基于批归一化参数定点化的目标检测方法、系统、设备技术方案

本发明专利技术属于人工智能、计算机视觉领域，具体涉及一种基于批归一化参数定点化的目标检测方法、系统、设备，旨在解决现有的神经网络在进行批归一化的过程中，定点化参数过多，造成精度较差，进而导致目标检测精度差的问题。本方法包括获取待检测的图像，作为输入图像；通过参数定点化后的目标检测网络获取所述输入图像中各待检测目标对应的类别以及回归框；所述目标检测网络基于卷积神经网络构建。本发明专利技术减少了神经网络在批归一化过程中的定点化参数，提交了定点化的精度，进而提升了目标检测的性能。

【技术实现步骤摘要】
基于批归一化参数定点化的目标检测方法、系统、设备
本专利技术属于人工智能、计算机视觉领域，具体涉及一种基于批归一化参数定点化的目标检测方法、系统、设备。
技术介绍
目标检测是是近年来计算机视觉领域中的一个热点问题，它从图像序列中检测目标并对其行为进行理解和描述，在视频监控、自动驾驶、机器人等领域有着极其广泛的应用。而目标检测的关键主要取决于卷积神经网络的性能。目前主流的卷积神经网络基本操作包括卷积、批归一化、激活。卷积操作虽然占用很多的资源和算力，但只有乘加两种操作；激活函数一般都是逐元素的操作方式；批归一化也是逐元素的操作，运算量相比于卷积操作很小，但涉及减、除、乘、加四种操作。如果考虑到对网络中的所有数据都进行量化，首先，是对卷积操作进行量化，卷积的操作对象为激活值和权重，为了最大程度的减少由量化造成的精度损失，对权重的量化会带有一个浮点型的缩放因子，同理，对激活值的量化也会有一个浮点型的缩放因子；另外，对一个数进行批归一化需要对四个变量进行减、除、乘、加四种操作，对每个参数的定点化操作都会损失一部分精度。卷积的量化和批归一本文档来自技高网...

【技术保护点】
1.一种基于批归一化参数定点化的目标检测方法，其特征在于，该方法包括以下步骤：/nS10，获取待检测的图像，作为输入图像；/nS20，通过批归一化参数定点化后的目标检测网络获取所述输入图像中各待检测目标对应的类别及回归框；所述回归框包括位置及宽高信息；/n所述目标检测网络基于卷积神经网络构建；所述卷积神经网络其对应的批归一化方法为：/nA10，获取所述卷积神经网络训练时的批处理数据；/nA20，计算所述批处理数据对应的均值μ、方差σ；基于初始化的尺度因子γ、平移因子β，结合均值，对方差进行做商，得到中间变量γ'、β'；/n其中，

【技术特征摘要】
1.一种基于批归一化参数定点化的目标检测方法，其特征在于，该方法包括以下步骤：
S10，获取待检测的图像，作为输入图像；
S20，通过批归一化参数定点化后的目标检测网络获取所述输入图像中各待检测目标对应的类别及回归框；所述回归框包括位置及宽高信息；
所述目标检测网络基于卷积神经网络构建；所述卷积神经网络其对应的批归一化方法为：
A10，获取所述卷积神经网络训练时的批处理数据；
A20，计算所述批处理数据对应的均值μ、方差σ；基于初始化的尺度因子γ、平移因子β，结合均值，对方差进行做商，得到中间变量γ'、β'；
其中，
A30，将γ'赋值为第一批归一化变量，将β'/γ'赋值为第二批归一化变量；赋值后，对第一批归一化变量、第二批归一化变量进行定点化处理；
A40，结合定点化的第一批归一化变量、第二批归一化变量，通过变形后的批归一化算法得到所述卷积神经网络卷积处理后的待批归一化数据对应的归一化结果。


2.根据权利要求1所述的基于批归一化参数定点化的目标检测方法，其特征在于，所述第一批归一化变量的定点化方法为：
将所述第一批归一化变量拆分为两个缩放因子，γ1和γ2，即γ”＝γ1*γ2；其中，γ”为第一批归一化变量。


3.根据权利要求2所述的基于批归一化参数定点化的目标检测方法，其特征在于，所述第二批归一化变量的定点化方法为：将所述第二批归一化变量设置为整型数。


4.根据权利要求1所述的基于批归一化参数定点化的目标检测方法，其特征在于，所述变形后的批归一化算法为：
y＝(x+β”)*γ”
其中，x表示待批归一化的数据，y表示批归一化后的数据，β”表示第二批归一化变量。


5.根据权利要求1所述的基于批归一化参数定点化的目标检测方法，其特征在于，所...

【专利技术属性】
技术研发人员：李淼，张峰，马春宇，赵婷，张翠婷，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11