建模的能力，在目标检测和识别这些视觉任务上的有效性，成功学习到空间上密集的几何形变。

主权项

1.一种基于可变形卷积神经网络的红外图像物体识别方法，其特征在于，包括以下步骤：S1：收集数据库样本并设定训练集与测试集，其中数据库样本采用COCO、PASCAL VOC并设定类别和每一个类别在分类器中的编码，构建训练集；S2：搭建卷积神经网络架构，通过交迭若干个卷积层和池化层设置卷积神经网络的深度与宽度架构；S3：在卷积层采用可变形卷积核进行采样，通过加入一个额外的卷积层来学习offset偏移量，共享输入特征图，然后把输入特征图和训练得到的offset偏移量共同作为可变形卷积层的输入层，此时可变形卷积层采样点发生偏移，再进行卷积；S4：在池化层采用可变形兴趣区域进行池化操作，其中ROI被分为n*n个bin，被输入到一个额外的全连接层学习offset，然后通过一个可变形兴趣区域池化层使每个bin发生偏移；S5：在卷积神经网络的最后一层加上softmax分类器并设置目标函数；S6：设置学习率参数，采用后向传播算法，使用训练集训练卷积神经网络模型一次，使用的得到的训练后的模型去识别测试集数据，统计整体识别率；S7：重复步骤S6，直到目标函数值完全收敛，识别率不再提高为止，此时网络参数训练完毕，得到可变形卷积神经网络模板，即红外图像物体识别系统；S8：应用该系统进行红外图像识别。