神经网络的训练方法、目标检测方法及设备、电路和介质技术

提供一种用于目标检测的神经网络的训练方法、目标检测方法及阅读辅助设备、电路和介质。所述神经网络包括一个或多个卷积层，每一卷积层包括多个卷积核，所述训练方法包括：将训练图像输入神经网络；针对所述一个或多个卷积层中的至少一个卷积层，计算与所述至少一个卷积层的多个卷积核中的每一卷积核输出的特征图对应的第一损失函数，所述第一损失函数能够表征所述特征图中图像特征的数量；以及至少根据与每一卷积核输出的特征图对应的所述第一损失函数，将所述至少一个卷积层的多个卷积核中的至少一个卷积核确定为冗余卷积核，并删除所述冗余卷积核。

Training method, target detection method, equipment, circuit and medium of neural network

【技术实现步骤摘要】
神经网络的训练方法、目标检测方法及设备、电路和介质
本公开涉及图像的处理，特别涉及一种用于目标检测的神经网络的训练方法、目标检测方法及设备、电路和介质。
技术介绍
神经网络是人工智能技术的核心。目前，神经网络得到了广泛的研究和关注，被应用在包括计算机视觉、语音识别、机器人、自动驾驶等诸多人工智能应用领域中。目标检测是人工智能技术的一个基础性的研究课题。目标检测是指对于任意一幅给定的图像，检测和识别图像中预定的目标(例如人脸)，并确定目标的位置。在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
技术实现思路
根据本公开的一方面，提供一种用于目标检测的神经网络的训练方法，所述神经网络包括一个或多个卷积层，每一卷积层包括多个卷积核，所述训练方法包括：将训练图像输入神经网络；针对所述一个或多个卷积层中的至少一个卷积层，计算与所述至少一个卷积层的多本文档来自技高网...

【技术保护点】
1.一种用于目标检测的神经网络的训练方法，所述神经网络包括一个或多个卷积层，每一卷积层包括多个卷积核，所述训练方法包括：/n将训练图像输入神经网络；/n针对所述一个或多个卷积层中的至少一个卷积层，计算与所述至少一个卷积层的多个卷积核中的每一卷积核输出的特征图对应的第一损失函数，所述第一损失函数能够表征所述特征图中图像特征的数量；以及/n至少根据与每一卷积核输出的特征图对应的所述第一损失函数，将所述至少一个卷积层的多个卷积核中的至少一个卷积核确定为冗余卷积核，并删除所述冗余卷积核。/n

【技术特征摘要】
1.一种用于目标检测的神经网络的训练方法，所述神经网络包括一个或多个卷积层，每一卷积层包括多个卷积核，所述训练方法包括：
将训练图像输入神经网络；
针对所述一个或多个卷积层中的至少一个卷积层，计算与所述至少一个卷积层的多个卷积核中的每一卷积核输出的特征图对应的第一损失函数，所述第一损失函数能够表征所述特征图中图像特征的数量；以及
至少根据与每一卷积核输出的特征图对应的所述第一损失函数，将所述至少一个卷积层的多个卷积核中的至少一个卷积核确定为冗余卷积核，并删除所述冗余卷积核。


2.如权利要求1所述的神经网络的训练方法，其中，至少根据与每一卷积核输出的特征图对应的所述第一损失函数，将所述至少一个卷积层的多个卷积核中的至少一个卷积核确定为冗余卷积核，并删除所述冗余卷积核包括：
根据所述第一损失函数和一第二损失函数，将所述至少一个卷积层的多个卷积核中的至少一个卷积核确定为冗余卷积核，并删除所述冗余卷积核，其中，所述第二损失函数是用于确定所述神经网络是否收敛的损失函数。


3.如权利要求2所述的训练方法，其中，根据所述第一损失函数和第二损失函数，将所述至少一个卷积层的多个卷积核中的至少一个卷积核确定为冗余卷积核，并删除所述冗余卷积核，包括：
根据所述多个卷积核分别对应的第一损失函数从低到高的排序，从所述多个卷积核中依次选取第一预定比例的卷积核，将选取的卷积核中的每一个卷积核确定为冗余卷积核，并删除确定的多个冗余卷积核；
计算所述第二损失函数；
确定所述第二损失函数是否小于或等于设定的阈值；
如果所述第二损失函数小于或等于所述设定的阈值，则根据剩余的多个卷积核分别对应的第一损失函数从低到高的排序，从所述剩余的多个卷积核中依次选取所述第一预定比例的卷积核，将选取的卷积核中的每一个卷积核确定为冗余卷积核，并删除确定的多个冗余卷积核。


4.如权利要求1所述的训练方法，其中，计算与所述至少一个卷积层的多个...

【专利技术属性】
技术研发人员：梅嵩，蔡海蛟，冯歆鹏，周骥，
申请(专利权)人：上海肇观电子科技有限公司，
类型：发明
国别省市：上海;31