目标检测方法及装置、嵌入式设备制造方法及图纸

本申请公开了一种目标检测方法及装置、嵌入式设备。该方法包括在目标检测网络的骨干网络中将卷积层替换为：一深度卷积层和一点卷积层；根据多个不同尺度的特征图输出预测结果；其中，所述骨干网络中包括：卷积层、批归一化层、激活函数层。本申请解决了目标检测运算量大、预测速度慢的技术问题。通过本申请在较少损失网络表达能力的前提下，极大的压缩了模型的存储体积和计算量。此外，本申请可适用于手机等嵌入式设备。

【技术实现步骤摘要】
目标检测方法及装置、嵌入式设备
本申请涉及计算机视觉领域，具体而言，涉及一种目标检测方法及装置、嵌入式设备。
技术介绍
随着计算机视觉的快速发展，人脸识别，物体检测等领域已经有了很大的进展，尤其在准确率上有了很大的提升，很多深层次网络的出现更是加快了人脸识别，物体检测等领域的进展，在很多计算机视觉的公开数据集上，都有了很大的飞跃，比如，人脸识别LFW数据集，准确率已经达到99.83％，远超人眼准确度。又比如，PascalVOC数据集，物体检测也将近90％的准确率，再比如，COCO数据集，物体检测达到50％以上的准确率。专利技术人发现，很多准确率高的方法都是基于很大的网络。然而它们也有着运行速度慢、同时训练时间长的弊端。针对相关技术中目标检测运算量大、预测速度慢的问题，目前尚未提出有效的解决方案。
技术实现思路
本申请的主要目的在于提供一种目标检测方法及装置、嵌入式设备，以解决目标检测运算量大、预测速度慢的问题。为了实现上述目的，根据本申请的一个方面，提供了一种目标检测方法。根据本申请的目标检测方法包括：在目标检测网络的骨干网络中将卷积层替换为：一深度卷积层和一点卷积层；根据多个不同尺度的特征图输出预测结果；其中，所述骨干网络中包括：卷积层、批归一化层、激活函数层。进一步地，在目标检测网络的骨干网络中将卷积层替换为：3*3深度卷积层和1*1点卷积层。进一步地，根据多个不同尺度的特征图输出预测结果包括：采用MobileNets网络块对所述骨干网络的最后一层的特征图做预设缩放。进一步地，在目标检测网络的骨干网络中将卷积层替换为：一深度卷积层和一点卷积层包括：在SSD目标检测网络的骨干网络中以MobileNets作为骨干网络的SSD网络的检测模型。进一步地，根据多个不同尺度的特征图输出预测结果包括：在服务器端采用MobileNets结构网络块构造多个不同尺度的特征图进行目标检测，得到用于多项基于深度学习的检测任务。进一步地，根据多个不同尺度的特征图输出预测结果包括：在移动端采用MobileNets结构网络块构造多个不同尺度的特征图进行目标检测，得到用于多项基于深度学习的检测任务。为了实现上述目的，根据本申请的另一方面，提供了一种目标检测装置。根据本申请的目标检测装置包括：替换模块，用于在目标检测网络的骨干网络中将卷积层替换为：一深度卷积层和一点卷积层；多尺度输出模块，用于根据多个不同尺度的特征图输出预测结果；其中，所述骨干网络中包括：卷积层、批归一化层、激活函数层。进一步地，所述替换模块还用于，在SSD目标检测网络的骨干网络中将卷积层替换为：3*3深度卷积层和1*1点卷积层。进一步地，所述多尺度输出模块还用于，采用MobileNets网络块对所述骨干网络的最后一层的特征图做预设缩放。为了实现上述目的，根据本申请的另一方面，提供了一种嵌入式设备，包括：所述的目标检测装置。在本申请实施例中，采用在目标检测网络的骨干网络中将卷积层替换为：一深度卷积层和一点卷积层的方式，通过根据多个不同尺度的特征图输出预测结果，达到了目标检测算法可应用于嵌入式设备以及实时性的目的，从而实现了在较少损失网络表达能力的前提下，极大的压缩了模型的存储体积和计算量的技术效果，进而解决了目标检测运算量大、预测速度慢的技术问题。附图说明构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1是根据本申请实施例的目标检测方法示意图；图2是根据本申请实施例的目标检测装置示意图；图3是根据本申请实施例的目标检测原理示意图；以及图4是根据本申请实施例的MobileNets网络结构原理。具体实施方式为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。如图1所示，该方法包括如下的步骤S102至步骤S104：步骤S102，在目标检测网络的骨干网络中将卷积层替换为：一深度卷积层和一点卷积层；所述骨干网络中包括：卷积层、批归一化层、激活函数层。主干网络部分使用两个低维度卷积核代替一个传统卷积核。两个低维度卷积可以是一个深度卷积层和一个点卷积层。采用该种替换方式不但减少了参数个数和计算量，而且增加了网络深度，提高了网络的非线性性，有助于提高网络的表达能力具体地，在目标检测网络的骨干网络中将卷积层替换为：3*3深度卷积层和1*1点卷积层。从网络结构角度提升模型的检测速度、压缩模型体积。步骤S104，根据多个不同尺度的特征图输出预测结果；为了增加算法对于多尺度目标的检测能力，本算法并没有像大多数检测算法一样使用最后一个特征图进行预测，而是使用了多个不同尺度的特征图。优选地，根据多个不同尺度的特征图输出预测结果包括：采用MobileNets网络块对所述骨干网络的最后一层的特征图做预设缩放。具体地，使用MobileNets结构网络块构造多个不同尺度的特征图进行目标检测，提升了模型对多个不同尺度目标的检测效果。此外，根据多个不同尺度的特征图输出预测结果包括：在服务器端采用MobileNets结构网络块构造多个不同尺度的特征图进行目标检测，得到用于多项基于深度学本文档来自技高网...

【技术保护点】
1.一种目标检测方法，其特征在于，包括：在目标检测网络的骨干网络中将卷积层替换为：一深度卷积层和一点卷积层；根据多个不同尺度的特征图输出预测结果；其中，所述骨干网络中包括：卷积层、批归一化层、激活函数层。

【技术特征摘要】
1.一种目标检测方法，其特征在于，包括：在目标检测网络的骨干网络中将卷积层替换为：一深度卷积层和一点卷积层；根据多个不同尺度的特征图输出预测结果；其中，所述骨干网络中包括：卷积层、批归一化层、激活函数层。2.根据权利要求1所述的目标检测方法，其特征在于，在目标检测网络的骨干网络中将卷积层替换为：3*3深度卷积层和1*1点卷积层。3.根据权利要求1所述的目标检测方法，其特征在于，根据多个不同尺度的特征图输出预测结果包括：采用MobileNets网络块对所述骨干网络的最后一层的特征图做预设缩放。4.根据权利要求1所述的目标检测方法，其特征在于，在目标检测网络的骨干网络中将卷积层替换为：一深度卷积层和一点卷积层包括：在SSD目标检测网络的骨干网络中以MobileNets作为骨干网络的SSD网络的检测模型。5.根据权利要求1所述的目标检测方法，其特征在于，根据多个不同尺度的特征图输出预测结果包括：在服务器端采用MobileNets结构网络块构造多个不同尺度的特征图进行目...

【专利技术属性】
技术研发人员：王兆男，张默，
申请(专利权)人：北京陌上花科技有限公司，
类型：发明
国别省市：北京,11