[发明专利]一种基于深度学习的数据中心云端目标识别方法

说明书

本发明公开了一种基于深度学习的数据中心云端目标识别方法，目的是提高小目标的识别准确度及大图幅图像的检测效果。技术方案是构建包含维度聚类模块、功能模块的基于深度学习的数据中心云端目标识别系统，构建的卷积神经网络的输出层中定义有聚焦损失函数，功能模块中包含分割检测函数，充分利用训练集待训练图片的特征，通过维度聚类模块提炼先验信息，聚焦损失函数使网络的训练侧重于小目标，利用分割检测函数分块检测大图幅图像。本发明维度聚类模块从训练集标签文件提取训练集的先验信息，提高了目标的定位准确度，聚焦损失函数提高了小目标的识别准确度，分割检测函数进一步提高了大图幅图像的检测速度和检测的准确度。

技术领域

本发明涉及目标识别领域，尤其涉及一种基于深度学习的数据中心云端目标识别方法。

背景技术

近年来随着深度学习技术的发展，使得以原始数据作为输入，实现端到端(End-to-End)的学习过程成为可能。卷积神经网络(Convolutional Neural Networks，CNN)具有很强的特征提取和学习能力。因此，现有的基于深度学习的目标检测方法多基于卷积神经网络，通过对大规模数据进行训练、学习，获取其中最有效的深层特征，并通过建立相对复杂的网络结构，充分挖掘数据之间的关联，从而实现了端到端的目标识别。

如图1所示，现有的基于深度学习的目标检测系统由输入输出模块、功能模块、解析模块、网络层模块、神经网络构建模块，cfg配置文件和网络权重文件构成。

cfg配置文件与解析模块相连，cfg配置文件记载构建卷积神经网络的网络参数供解析模块读取，该网络参数分为网络层参数及网络结构参数。网络层参数包括各网络层(卷积神经网络包括输入层、卷积层、池化层、全连接层以及输出层)的每个特征图的神经元个数(即层的大小)及特征图的个数(即层的维数)，其中，卷积神经网络的输出层记载先验框的尺寸，先验框的尺寸根据普通图像的尺寸和比例设定(一般等于普通图像的尺寸和比例放大或缩小)，该值是固定的；网络结构参数包括组成神经网络的各网络层的类型、数目及组合方式。

网络权重文件与神经网络构建模块、功能模块相连，网络权重文件存贮从功能模块接收的网络权重参数供神经网络构建模块读取。网络权重参数指神经网络层与层之间连接时的各神经元的输入输出关系的表达式的系数。

解析模块与cfg配置文件、网络层模块、神经网络构建模块相连，该模块从cfg配置文件读取构建神经网络的网络参数，将网络参数解析为网络层参数和网络结构参数，并将网络层参数发给网络层模块，将网络结构参数发送给神经网络构建模块。

网络层模块与解析模块、神经网络构建模块相连，该模块从解析模块接收网络层参数，利用网络层参数实例化各网络层，将实例化后的网络层发送给神经网络构建模块；其中，卷积神经网络的输出层中定义了损失函数，损失函数是度量卷积神经网络的输出的预测值与真实值之间的差距的函数。损失函数的值越小，就代表模型拟合的越好。常用的损失函数有0-1损失函数、绝对值损失函数、平方损失函数和交叉熵损失函数等。现有的用于目标识别的卷积神经网络所采用的损失函数是基于平方损失函数的形式，主要适用于普通图像的识别(普通图像中待测目标尺寸占全图的比例较高、目标数目较少，分布较稀疏)，未对大小目标进行区分。

CNN使用训练函数进行训练，训练函数对CNN的训练分为两个阶段：前向传播和反向传播。在前向传播阶段，依次调用每个层的Forward(前向传播)函数，得到逐层的输出，最后一层(即输出层)输出预测值，损失函数将预测值与样本真实值比较得到损失函数值；然后输出层的Backward(反向传播)函数计算权重参数更新值，依次调用每个层的Backward(反向传播)函数，通过反向传播逐层到达第一层，网络权重参数在反向传播结束时一起更新。随着训练进行，网络权重参数不断更新，损失函数值不断减少，即网络输出的预测值与真实值误差也越来越小。当损失函数的值不再减少时，表示训练完成，得到网络权重参数。选择不同的损失函数，将会使得神经网络的训练侧重方向不同，训练过程中各层的权重的更新值也就会不同，最后神经网络模型的检测效果也就会不同。