[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

摘要

本发明提供了一种基于密集连接卷积网络超球体嵌入的目标重识别方法，首先依密级连接卷积网络DenseNet提取视频序列中水下形变目标特征，大幅度减轻梯度消失、强化特征传播、支持特征重用和参数学习过程，然后从细粒度分类角度，由局部整合到全局，以分组平均池化思想精炼提取水下形变目标各级特征，获得更为精准的水下形变目标特征表达能力，以超球体损失即角三重损失关注水下形变个体目标的类间差异，区分类内差异，避免直接度量水下形变个体目标编码特征之间的欧氏距离，构建多点布设的水下视觉系统完整的、连续的水下形变个体目标重识别模型。利用本发明最终完成水下形变目标个体在近距离多视场观测中的密切监督和过程追踪。

主权项

1.一种基于卷积核筛选SSD网络的ROV形变目标与小目标识别方法，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。