一种应用于目标检测的模型的搜索方法、设备及可读介质技术

本发明专利技术公开了一种应用于目标检测的模型的搜索方法，包括以下步骤：接收输入信息并解析，以确定目标要求；判断目标要求是否唯一；响应于目标要求不唯一，分别对多个目标要求分配权重；根据多个目标要求及相应权重计算每个算法框架的概率值；选择概率值最高的算法框架与自动机器学习算法结合搜索最优模型。本发明专利技术还公开了一种计算机设备和可读存储介质。本发明专利技术提出的应用于目标检测的模型的搜索方法及装置可以大幅减少搜索时间，并可以应用于任意的目标检测任务中，能够取得比原始算法框架更好的效果。

A search method, device and readable medium of model applied to target detection

【技术实现步骤摘要】
一种应用于目标检测的模型的搜索方法、设备及可读介质
本专利技术涉及目标检测领域，更具体地，特别是指一种应用于目标检测的模型的搜索方法、设备及可读介质。
技术介绍
随着人工智能技术的发展，目标检测作为人工智能的一个重要应用，广泛应用于越来越多的领域。比如人脸识别，行人检测等。与此同时，各种各样的目标检测算法也应用而生，包括SSD，YOLOv3，FasterR-CNN等。然而面对不同的检测任务，一方面，选取哪一种的模型进行检测是一大难点，另一方面，模型现有的网络结构在不同的目标检测任务上的表现也值得关注。很多时候在某一领域使用机器学习得到了效果很好的模型，在另一个领域使用该模型并不一定适用，受此限制，AutoML得以迅速发展。面向神经网络的AutoML算法，其核心是神经架构搜索(NeuralArchitectureSearch，NAS)，目标是从一系列神经网络组件中，搜索到一个好的神经网络结构。常见的搜索方法包括随机搜索、贝叶斯优化、进化算法、强化学习、基于梯度的算法等。由于搜索空间太大，NAS会消耗很多的时间，当前已提出了很多的加速方法，例如ENAS(EfficientNeuralArchitectureSearch)，多个架构之间共享权重，以及单路径one-shot方法。这些方法都在推动着AutoML的发展。但现有技术中针对不同目标检测任务存在以下不足：没有系统的方法针对不同的检测任务自动选择不同的目标检测算法框架；目标检测算法网络结构单一，无法适用于不同的检测任务，且人工设计网络结构的成本太高。r>
技术实现思路
有鉴于此，本专利技术实施例的目的在于提出一种应用于目标检测的模型的搜索方法及装置，主要是根据检测任务目标和输入数据的不同，选择出最优的模型框架，然后结合AutoML在数据集上自动搜索得到最优网络结构，也即是得到最优的模型，不仅大大减少了搜索所需的时间，还能够有效提高目标检测的精度。基于上述目的，本专利技术实施例的一方面提供了一种应用于目标检测的模型的搜索方法，包括如下步骤：接收输入信息并解析，以确定目标要求；判断目标要求是否唯一；响应于目标要求不唯一，分别对多个目标要求分配权重；根据多个目标要求及相应权重计算每个算法框架的概率值；选择概率值最高的算法框架与自动机器学习算法结合搜索最优模型。在一些实施方式中，还包括：预先设置不同目标要求对应的权重。在一些实施方式中，选择概率值最高的算法框架与自动机器学习算法结合搜索最优模型包括：判断概率值最高的算法框架是否唯一。在一些实施方式中，选择概率值最高的算法框架与自动机器学习算法结合搜索最优模型还包括：响应于概率值最高的算法框架不唯一，分别用概率值最高的算法框架对目标要求进行检测，根据检测效果选择最好的算法框架。在一些实施方式中，选择概率值最高的算法框架与自动机器学习算法结合搜索最优模型还包括：用概率值最高的算法框架与自动机器学习算法结合后的卷积层替换算法框架原有的卷积层。本专利技术实施例的另一方面，还提供了一种计算机设备，包括：至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行以实现如下步骤：接收输入信息并解析，以确定目标要求；判断目标要求是否唯一；响应于目标要求不唯一，分别对多个目标要求分配权重；根据多个目标要求及相应权重计算每个算法框架的概率值；以及选择概率值最高的算法框架与自动机器学习算法结合搜索最优模型。在一些实施方式中，步骤还包括：预先设置不同目标要求对应的权重。在一些实施方式中，选择概率值最高的算法框架与自动机器学习算法结合搜索最优模型包括：判断概率值最高的算法框架是否唯一。在一些实施方式中，选择概率值最高的算法框架与自动机器学习算法结合搜索最优模型还包括：响应于概率值最高的算法框架不唯一，分别用概率值最高的算法框架对目标要求进行检测，根据检测效果选择最好的算法框架。本专利技术实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时执行如上方法的计算机程序。本专利技术具有以下有益技术效果：根据检测任务目标和输入数据的不同，选择出最优的模型框架，然后结合AutoML在数据集上自动搜索得到最优网络结构，也即是得到最优的模型，不仅大大减少了搜索所需的时间，还能够有效提高目标检测的精度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。图1为本专利技术提供的应用于目标检测的模型的搜索方法的实施例的示意图；图2为本专利技术提供的应用于目标检测的模型的搜索方法的实施例的流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术实施例进一步详细说明。需要说明的是，本专利技术实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本专利技术实施例的限定，后续实施例对此不再一一说明。基于上述目的，本专利技术实施例的第一个方面，提出了一种应用于目标检测的模型的搜索方法的实施例。图1示出的是本专利技术提供的应用于目标检测的模型的搜索方法的实施例的示意图。如图1所示，本专利技术实施例包括如下步骤：S1、接收输入信息并解析，以确定目标要求；S2、判断目标要求是否唯一；S3、响应于目标要求不唯一，分别对多个目标要求分配权重；S4、根据多个目标要求及相应权重计算每个算法框架的概率值；以及S5、选择概率值最高的算法框架与自动机器学习算法结合搜索最优模型。接收输入信息并解析，以确定目标要求。在本实施例中，输入信息为目标检测的相关信息，可以包括任务目标和图片。对任务目标进行解析可以确定目标需求等信息，目标需求可以包括检测精度和检测速度；对图片进行解析可以提取关键信息，关键信息可以包括图片的尺寸、分辨率和标签等信息，在本专利技术实施例中，目标要求可以包括目标需求以及图片的关键信息。判断目标要求是否唯一。如果目标要求唯一，将会根据唯一的目标要求选择算法框架。例如目标要求为检测时间小于1s，如果其他的基础条件均满足，则优先选择检测速度最快的算法框架。如果目标要求不唯一，将会分别对多个目标要求分配权重。例如，同时要求检测时间和检测精度，可以对检测精度分配0.7，对检测时间分配0.3。在一些实施方式中，方法还包括：预先设置不同目标要求对应的权重。然后根据分配权重后的目标要求计算每个算法框架的概率值。选择算法框架的方式可以如下：当目标要求对精度的要求大于第一阈值时，采用第一算法框架；当目标要求中目标大小差异值大于第二阈值时，采用第二算法框架；当目标要求对速度的要求大于第三阈值时，对精度的要求低于第四阈值时，采用第三算法框架本文档来自技高网...

【技术保护点】
1.一种应用于目标检测的模型的搜索方法，其特征在于，包括：/n接收输入信息并解析，以确定目标要求；/n判断所述目标要求是否唯一；/n响应于所述目标要求不唯一，分别对多个所述目标要求分配权重；/n根据多个所述目标要求及相应权重计算每个算法框架的概率值；以及/n选择概率值最高的算法框架与自动机器学习算法结合搜索最优模型。/n

【技术特征摘要】
1.一种应用于目标检测的模型的搜索方法，其特征在于，包括：
接收输入信息并解析，以确定目标要求；
判断所述目标要求是否唯一；
响应于所述目标要求不唯一，分别对多个所述目标要求分配权重；
根据多个所述目标要求及相应权重计算每个算法框架的概率值；以及
选择概率值最高的算法框架与自动机器学习算法结合搜索最优模型。


2.根据权利要求1所述的搜索方法，其特征在于，还包括：预先设置不同目标要求对应的权重。


3.根据权利要求1所述的搜索方法，其特征在于，选择概率值最高的算法框架与自动机器学习算法结合搜索最优模型包括：
判断概率值最高的算法框架是否唯一。


4.根据权利要求3所述的搜索方法，其特征在于，选择概率值最高的算法框架与自动机器学习算法结合搜索最优模型还包括：
响应于概率值最高的算法框架不唯一，分别用概率值最高的算法框架对目标要求进行检测，根据检测效果选择最好的算法框架。


5.根据权利要求1所述的搜索方法，其特征在于，选择概率值最高的算法框架与自动机器学习算法结合搜索最优模型还包括：
用概率值最高的算法框架与自动机器学习算法结合后的卷积层替换所述算法框架原有的卷积层。


6.一种计算机设备，...

【专利技术属性】
技术研发人员：刘鑫，刘红丽，李峰，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：江苏;32