【技术实现步骤摘要】
目标检测网络构建方法、目标检测方法、装置和存储介质
[0001]本申请涉及人工智能领域,并且更具体地,涉及一种目标检测网络构建方法、目标检测方法、装置和存储介质。
技术介绍
[0002]人工智能(artificial intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能领域的研究包括机器人,自然语言处理,计算机视觉,决策与推理,人机交互,推荐与搜索,AI基础理论等。
[0003]随着人工智能技术的快速发展,神经网络(例如,深度神经网络)近年来在图像、视频以及语音等多种媒体信号的处理与分析中取得了很大的成就。一个性能优良的神经网络往往拥有精妙的网络结构,而这需要具有高超技能和丰富经验的人类专家花费大量精力进行构建。为了更好地构建神经网络,人们提出了通过神经网络结构搜索(neural architecturesearch,NAS)的方法来搭建神经网络,通过自动化地搜索神经网络结构,从而得到性能优异的神经网络结构。
[0004]目标检测是计算机视觉领域的基本任务之一,目标检测一般是在图像中定位目标物体并赋予目标物体相应的标签。当前主流的目标检测系统主要由骨干网络、特征融合层、区域候 ...
【技术保护点】
【技术特征摘要】
1.一种目标检测网络的构建方法,所述目标检测网络包括骨干网络、特征融合层、区域候选网络RPN和区域卷积神经网络RCNN,其特征在于,包括:确定所述目标检测网络的搜索空间,所述目标检测网络的搜索空间包括所述特征融合层的搜索空间,所述特征融合层的搜索空间包括所述特征融合层的可选连接关系,所述特征融合层的可选连接关系包括所述特征融合层的多层神经网络中的相邻两层神经网络中的一层神经网络的任意一个节点与另一层神经网络中的任意一个节点的连接;根据所述目标检测网络的搜索空间确定所述目标检测网络的初始网络架构,其中,所述目标检测网络的初始网络架构中的特征融合层是根据所述特征融合层的搜索空间确定的;根据所述目标检测网络的搜索空间,对所述目标检测网络的初始网络架构进行迭代更新,直到得到满足预设要求的所述目标检测网络。2.如权利要求1所述的构建方法,其特征在于,所述根据所述目标检测网络的搜索空间,对所述目标检测网络的初始网络架构进行迭代更新,直到得到满足预设要求的所述目标检测网络,包括:根据所述目标检测网络的搜索空间,对所述目标检测网络的初始网络架构进行迭代更新,以减小所述目标检测网络对应的损失函数的取值,进而得到满足预设要求的所述目标检测网络,其中,所述损失函数包括所述目标检测网络的目标检测误差和/或所述目标检测网络的复杂度。3.如权利要求1或2所述的构建方法,其特征在于,所述特征融合层的搜索空间还包括所述特征融合层的可选操作类型,所述特征融合层的可选操作类型包括所述多层神经网络中的相邻两层神经网络中的一层神经网络的任意一个节点与另一层神经网络中的任意一个节点的连接所对应的卷积操作,其中,所述卷积操作包括空洞卷积操作。4.如权利1-3中任一项所述的构建方法,其特征在于,所述RCNN包括多个基本单元,所述多个基本单元中的每个基本单元由至少两个节点构成,所述目标检测网络的搜索空间还包括所述RCNN的搜索空间,所述RCNN的搜索空间包括所述多个基本单元中的每个基本单元的搜索空间,所述每个基本单元的搜索空间包括所述每个基本单元的可选连接关系,所述每个基本单元的可选连接关系包括所述每个基本单元内的任意两个节点之间的连接;所述目标检测网络的初始网络架构中的所述RCNN是根据所述RCNN的搜索空间确定的。5.如权利要求4所述的构建方法,其特征在于,所述每个基本单元的搜索空间还包括所述每个基本单元的可选操作类型,所述每个基本单元的可选操作类型包括所述每个基本单元内的任意两个节点之间的连接所对应的卷积操作,所述卷积操作包括空洞卷积操作。6.如权利要求5所述的构建方法,其特征在于,所述每个基本单元内的任意两个节点之间的连接所对应的空洞卷积操作包括间隔数为2的空洞卷积操作。7.如权利要求4-6中任一项所述的构建方法,其特征在于,所述多个基本单元中的至少两个基本单元分别由不同数目的节点构成。8.如权利要求4-7中任一项所述的构建方法,其特征在于,所述每个基本单元的输入特征图的分辨率与所述每个基本单元的输出特征图的分辨率相同。9.如权利要求2-8中任一项所述的构建方法,其特征在于,所述满足预设要求的所述目标检测网络满足下列条件中的至少一种:
所述目标检测网络的检测性能满足预设性能要求;对所述目标检测网络的网络架构的更新次数大于或者等于预设次数;所述目标检测网络的复杂度小于或者等于预设复杂度。10.如权利要求9所述的构建方法,其特征在于,所述目标检测网络的复杂度是根据所述目标检测网络的模型参数的数量或者大小、所述目标检测网络的内存访问成本MAC以及所述目标检测网络的浮点运算次数中的至少一种确定的。11.一种目标检测网络的构建方法,所述目标检测网络包括骨干网络、特征融合层、区域候选网络RPN和区域卷积神经网络RCNN,其特征在于,包括:确定所述目标检测网络的搜索空间,其中,所述RCNN包括多个基本单元,所述多个基本单元中的每个基本单元由至少两个节点构成,所述目标检测网络的搜索空间包括所述RCNN的搜索空间,所述RCNN的搜索空间包括所述多个基本单元中的每个基本单元的搜索空间,所述每个基本单元的搜索空间包括所述每个基本单元的可选连接关系,所述每个基本单元的可选连接关系包括所述每个基本单元内的任意两个节点之间的连接;根据所述目标检测网络的搜索空间确定所述目标检测网络的初始网络架构,其中,所述目标检测网络的初始网络架构中的RCNN是根据所述RCNN的搜索空间确定的;根据所述目标检测网络的搜索空间,对所述目标检测网络的初始网络架构进行迭代更新,直到得到满足预设要求的所述目标检测网络。12.如权利要求11所述的构建方法,其特征在于,所述根据所述目标检测网络的搜索空间,对所述目标检测网络的初始网络架构进行迭代更新,直到得到满足预设要求的所述目标检测网络,包括:根据所述目标检测网络的搜索空间,对所述目标检测网络的初始网络架构进行迭代更新,以减小所述目标检测网络对应的损失函数的取值,进而得到满足预设要求的所述目标检测网络,其中,所述损失函数包括所述目标检测网络的目标检测误差和/或所述目标检测网络的复杂度。13.如权利要求11或12所述的构建方法,其特征在于,所述每个基本单元的搜索空间还包括所述每个基本单元的可选操作类型,所述每个基本单元的可选操作类型包括所述每个基本单元内的任意两个节点之间的连接所对应的卷积操作,所述卷积操作包括空洞卷积操作。14.如权利要求13所述的构建方法,其特征在于,所述空洞卷积操作包括间隔数为2的空洞卷积操作。15.如权利要求11-14中任一项所述的构建方法,其特征在于,所述多个基本单元中的至少两个基本单元分别由不同数目的节点构成。16.如权利要求11-15中任一项所述的构建方法,其特征在于,所述每个基本单元的输入特征图的分辨率与所述每个基本单元的输出特征图的分辨率相同。17.如权利要求11-16中任一项所述的构建方法,其特征在于,所述满足预设要求的所述目标检测网络满足下列条件中的至少一种:所述目标检测网络的检测性能满足预设性能要求;对所述目标检测网络的网络架构的更新次数大于或者等于预设次数;所述目标检测网络的复杂度小于或者等于预设复杂度。
18.如权利要求17所述的构建方法,其特征在于,所述目标检测网络的复杂度是根据所述目标检测网络的模型参数的数量或者大小、所述目标检测网络的内存访问成本MAC以及所述目标检测网络的浮点运算次数中的至少一种确定的。19.一种目标检测方法,其特征在于,包括:获取图像;采用目标检测网络对所述图像进行处理,得到所述图...
【专利技术属性】
技术研发人员:徐航,黎嘉伟,李震国,张维,梁小丹,
申请(专利权)人:华为技术有限公司,
类型:发明
国别省市:
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。