一种基于多尺度检测的深度神经网络.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107220703A(43)申请公布日2017.09.29(21)申请号201611251241.9(22)申请日2016.12.29(71)申请人恩泊泰（天津）科技有限公司地址300000天津市南开区华苑产业区华天道2号2100室-B1018（集中办公区）(72)发明人王曦周冕谢晓靓宋健明赵贵平王震(51)Int.Cl.G06N3/04(2006.01)权利要求书1页说明书2页附图1页(54)发明名称一种基于多尺度检测的深度神经网络(57)摘要本发明一种基于多尺度检测的深度神经网络，在不同的网络层上设置多个检测网络，这样就解决了尺度变化的问题，即可以检测出小物体也可以检测大物体；在同一个网络层上设置多个不同大小不同形状的检测器，这样就解决了形状变化的问题；设置一个全新的合并层，将上面多个检测结果进行合并，共下面的分类网络使用；为了同时保留低层的细节信息和高层的全局信息，使用了一个特殊的反卷积层，对高层的特征层进行升维处理，并和低层的特征层进行特征合并，形成了新的特征图，然后对这个新的特征层进行ROIPooling处理，本发明大大缓解了深度神经网络在ADAS中的应用。CN107220703ACN107220703A权利要求书1/1页1.一种基于多尺度检测的深度神经网络，其特征在于：在不同的网络层上设置多个检测网络，这样就解决了尺度变化的问题，即可以检测出小物体也可以检测大物体；在同一个网络层上设置多个不同大小不同形状的检测器，这样就解决了形状变化的问题；设置一个全新的合并层，将上面多个检测结果进行合并，共下面的分类网络使用；为了同时保留低层的细节信息和高层的全局信息，使用了一个特殊的反卷积层，对高层的特征层进行升维处理，并和低层的特征层进行特征合并，形成了新的特征图，然后对这个新的特征层进行ROIPooling处理。2.根据权利要求1所述的一种基于多尺度检测的深度神经网络，其特征在于：结构为一个典型的倒金字塔结构，越靠近输入端的网络层，其特征图越大，越靠近输出层的网络层，其特征图越小。3.根据权利要求1所述的一种基于多尺度检测的深度神经网络，其特征在于：深度神经网络中，越靠近输入层的网络层，特征图对目标的细节保留的越好，越靠近输出层的网络层，特征图越表达高层信息，对大目标描述的越细致。2CN107220703A说明书1/2页一种基于多尺度检测的深度神经网络技术领域[0001]本发明专利属于测距领域，尤其涉及一种基于多尺度检测的深度神经网络。背景技术[0002]随着中国汽车抱有辆的增多，中国的车祸也随之增多。因此ADAS(高级行车辅助系统)应运而生，并大大提高了行车的安全性。但是传统的ADAS有其先天的缺陷：对环境感知的性能不佳，只能感知有限的物体。近年来随着深度学习的发展，其强大的环境认知能力得到了越来越多研究者和工程师的认可，并将越来越广泛的得到应用。在汽车领域，环境感知也是也是其系统的重要组成部分，深度学习其强大的感知能力也应用到汽车系统上。但是汽车有其特殊的需求：1.车载相机为了实时性，其分辨率比常用的相机分辨率小，2.在相机视野范围内，很多不同大小的目标，最小的只有不到16x16个像素，最大的目标可以覆盖整个画面。这些都为检测提出了非常高的需求。本发明就是为了解决这样的尺度问题，并着重解决小目标的检测问题。[0003]发明专利内容[0004]本发明旨在解决ADAS中的环境感知问题，并且尤其解决的是深度神经网络中对尺度变化的物体效果较差，尤其在物体上的性能最差。传统的深度神经网络为了能应用于物体检测，将目标定位和目标分类分为2个子网络进行。首先使用一个简单的定位网络，对图像中的目标进行定位，然后使用ROIPooling技术，使用第一个字网络的输出从共享层中提取物体的特征，然后送入第二个子网中进行识别。这里就有一个问题目标识别的精度取决于特征的分辨率。传统的算法中，使用的是下采16x16的特征层进行特征提取，因此理论上识别物体的最小大小为16x16个像素，再加上特征的误差，因此实际上物体最小大小可能为24x24或者32x32。综上所述，深度神经网络在检测小目标物体中性能较差。此问题大大制约了深度神经网络在ADAS中的应用。[0005]一种基于多尺度检测的深度神经网络，在不同的网络层上设置多个检测网络，这样就解决了尺度变化的问题，即可以检测出小物体也可以检测大物体；在同一个网络层上设置多个不同大小不同形状的检测器，这样就解决了形状变化的问题；设置一个全新的合并层，将上面多个检测结果进行合并，共下面的分类网络使用；为了同时保留低层的细节信息和高层的全局信息，使用了一个特殊的反卷积层，对高层的特征层进行升维处理，并和低层的特征层进行特征合并，形成了新的