一种目标检测方法、计算机设备及可读存储介质技术

本发明专利技术公开了一种目标检测方法、计算机设备及可读存储介质，涉及目标检测技术领域。本发明专利技术所提供的技术方案，在利用训练样本对目标检测模型进行训练时，分别对卷积权重和激活函数的输入值分别进行量化，并以此构建损失函数，对量化后的卷积权重和量化后的输入值进行调整迭代。本发明专利技术所提供的方法在训练过程调整权重值，可以保证精度，并满足各个场景条件下的需求，简化计算过程。

【技术实现步骤摘要】
一种目标检测方法、计算机设备及可读存储介质
本专利技术涉及目标检测
，具体涉及一种目标检测方法、计算机设备及可读存储介质。
技术介绍
目前，深度学习技术发展迅速，在人脸检测、识别等领域取得了关键性的突破，达到甚至超越人类的水平。基于深度学习的各种应用功能层出不穷，并下沉到各行各业中。基于深度学习训练得到的模型，具有较好的效果，但也存在着计算量大的缺点，限制了在嵌入式等低功耗、低计算能力设备上的应用。现有技术中，通过将权重和激活值量化到预设大小，利用硬件定点运算速度比浮点运算速度快的特性，来解决训练深度学习模型计算量大、功耗高的问题，有利于在嵌入式等低功耗设备上运行。但是，现有技术存在如下缺陷：第一，在实际应用中，场景复杂多变，光照条件不可控，激活的取值范围变化多样，难以统计出一个满足各个场景条件下的量化值；第二，使用非对称量化提升量化后数值的表达精度，但是量化后计算过程变得复杂。
技术实现思路
为解决前述问题，本专利技术提供了一种目标检测方法，在训练过程调整权重值，可以保证精度，并满足各个场景条件下的需求，简化计算过程。为了达到上述目的，本专利技术采用如下技术方案：一种目标检测方法，包括如下步骤：收集训练样本，对收集的训练样本进行预处理；构建目标检测模型，所述目标检测模型包括若干卷积层，所述卷积层具有激活函数和卷积权重；利用训练样本对目标检测模型进行训练；利用训练好的目标检测模型进行目标检测识别；利用训练样本对目标检测模型进行训练时，对所述卷积权重和所述激活函数的输入值分别进行量化，所述目标检测模型的损失函数为：其中，minimizeQ(w),Q(x)为目标函数最小值，y为目标，w表示卷积权重，Q(w)表示量化后的卷积权重，x表示输入值，Q(x)表示量化后的输入值；对量化后的卷积权重Q(w)和量化后的输入值Q(x)进行调整迭代。可选的，所述卷积层包括Bn层，对所述卷积权重进行量化包括如下步骤：预设卷积权重需要被量化到的大小；将Bn层的参数合入到卷积层的参数；根据公式1添加被训练参数v1、v2、v3公式1其中，Q’(w)表示归一映射函数，n1表示卷积权重需要被量化到的大小，，，sign函数表示函数自变量为负时取值-1，函数自变量为正时取值+1；根据公式1对卷积权重进行归一映射，把卷积权重映射到[-1，1]，再根据公式2对卷积权重进行量化，用量化后的卷积权重执行卷积操作：公式2其中，，n1表示卷积权重需要被量化到的大小，表示取整操作。可选的，在卷积的反向处理中，在对卷积权重进行量化的过程中使用透传操作。可选的，所述激活函数具有激活权重，利用训练样本对目标检测模型进行训练时，预设激活权重需要被量化到的大小，然后根据公式3对激活权重进行归一映射，把激活权重映射到[-1，1]：公式3其中，c表示激活权重，Q(c)表示归一映射函数，sign函数表示函数自变量为负时取值-1，函数自变量为正时取值+1，表示取整操作，，n2表示激活权重需要被量化到的大小。可选的，对所述激活函数的输入值进行量化包括如下步骤：预设输入值需要被量化到的大小；根据公式4添加被训练参数d1、d2，并将输入值映射到[-1，1]公式4其中，x表示输入值，Q(x)表示量化后的输入值，n3表示输入值需要被量化到的大小，，，sign函数表示函数自变量为负时取值-1，函数自变量为正时取值+1。可选的，在输入值量化的反向处理中，在对输入值进行量化的过程中使用透传操作。可选的，利用训练样本对目标检测模型进行训练时，学习率为0.01，且学习率下降至少10倍，批量大小为128，训练样本至少遍历5次，卷积权重的衰退为0.0005。可选的，训练样本中的目标包括子目标，对收集的训练样本进行预处理包括：将子目标的对应位置映射到指定位置，将训练样本缩放到112*112的分辨率；归一化训练样本的图片亮度，把训练样本的图片亮度归一到100，再根据如下公式进行归一化形成数据：其中：为归一化形成的数据，x为训练样本。本专利技术具有如下有益效果：专利技术了所提供的技术方案，通过对卷积权重、激活权重以及激活函数的输入值分别进行量化，缩小量化的范围，使得量化精度更高，有利于在较低功耗、较低计算能力的设备上应用，更加方便移植到移动设备上；结合训练任务的损失函数，通过训练的损失函数的梯度来更新量化参数，提供端到端的量化训练方法，在场景复杂多变、光照条件不可控的情况下，依然做到满足各个场景、条件的应用，并且，在保证量化后数值的表达精度的前提下，减少可训练参数，减少量化损失，简化计算过程。此外，本专利技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的方法。同时，本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法。本专利技术的这些特点和优点将会在下面的具体实施方式以及附图中进行详细的揭露。本专利技术最佳的实施方式或手段将结合附图来详尽表现，但并非是对本专利技术技术方案的限制。另外，在每个下文和附图中出现的这些特征、要素和组件是具有多个，并且为了表示方便而标记了不同的符号或数字，但均表示相同或相似构造或功能的部件。附图说明下面结合附图对本专利技术作进一步说明：图1为本专利技术实施例一的流程图。具体实施方式下面结合本专利技术实施例的附图对本专利技术实施例的技术方案进行解释和说明，但下述实施例仅为本专利技术的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例，都属于本专利技术的保护范围。在本说明书中引用的“一个实施例”或“实例”或“例子”意指结合实施例本身描述的特定特征、结构或特性可被包括在本专利公开的至少一个实施例中。短语“在一个实施例中”在说明书中的各位置的出现不必都是指同一个实施例。实施例一：如图1所示，本实施例提供了一种目标检测方法，具体而言，是用于人脸识别的目标检测方法，包括如下步骤：收集训练样本，所收集的训练样本包括各种姿态、角度、不同光照下的人脸训练样本；对收集的训练样本进行预处理。训练样本中的目标包括子目标，具体到本实施例中，子目标则是指人脸的左眼、右眼、鼻子、左嘴角、右嘴角。对收集的训练样本进行预处理包括：将子目标的对应位置映射到指定位置，即根据左眼、右眼、鼻子、左嘴角、右嘴角的位置，映射到如下标准位置：左眼：[30.29459953,51.69630051]；右眼：[65.53179932,51.50139999]；鼻子：[48.02519989,71.73660278]；左嘴角：[33.54930115,92.本文档来自技高网...

【技术保护点】
1.一种目标检测方法，包括如下步骤：/n收集训练样本，对收集的训练样本进行预处理；/n构建目标检测模型，所述目标检测模型包括若干卷积层，所述卷积层具有激活函数和卷积权重；/n利用训练样本对目标检测模型进行训练；/n利用训练好的目标检测模型进行目标检测识别；/n其特征在于，利用训练样本对目标检测模型进行训练时，对所述卷积权重和所述激活函数的输入值分别进行量化，所述目标检测模型的损失函数为：/n

【技术特征摘要】
1.一种目标检测方法，包括如下步骤：
收集训练样本，对收集的训练样本进行预处理；
构建目标检测模型，所述目标检测模型包括若干卷积层，所述卷积层具有激活函数和卷积权重；
利用训练样本对目标检测模型进行训练；
利用训练好的目标检测模型进行目标检测识别；
其特征在于，利用训练样本对目标检测模型进行训练时，对所述卷积权重和所述激活函数的输入值分别进行量化，所述目标检测模型的损失函数为：



其中，minimizeQ(w),Q(x)为目标函数最小值，y为目标，w表示卷积权重，Q(w)表示量化后的卷积权重，x表示输入值，Q(x)表示量化后的输入值；
对量化后的卷积权重Q(w)和量化后的输入值Q(x)进行调整迭代。


2.根据权利要求1所述的目标检测方法，其特征在于，所述卷积层包括Bn层，对所述卷积权重进行量化包括如下步骤：
预设卷积权重需要被量化到的大小；
将Bn层的参数合入到卷积层的参数；
根据公式1添加被训练参数v1、v2、v3

公式1
其中，Q’(w)表示归一映射函数，n1表示卷积权重需要被量化到的大小，，，sign函数表示函数自变量为负时取值-1，函数自变量为正时取值+1；
根据公式1对卷积权重进行归一映射，把卷积权重映射到[-1，1]，再根据公式2对卷积权重进行量化，用量化后的卷积权重执行卷积操作：

公式2
其中，，n1表示卷积权重需要被量化到的大小，表示取整操作。


3.根据权利要求2所述的目标检测方法，其特征在于，在卷积的反向处理中，在对卷积权重进行量化的过程中使用透传操作。


4.根据权利要求1所述的目标检测方法，其特征在于，所述激活函数具有激活权重，利用训练样本对目标检测模型进行训练时，预设激活权重需要被量化到的大小，然后根据公式3对激活权重进行归一映射，把激活权重映射到[-1，1]：<...

【专利技术属性】
技术研发人员：王增冠，
申请(专利权)人：杭州雄迈集成电路技术股份有限公司，
类型：发明
国别省市：浙江;33