[发明专利]基于新型神经网络的多任务场景语义理解模型及其应用有效
| 申请号： | 201710453745.7 | 申请日： | 2017-06-15 |
| 公开（公告）号： | CN107704866B | 公开（公告）日： | 2021-03-23 |
| 发明（设计）人： | 马惠敏;陈晓智;郭寒冰;唐锐;王凡 | 申请（专利权）人： | 清华大学;纵目科技（上海）股份有限公司 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06K9/00;G06N3/08 |
| 代理公司： | 上海光华专利事务所(普通合伙) 31219 | 代理人： | 徐秋平 |
| 地址： | 10008*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提供了轻量、高效的神经网络模型，并基于该模型设计了多任务场景语义理解模型。神经网络包括五个阶段：阶段一采用mC.ReLU模块；阶段二先采用Max‑Pooling进行下采样，后采用多个Block‑B模块；阶段三采用多个Block‑B模块和多个Block‑D模块；阶段四采用多个Block‑A模块和多个Block‑C模块；阶段五采用多个Block‑A模块。多任务场景语义理解模型包括：神经网络模型、多级融合网络、多任务语义预测网络，神经网络模型和多级融合网络对不同的任务共享以作为共有的特征提取器。本发明可应用于自动驾驶场景感知领域，有助于实现道路障碍物检测、场景语义分割、实时多任务语义预测。 | ||
| 搜索关键词： | 基于 新型 神经网络 任务 场景 语义 理解 模型 及其 应用 | ||
【主权项】：
一种神经网络模型，其特征在于，所述神经网络模型包括五个阶段：第一阶段采用mC.ReLU模块；第二阶段首先采用Max‑Pooling进行下采样，然后采用多个Block‑B模块，其中，每个所述Block‑B模块为采用对称卷积的mC.ReLU瓶颈结构；第三阶段采用多个Block‑B模块和多个Block‑D模块，其中，每个所述Block‑D模块为采用非对称卷积的mC.ReLU瓶颈结构；第四阶段采用多个Block‑A模块和多个Block‑C模块，其中，每个所述Block‑A模块为采用对称卷积的瓶颈结构，每个所述Block‑C模块为采用非对称卷积的瓶颈结构；第五阶段采用多个Block‑A模块。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于清华大学;纵目科技（上海）股份有限公司，未经清华大学;纵目科技（上海）股份有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201710453745.7/，转载请声明来源钻瓜专利网。
