【技术实现步骤摘要】
一种基于多尺度融合卷积的目标检测模型搜索方法
[0001]本专利技术涉及目标检测模型设计及优化技术,特别涉及一种基于多尺度融合卷积的目标检测模型搜索方法。
技术介绍
[0002]在目标检测问题中,为了从图像中检测出目标的类别和位置,通常需要设计一个主干网络(Backbone network)提出图像中的特征信息,然后利用这些特征信息去实现目标的分类和定位。因此,主干网络的特征提取能力对目标检测模型的性能有着十分重要的影响。神经网络架构搜索技术(Neural Architecture Search,NAS)可以基于给定的任务目标设计自动设计神经网络模型,因此,利用NAS技术为目标检测模型设计主干网络已经引起了研究人员的广泛关注。在目标检测问题中,同一目标在不同的图片中可能具有不同的尺度,或者一张图片中可能包含有不同尺度的目标。
[0003]为了使得神经网络的感受野能够覆盖较多的信息,现有的NAS技术通常会将不同尺寸的卷积层和池化层放入搜索空间中,之后通过算法自适应的集成到神经网络架构中。然而,较大尺寸的卷积核虽然可以有效的增大感受野,但是会增加网络的计算量和参数量,不利于模型在移动端或者嵌入式设备中部署。传统的池化层在增大感受野的同时,又会损失较多的细节信息,不利于小尺寸目标的检测。
技术实现思路
[0004]本专利技术的目的是解决上述现有技术中存在的问题,本专利技术提供一种基于多尺度融合卷积的目标检测模型搜索方法。
[0005]为解决上述问题,本专利技术提供如下技术方案,为了达到上述目 ...
【技术保护点】
【技术特征摘要】
1.一种基于多尺度融合卷积的目标检测模型搜索方法,其特征在于,包括以下步骤:步骤S1,构建模块搜索空间,其中包含一组多尺度融合卷积模块;给定带有标签的目标检测数据集,并将该数据集划分为训练集,验证集和测试集;步骤S2,种群初始化,构建初始种群,初始种群中包含N个个体,每个个体以输入层为第一层,封装数个子网络,每个子网络中封装从操作搜索空间中随机采样数个模块,以全连接层为输出层,并对每个个体进行编码,产生N条染色体,所述M为大于1的自然数;步骤S3,由初始种群中的所有个体组成超网络(one
‑
shot model),并基于ImageNet数据集,利用采样训练的方法对超网络进行预训练,直到超网络模型收敛,并得到超网络权值W
*
;步骤S4,为每一个个体融合边界框生成网络(Region Proposal Network,RPN),使得每个个体成为一个目标检测模型;步骤S5,每个个体A
i
从超网络中继承相应的权值之后在训练集上进行训练,直至收敛;步骤S5,基于验证集,利用mAP值作为适应度函数,对每个个体进行适应度评估;步骤S6,利用锦标赛选择法从所述种群中选择数个个体,组成第一种群;步骤S7,根据交叉率p
c
,利用多点交叉方法对第一种群中的个体染色体进行两两交叉,得到数个个体染色体,组成第二种群;步骤S8,根据变异率p
m
,对第二种群中的个体染色体的某一模块进行替换或者删除;步骤S9,基于训练集,对第二种群的每个个体进行训练,直至个体收敛;基于验证集,利用mAP值作为适应度函数,对第二种群中进行适应度评估;步骤S10,将第一种群和第二种群中的个体合并,根据适应度值排序,选出适应度排名前N个个体,并反馈至步骤S6,直到达到预设的进化代数,之后输出适应度值最优的个体作为搜索到的目标检测模型。2.根据权利要求1所述的一种基于多尺度融合卷积的目标检测模型搜索方法,其特征在于,所述多尺度融合卷积模块由M个分支组成,每个分支包含有一种尺寸的卷积核,从分支1至分支M,卷积核的尺寸逐层递增,为了降低多尺度融合卷积模块的计算量,在不同分支需利用分组卷积的思想,根据卷积核的尺寸,对各自分支的卷积核进行分组,降低卷积核之间的连接密度,每个分支将所述多尺度融合卷积模块的输入特征图作为分支的输入,经过各自卷积核处理之后的输入,通过拼接操作沿着深度维度进行拼接作为所述多尺度融合卷积模块的输出,所述拼接之后的通道数需与所述多尺度融合卷积模块的输入数据的通道数相同。3.根据权利要求1所述的一种基于多尺度融合卷积的目标检测...
【专利技术属性】
技术研发人员:张浩宇,刘东海,沈修平,
申请(专利权)人:上海悠络客电子科技股份有限公司,
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。