【技术实现步骤摘要】
一种神经网络自动设计系统和方法
本专利技术属于计算机视觉领域的视觉里程计领域，特别是一种神经网络自动设计系统和方法。
技术介绍
视觉里程计(VisualOdometry，简称VO)作为自动驾驶和机器人领域的关键任务，旨在从连续帧中估计相机位姿。传统的VO任务是一个典型的几何任务，利用特征点或像素的匹配严格计算得到位姿。而随着CNN(ConvolutionalNeuralNetworks,卷积神经网络)和RNN(recurrentneuralnetwork，循环神经网络)在视觉任务中的快速发展，越来越多的端到端的网络框架也应用于VO任务中。在基于深度学习的框架中，VO任务作为视频回归任务，与基于语义的视觉任务(例如图像分类,目标检测)有明显区别。首先，VO任务预测出一个6-DoF(degreeoffreedom，自由度)的相机位姿，更关注几何特征流而不是语义特征。所以仅仅通过语义信息，例如简单的检测或识别出图像中的物体，无法准确的计算出相机运动。其次，VO任务需要同时处理至少两张图片才能计算相对位姿，关注其对时序特征的...
【技术保护点】
1.一种神经网络自动设计方法，其特征在于，包含超网络结构和controller模型，包括以下步骤：/nS1，预备包含视频数据和真实相机位姿数据的视频序列；/nS2，从S1的视频序列中抽取视频片段V1，由该视频片段V1组成训练批数据，对超网络结构的每个block操作进行均匀采样，选择出训练批的操作，选择完成后，组成一条路径，该路径为子网络模型，再按时间顺序将V1中相邻两帧图像依次输入该子网络模型，得到图像帧之间的位姿序列，再利用损失函数计算误差，然后更新网络参数，直至损失函数不再下降；/nS3，利用controller模型输出每个block选择的操作数，生成子模型的编码，子模...
【技术特征摘要】
1.一种神经网络自动设计方法，其特征在于，包含超网络结构和controller模型，包括以下步骤：
S1，预备包含视频数据和真实相机位姿数据的视频序列；
S2，从S1的视频序列中抽取视频片段V1，由该视频片段V1组成训练批数据，对超网络结构的每个block操作进行均匀采样，选择出训练批的操作，选择完成后，组成一条路径，该路径为子网络模型，再按时间顺序将V1中相邻两帧图像依次输入该子网络模型，得到图像帧之间的位姿序列，再利用损失函数计算误差，然后更新网络参数，直至损失函数不再下降；
S3，利用controller模型输出每个block选择的操作数，生成子模型的编码，子模型的参数采用S2中迭代后的网络参数，按视频时间顺序从S1的视频序列中抽取视频片段v2与对应的真实相机位姿数据，将v2输入子模型中，得到预测位姿，然后与真实相机位姿进行对比，计算得到片段评价指标，然后重复S3的上述操作，直至抽完整个视频序列，计算片段评价指标得到子模型的最终评价指标；
S4，利用S3得到的子模型的最终评价指标，对controller模型参数进行参数更新，重复S3，直至达到设置好的迭代数目或子模型的性能不再提高；
S5，利用controller输出n个子模型，挑出最终评价指标最好的子模型，为最终的输出结果。
2.根据权利要求1所述的神经网络自动设计方法，其特征在于，所述步骤S2中，损失函数为：
其中x为预测位姿和真实相机位姿之间的欧式距离，a和c为控制los...
【专利技术属性】
技术研发人员：蔡行，张兰清，李承远，李宏，
申请(专利权)人：杭州未名信科科技有限公司，浙江省北大信息技术高等研究院，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。