并行选取超参数设计多分支卷积神经网络识别行人的方法

    公开(公告)号:CN111582094B

    公开(公告)日:2022-04-22

    申请号:CN202010346203.1

    申请日:2020-04-27

    摘要: 本发明并行选取超参数设计多分支卷积神经网络识别行人的方法,包括步骤:1)初始化多分支卷积神经网络架构;2)自适应的根据具体任务,自动化筛选构建单元,迭代并行添加到各分支,构成精度和运算量可分离的分支卷积神经网络;3)验证评估,保留最高精度下降5%以内的所有模型,选择其中计算量最小的模型为选取结构;4)将最有筛选的多分支卷积神经网络拆分开来,单个分支使用或者两两分支组合作为基准模型,存储在终端设备,离线推理识别行人。本发明中多分支卷积神经网络的各个分支一起,根据具体的行人识别数据集,在每个迭代周期选取超1次参数,生成构建块,这些构建块并行添加到各分支去训练,然后选择出性能优异的超参数保存模型。

    基于多分支卷积神经网络的行人识别方法

    公开(公告)号:CN111582091A

    公开(公告)日:2020-08-25

    申请号:CN202010345173.2

    申请日:2020-04-27

    摘要: 本发明公开了一种基于多分支卷积神经网络的行人识别方法,包括步骤:1)初始化多分支卷积神经网络;2)边训练边筛选卷积核,作为构建块添加到各分支,构成精度和运算量可分离的多分支卷积神经网络;3)设置时间监测点和精度预估值,验证精度,如果低于精度预估值,则返回步骤2),如果和预估值相差5%以内则停止,相差大于5%则集训训练;4)继续训练,筛选多分支卷积神经网络的全连接层的超参数;5)最后设计生成的模型,存储到移动摄像头的硬件处理架构中,离线推理其拍摄到的视频或者图像中是否有人出现。本发明为行人识别设计多分支的卷积神经网络架构,加宽网络宽度,改进模型推理识别行人的整体网络性能。

    一种面向内存计算和室内是否有人的神经网络设计方法

    公开(公告)号:CN110363287A

    公开(公告)日:2019-10-22

    申请号:CN201910584312.4

    申请日:2019-07-01

    IPC分类号: G06N3/04 G06N3/063 G06N3/08

    摘要: 本发明公开了一种面向内存计算和室内是否有人的神经网络设计方法,设计超轻量级神经网络模型,即UL-CNN模型;将UL-CNN模型根据基于内存计算架构的芯片对高电平不敏感以及内存限制在2K*2K范围内的规则,使用定点化处理调整卷积运算和全连接矩阵运算方法,从而使UL-CNN模型应用在基于内存计算架构的Conv-Flash芯片上进行推理,最终进行室内是否有人检测。本发明在解决室内有人无人问题时,与其他主流CNN相比参数量和计算量减少,计算时间更短,但是准确率基本不变。

    基于多分支卷积神经网络的行人识别方法

    公开(公告)号:CN111582091B

    公开(公告)日:2023-05-02

    申请号:CN202010345173.2

    申请日:2020-04-27

    摘要: 本发明公开了一种基于多分支卷积神经网络的行人识别方法,包括步骤:1)初始化多分支卷积神经网络;2)边训练边筛选卷积核,作为构建块添加到各分支,构成精度和运算量可分离的多分支卷积神经网络;3)设置时间监测点和精度预估值,验证精度,如果低于精度预估值,则返回步骤2),如果和预估值相差5%以内则停止,相差大于5%则集训训练;4)继续训练,筛选多分支卷积神经网络的全连接层的超参数;5)最后设计生成的模型,存储到移动摄像头的硬件处理架构中,离线推理其拍摄到的视频或者图像中是否有人出现。本发明为行人识别设计多分支的卷积神经网络架构,加宽网络宽度,改进模型推理识别行人的整体网络性能。

    基于卷积神经网络降低单目相机位姿估计误差率的方法

    公开(公告)号:CN111583340B

    公开(公告)日:2023-03-31

    申请号:CN202010351019.6

    申请日:2020-04-28

    摘要: 本发明基于卷积神经网络降低单目相机位姿估计误差率的方法,是在单目相机条件下进行算法设计。该方法首先自主设计基于特征点提取与特征点匹配的卷积神经网络算法,从两张图像中提取不易随着光照角度等条件变化消失的点作为特征点,并对特征点使用256位向量进行描述作为特征点描述子。接着使用一个矩阵将特征点与描述子对应存储。之后对两张图像生成的特征点划定区域,依照特征点描述子计算各区域内的特征点之间的距离,将距离最小的特征点进行特征点匹配。特征点匹配精度比基于ORB得到的特征点匹配精度高了14%。然后将最小化得到的匹配对之间的投影误差,实现相机位姿估计。对比基于ORB进行相机位姿估计的绝对误差降低了50%。最后画出相机运行轨迹。

    一种面向内存计算和室内是否有人的神经网络设计方法

    公开(公告)号:CN110363287B

    公开(公告)日:2021-07-13

    申请号:CN201910584312.4

    申请日:2019-07-01

    IPC分类号: G06N3/04 G06N3/063 G06N3/08

    摘要: 本发明公开了一种面向内存计算和室内是否有人的神经网络设计方法,设计超轻量级神经网络模型,即UL‑CNN模型;将UL‑CNN模型根据基于内存计算架构的芯片对高电平不敏感以及内存限制在2K*2K范围内的规则,使用定点化处理调整卷积运算和全连接矩阵运算方法,从而使UL‑CNN模型应用在基于内存计算架构的Conv‑Flash芯片上进行推理,最终进行室内是否有人检测。本发明在解决室内有人无人问题时,与其他主流CNN相比参数量和计算量减少,计算时间更短,但是准确率基本不变。

    基于深度语义融合的卷积神经网络的三维语义图重建方法

    公开(公告)号:CN111583390A

    公开(公告)日:2020-08-25

    申请号:CN202010350966.3

    申请日:2020-04-28

    摘要: 本发明基于深度语义融合的卷积神经网络的三维语义图重建方法,是在单目相机条件下进行算法设计。该方法首先设计一个深度语义融合的卷积神经网络,对一直单目图像的每个像素点估计深度和预测语义。之后将深度估计的矩阵和语义分割的矩阵保存为深度图像和语义图像。然后以图像左上角为坐标原点为每个像素点建立三维坐标,结合每个像素点对应的RGB信息得到点云数据。最后生成三维语义图。相比与分别进行图像的深度估计和语义分割的两个卷积神经网络,基于深度语义融合的卷积神经网络在准确率几乎不变的情况下,参数量分别减少了20倍和40倍,同时网络推理时间缩短了一半。

    基于深度语义融合的卷积神经网络的三维语义图重建方法

    公开(公告)号:CN111583390B

    公开(公告)日:2023-05-02

    申请号:CN202010350966.3

    申请日:2020-04-28

    摘要: 本发明基于深度语义融合的卷积神经网络的三维语义图重建方法,是在单目相机条件下进行算法设计。该方法首先设计一个深度语义融合的卷积神经网络,对一直单目图像的每个像素点估计深度和预测语义。之后将深度估计的矩阵和语义分割的矩阵保存为深度图像和语义图像。然后以图像左上角为坐标原点为每个像素点建立三维坐标,结合每个像素点对应的RGB信息得到点云数据。最后生成三维语义图。相比与分别进行图像的深度估计和语义分割的两个卷积神经网络,基于深度语义融合的卷积神经网络在准确率几乎不变的情况下,参数量分别减少了20倍和40倍,同时网络推理时间缩短了一半。

    基于卷积神经网络降低单目相机位姿估计误差率的方法

    公开(公告)号:CN111583340A

    公开(公告)日:2020-08-25

    申请号:CN202010351019.6

    申请日:2020-04-28

    摘要: 本发明基于卷积神经网络降低单目相机位姿估计误差率的方法,是在单目相机条件下进行算法设计。该方法首先自主设计基于特征点提取与特征点匹配的卷积神经网络算法,从两张图像中提取不易随着光照角度等条件变化消失的点作为特征点,并对特征点使用256位向量进行描述作为特征点描述子。接着使用一个矩阵将特征点与描述子对应存储。之后对两张图像生成的特征点划定区域,依照特征点描述子计算各区域内的特征点之间的距离,将距离最小的特征点进行特征点匹配。特征点匹配精度比基于ORB得到的特征点匹配精度高了14%。然后将最小化得到的匹配对之间的投影误差,实现相机位姿估计。对比基于ORB进行相机位姿估计的绝对误差降低了50%。最后画出相机运行轨迹。

    并行选取超参数设计多分支卷积神经网络识别行人的方法

    公开(公告)号:CN111582094A

    公开(公告)日:2020-08-25

    申请号:CN202010346203.1

    申请日:2020-04-27

    摘要: 本发明并行选取超参数设计多分支卷积神经网络识别行人的方法,包括步骤:1)初始化多分支卷积神经网络架构;2)自适应的根据具体任务,自动化筛选构建单元,迭代并行添加到各分支,构成精度和运算量可分离的分支卷积神经网络;3)验证评估,保留最高精度下降5%以内的所有模型,选择其中计算量最小的模型为选取结构;4)将最有筛选的多分支卷积神经网络拆分开来,单个分支使用或者两两分支组合作为基准模型,存储在终端设备,离线推理识别行人。本发明中多分支卷积神经网络的各个分支一起,根据具体的行人识别数据集,在每个迭代周期选取超1次参数,生成构建块,这些构建块并行添加到各分支去训练,然后选择出性能优异的超参数保存模型。