目标检测模型的优化方法及系统技术方案

本发明专利技术公开了一种目标检测模型的优化方法及系统，涉及计算机视觉技术领域，解决了卷积网络的输出通道数较多、卷积过程的计算量大且表征能力不强的技术问题，其技术方案要点是将图像划分成若干个特征图后，再对这些特征图的特征进行划分，将不同特征图的特征共同输入到混洗通道已对全部特征进行混洗，通过不同特征之间的均匀组合使得输入通道和输出通道完全相关，增强表征能力。让卷积核的个数小于特征图的个数，减少输出通道的数量，以降低卷积核卷积过程的计算量。核卷积过程的计算量。核卷积过程的计算量。

【技术实现步骤摘要】
目标检测模型的优化方法及系统


[0001]本公开涉及计算机视觉
，尤其涉及一种目标检测模型的优化方法及系统。

技术介绍

[0002]用于移动视觉应用的卷积神经网络是轻量级网络中的一种，该网络主要应用于移动和嵌入式设备，该网络的最大特点在于应用了深度逐点卷积网络以及增加了两个超参数，一个是控制卷积层卷积核个数的超参数，另一个是控制输入图像尺寸的超参数。
[0003]标准卷积网络的特点为：卷积核的深度等于输入特征矩阵的深度，输出特征矩阵的深度等于卷积核的个数。例如，输入深度为3的特征矩阵，若使用4个卷积核进行卷积，那么每个卷积核的深度都和输入特征矩阵的深度是相同的，即3。输出特征矩阵的深度是由卷积核的个数决定的，采用了4个卷积核，所以输出矩阵的深度为4，如图1所示。
[0004]深度逐点卷积网络包括两个部分，第一部分是深度卷积(Depthwise Conv)，第二部分是逐点卷积(Pointwise Conv)。深度卷积网络的特点为：每一个卷积核的深度都为1，输入特征矩阵的深度与卷积核的个数、输出特征矩阵的深度都相同，如图2所示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测模型的优化方法，其特征在于，包括：将图像划分成M个维度为H
×
W
×
C的特征图，C表示特征图的深度；将每个特征图均划分成N份特征，则每份特征含有每个特征图的1/N份的特征；向每一组混洗通道中的每个混洗通道分别输入每个特征图的一份特征，每一组混洗通道中的M份特征进行混洗后输出一组特征，则混洗通道总共输出N组特征；其中，混洗通道的数量为N
×
M,将混洗通道分为N组，每组有M个混洗通道，N<M，M、N都为正整数；将N组特征分别输入到N个维度为1
×1×
C的卷积核中进行卷积操作，得到N个维度为H
×
W
×
C的第一图像特征，根据N个所述第一图像特征得到图像。2.如权利要求1所述的目标检测模型的优化方法，其特征在于，该方法还包括：将N组特征分别输入到N个维度为3
×3×
C的卷积核中进行卷积操作，得到N个第二图像特征；将N组特征分别输入到N个维度为5
×5×
C的卷积核中进行卷积操作，得到N个第三图像特征；对所述第一图像特征、所述第二图像特征、所述第三图像特征进行拼接，得到图像。3.如权利要求2所述的目标检测模型的优化方法，其特征在于，M为偶数时，N＝M
‑
M/2；M为奇数时，N＝M
‑
(M+1)/2。4.一种目标检测模型的优化系统，其特征在于，包括：第一划分单元，...

【专利技术属性】
技术研发人员：王堃，
申请(专利权)人：江苏禹空间科技有限公司，
类型：发明
国别省市：