买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:斯特拉德视觉公司
摘要:本发明提供一种利用了1xH卷积的CNN方法及装置,其为了使用于满足KPIKeyPerformanceIndex,核心成果指标的硬件优化而提供的学习用于进行图像识别的CNN的参数,其特征在于,其包括:学习装置a使第1转置层或池化层将池化特征图上的像素按照各个ROI级联来生成综合特征图;b使1xH1卷积层利用将综合特征图的H1个通道内的特征级联来生成的第1重塑特征图而生成第1调整特征图,使1xH2卷积层利用将第1调整特征图的H2个通道内的特征级联来生成的第2重塑特征图而生成第2调整特征图;及c使第2转置层或分类层按照像素级而将第2调整特征图分离来生成像素级特征图。
主权项:1.一种学习方法,学习用于进行图像识别的CNN的参数,其特征在于,包括如下步骤:a当输入到至少一个训练图像时,学习装置i使至少一个卷积层对在上述训练图像上将ROI的区域裁切并调整大小来生成的各个ROI图像至少适用一次卷积运算来按照各个上述ROI生成与至少一个对象对应的至少一个ROI特征图,iiii-1使池化层对上述ROI特征图至少适用一次池化运算来按照各个上述ROI生成池化特征图,使第1转置层将按照各个上述ROI生成的上述池化特征图上的对应的相同的各个位置的各个像素按照各个上述ROI而级联来生成综合特征图,或者ii-2使上述池化层对上述ROI特征图适用池化运算来按照各个上述ROI生成上述池化特征图,使上述池化层将按照各个上述ROI生成的上述池化特征图上的对应的相同的各个位置的上述各个像素按照各个上述ROI级联来生成上述综合特征图;b上述学习装置b1i使第1重塑层将由上述综合特征图的所有通道中的各自对应的H1个通道构成的各个组内的各个特征级联来生成第1重塑特征图,ii使1xH1卷积层对上述第1重塑特征图适用1xH1卷积运算来生成调整了卷的第1调整特征图,b2i使第2重塑层将由上述第1调整特征图的所有通道中的各自对应的H2个通道构成的各个组内的各个特征级联来生成第2重塑特征图,ii使1xH2卷积层对上述第2重塑特征图适用1xH2卷积运算来生成调整了卷的第2调整特征图;及c上述学习装置c1i使第2转置层按照上述像素级将上述第2调整特征图分离来按照各个上述ROI生成像素级特征图,并使分类层利用按照上述ROI生成的上述像素级特征图来生成关于各个上述ROI的对象信息,或者ii使上述分类层按照上述像素级将上述第2调整特征图分离来按照各个上述ROI生成上述像素级特征图,使上述分类层利用按照各个上述ROI生成的上述像素级特征图来生成关于各个上述ROI的上述对象信息,然后c2使损失层参照上述对象信息和与此对应的GT来算出至少一个对象损失,从而将上述对象损失反向传播来学习上述1xH2卷积层、上述1xH1卷积层及上述卷积层中的至少一部分参数。
全文数据:
权利要求:
百度查询: 斯特拉德视觉公司 利用了1xH卷积的CNN方法及装置
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。