目标检测网络构建方法、目标检测方法、装置和存储介质制造方法及图纸

本申请提供了目标检测网络的构建方法、目标检测方法、装置和计算机可读存储介质。涉及人工智能领域，具体涉及计算机视觉领域。其中，该构建方法包括：确定目标检测网络的搜索空间；根据该目标检测网络的搜索空间确定目标检测网络的初始网络架构，并根据目标检测网络的搜索空间对目标检测网络的初始网络架构进行更新迭代，直到得到满足预设要求的所述目标检测网络。其中，目标检测网络中的特征融合层的可选连接关系包括特征融合层中任意两层相邻两层神经网络之间的一层神经网络的任意一个节点与另一层神经网络的任意一个节点的连接。本申请能够简化目标检测网络的复杂度。本申请能够简化目标检测网络的复杂度。本申请能够简化目标检测网络的复杂度。

【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、区域候选网络(region proposal network，RPN)和区域卷积神经网络(region convolutionalneural network head，RCNN)头组成。
[0005]传统方案一般是由专家按照一定的策略来手工设计目标检测网络，需要消耗大量的人力成本和时间成本，设计得到的目标检测网络的性能也比较一般。

技术实现思路

[0006]本申请提供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，以构建出复杂度更低的目标检测网络。
[0007]第一方面，提供了一种目标检测网络的构建方法，该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，该方法包括：确定目标检测网络的搜索空间，其中，该目标检测网络的搜索空间包括特征融合层的搜索空间；根据目标检测网络的搜索空间确定目标检测网络的初始网络架构；根据目标检测网络的搜索空间对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目标检测网络。
[0008]其中，上述目标检测网络的搜索空间包括特征融合层的搜索空间。
[0009]上述特征融合层的搜索空间包括特征融合层的可选连接关系，该特征融合层的可选连接关系具体包括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。
[0010]另外，上述目标检测网络的初始网络架构中的特征融合层是根据特征融合层的搜索空间确定的。也就是说，在根据目标检测网络的搜索空间确定目标检测网络的初始网络架构时，具体可以根据特征融合层的搜索空间来确定目标检测网络的初始网络架构中的特征融合层的网络架构。
[0011]应理解，在目标检测网络的搜索空间确定目标检测网络的初始网络架构时，目标检测网络的网络层次数目以及目标检测网络包含的节点个数可以是预先确定好的，具体地，可以根据目标检测网络的应用需求或者目标检测性能的要求来确定目标检测网络的网络层次数目和目标检测网络包含的节点个数。
[0012]例如，当对目标检测网络的目标检测性能要求较高时，目标检测网络的网络层次数目和目标检测网络包含的节点个数可以比较大，而当对目标检测网络的目标检测速度/复杂度要求较高时，目标检测网络的网络层次数目和目标检测网络包含的节点个数可以比较小。
[0013]本申请中，由于特征融合层的搜索空间中包含的特征融合层的可选连接关系更多，因此，本申请可以根据更多可选的连接关系来更合理的确定目标检测网络的初始网络架构中的特征融合层的网络架构，并对特征融合层的网络架构进行更新，能够简化最终得到的目标检测网络的复杂度。
[0014]具体地，在本申请中，针对特征融合层的搜索空间来说，由于采用了可选连接关系更加自由的搜索空间，因此，与手工设定网络架构的方式相比，本申请在根据特征融合层的搜索空间确定目标检测网络的初始网络架构中的特征融合层的网络架构，并对特征融合层的网络架构进行更新时，能够得到更加简化的特征融合层的网络结构，从而能够最终简化目标检测网络的复杂度，减少目标检测网络部署时需要占用的存储空间。
[0015]此外，由于特征融合层的搜索空间中包含了更多可选的连接关系，因此，在根据特征融合层的搜索空间确定目标检测网络的初始网络架构中的特征融合层的网络架构，并对特征融合层的网络架构进行更新，最终能够构建出性能更好的目标检测网络。
[0016]上述第一方面的目标检测网络的构建方法可以是一种神经网络的自动构建方法，上述第一方面的目标检测网络的构建方法可以由目标检测网络的构建装置来自动执行。
[0017]可选地，在上述目标检测网络中，骨干网络的网络架构以及RPN的网络结构是预先确定好的。
[0018]也就是说，在对上述目标检测网络的初始网络架构进行更新的过程中，可以只对目标检测网络的初始网络架构中的特征融合层和RCNN进行更新。
[0019]另外，上述骨干网络的网络架构以及RPN的网络结构也可以是事先未确定好的网络架构，这样在对目标检测网络的初始网络架构进行更新的过程中，可以对目标检测网络的骨干网络、特征融合层、RPN以及RCNN的网络架构进行更新。
[0020]结合第一方面，在第一方面的某些实现方式中，上述根据目标检测网络的搜索空间，对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目标检测网络，包括：根据目标检测网络的搜索空间，对目标检测网络的初始网络架构进行迭代更新，以减小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目标检测网络。
[0021]其中，上述损失函数包括目标检测网络的目标检测误差和/或目标检测网络的复
杂度。
[0022]应理解，在上述迭代更新过程中可以根据目标检测网络对应的损失函数的取值来对目标检测网络的初始网络架构进行迭代更新，以使得目标检测网络对应的损失函数的取值尽可能的小，直到得到满足预设要求的目标检测网络。
[0023]具体地，在对目标检测网络的初始网络架构进行迭代更新时，可以对目标检测网络的网络结构(网络中不同节点之间的连接关系)进行调整，并且在每次调整后计算目标检测网络对应的损失函数的取值，然后再根据目标检测网络对应的损失函数的取值再对目标检测网络的网络结构进行更新，这样一直迭代下去，直到得到满足预设要求的目标检测网络。
[0024]在上述迭代更新过程中，可以在每次对目标检测网络的本文档来自技高网...

【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：