一种二值化目标检测神经网络结构和模型的训练方法技术

本发明专利技术提供了一种二值化目标检测神经网络的训练方法。该方法包括：构建二值化目标检测神经网络，二值化目标检测神经网络包括骨干网络、共享特征池网络、分类解耦网络和定位解耦网络；对二值化目标检测神经网络进行基于多维度联合匹配的目标检测任务一致性训练；对二值化目标检测神经网络进行分类和定位任务的同步优化。本发明专利技术通过改进的锚框Anchor采样策略和基于关联性约束的新型损失函数算法解决二值化目标检测神经网络中Anchor采样的任务不一致性问题，并通过带有动态可学习权重的目标损失函数对二值化目标检测神经网络进行分类和定位任务的同步优化，能够提升检测框的质量、改善二值化目标检测神经网络的检测精准度和算法的鲁棒性。和算法的鲁棒性。和算法的鲁棒性。

【技术实现步骤摘要】
一种二值化目标检测神经网络结构和模型的训练方法


[0001]本专利技术涉及神经网络
，尤其涉及一种二值化目标检测神经网络结构和模型的训练方法。

技术介绍

[0002]目标检测神经网络二值量化指将32比特浮点格式的神经网络压缩到1比特定点数格式，以减少存储和计算代价。对目标检测神经网络权重和激活进行二值化能减少32倍的存储和64倍计算成本，这些特定使得二值化目标检测神经网络特别适合于在资源有限的低成本边缘计算设备上部署。
[0003]目前，现有技术中的二值化目标检测神经网络有Bi
‑
Det,Auto
‑
BiDet,和LWS
‑
Det。其中，Bi
‑
Det主要是通过信息瓶颈理论对二值化目标检测神经网络中冗余信息进行去除，即限制高层(high
‑
level)特征图的信息量，最大化特征图和目标检测头(head)之间的互信息。在Bi
‑
Det的基础上，Auto
‑
BiDet增加了根据输入数据特性控制信息瓶颈的压缩水平本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种二值化目标检测神经网络结构和模型的训练方法，其特征在于，包括：构建二值化目标检测神经网络，所述二值化目标检测神经网络包括骨干网络、共享特征池网络、分类解耦网络和定位解耦网络；对所述二值化目标检测神经网络进行基于多维度联合匹配的目标检测任务一致性训练；对所述二值化目标检测神经网络进行分类和定位任务的同步优化。2.根据权利要求1所述的方法，其特征在于，所述的构建二值化目标检测神经网络，所述二值化目标检测神经网络包括骨干网络、共享特征池网络、分类解耦网络和定位解耦网络，包括：构建包括骨干网络和共享特征池网络的二值化目标检测神经网络，对所述共享特征池网络进行网络特征解耦分支处理，得到两组包括一系列特征解耦块的特征解耦分支网络；利用其中一只特征解耦分支网络进行分类任务特征学习得到分类解耦网络，利用另外一只特征解耦分支网络进行定位任务特征学习得到定位解耦网络，所述特征解耦分支网络中的特征解耦块和共享特征池网络相连接，每一个特征解耦块通过对共享特征池网络的特定层应用解耦码来学习特定的特征。3.根据权利要求2所述的方法，其特征在于，所述的对所述二值化目标检测神经网络进行基于多维度联合匹配的目标检测任务一致性训练，包括：设计改进的锚框采样策略，该锚框采样策略综合考虑锚框的位置信息和语义信息多模态信息，通过检测框的置信度分数Conf_score来修正真值标签和锚框之间的交并比IOU
Anchor
，得到修正后的交并比IOU
Amendment
，如公式(5)所示：σ和Th
r
取常数值，其中，σ为用来调整交并比修正强度的超参数，Th
r
为置信度分数筛选门限值；所述锚框采样策略采用新的关联性约束损失函数L
relevance
,L
relevance
通过增大检测框的置信度分数Conf_score和与其对应的真值标签之间修正后的交并比IOU
Amendment
之间的线性关联性，来减少Conf_score和真值标签之间的差距，增大分类和定位任务性能评价指标的一致性，如公式(6)所示：L
relevance
＝|Conf_s...

【专利技术属性】
技术研发人员：王东，普菡，李浥东，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：