目标检测的卷积神经网络优化方法、装置及网络结构制造方法及图纸

本发明专利技术涉及计算机视觉二维图像目标检测技术领域，解决了使用卷积神经网络进行目标检测时网络拓扑结构复杂、决策能力低下的技术问题，尤其涉及一种目标检测的卷积神经网络优化方法，包括以下步骤：S1、使用在线卷积重新参数化方法将卷积神经网络中多个深度学习模块压缩为单个卷积；S2、在卷积神经网络中引入二叉决策树分离决策选择和预测值生成过程，提出具有节点选择损失和关联损失的随机决策路由；S3、将二叉决策树和随机决策路由加入卷积神经网络的检测头中。本发明专利技术能够简化复杂的网络拓扑结构并提升网络决策能力，最终提高了目标检测的精度、速度和智能化程度，从而使优化后的卷积神经网络能够快速、高效地完成二维图像中的目标检测。的目标检测。的目标检测。

【技术实现步骤摘要】
目标检测的卷积神经网络优化方法、装置及网络结构


[0001]本专利技术涉及计算机视觉二维图像目标检测
，尤其涉及一种目标检测的卷积神经网络优化方法、装置及网络结构。

技术介绍

[0002]目前计算机视觉的三大任务包括目标检测、目标分类和实例分割，使用深度学习的方法完成上述任务具有速度快、精度高、实用性强等优点。随着深度学习领域的飞速发展，卷积神经网络的深度和宽度进一步提升，造成现有网络拓扑结构复杂，训练时计算资源消耗大，训练和推理速度慢等问题，严重影响了深度卷积神经网络的发展。
[0003]当前为目标检测构建的卷积神经网络主要包含两大组件，一个是主干网络用于特征提取，主干网络包含大量复杂的拓扑结构，为提高特征提取的有效性，可以用大规模数据集进行预训练，这都加重了模型的负担，成为影响模型大小和性能的重要因素。
[0004]另一个是检测头，它产生计算损失或推断检测框的位置，而现有的卷积神经网络中检测头多由多个卷积层或全连接层依次简单连接构造而成。对于单级探测器，检测头通常是由多个卷积层叠加而成，对于两级探测器，候选框提取阶段的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测的卷积神经网络优化方法，其特征在于，包括以下步骤：S1、使用在线卷积重新参数化方法将卷积神经网络中多个深度学习模块压缩为单个卷积；S2、在卷积神经网络中引入二叉决策树分离决策选择和预测值生成过程，提出具有节点选择损失和关联损失的随机决策路由；S3、将二叉决策树和随机决策路由加入卷积神经网络的检测头中。2.根据权利要求1所述的卷积神经网络优化方法，其特征在于：在步骤S1中，深度学习模块由多层模块和多分支模块的子拓扑组成，多层模块为顺序结构，多分支模块为并行结构，深度学习模块中还包括多个卷积层，至少一个池化层、上采样层和归一化层以及多个线性缩放层。3.根据权利要求1所述的卷积神经网络优化方法，其特征在于：在步骤S1中，使用在线卷积重新参数化方法将卷积神经网络中多个深度学习模块压缩为单个卷积包括以下步骤：S11、将深度学习模块并行结构中的归一化层替换为线性缩放层；S12、在深度学习模块的多分支特征图融合之后设置一个归一化层；S13、将若干个多层模块和多分支模块同步压缩为单个卷积。4.根据权利要求1所述的卷积神经网络优化方法，其特征在于：在步骤S2中，在卷积神经网络中引入二叉决策树分离决策选择和预测值生成过程，提出具有节点选择损失和关联损失的随机决策路由包括以下步骤：S21、对从主干网络中获得的特征图的区域特征通过平均池化进行平均，获得单个上下文类向量，单个上下文类向量经过带有Sigmoid激活函数的全连接层后为不同的节点产生路由掩码；S22、在决策前的最后一个分类特征向量或回归特征向量上乘以路由掩码分别得出相应的决策值；S23、在分类特征向量和回归特征向量产生的并行情况下，添加一个具有一至两个全连接层的窄分支，用于产生分类路由和回归路由，得到分类路由概率和回归路由概率；S24、根据步骤S21
‑
S23找出随机决策路由...

【专利技术属性】
技术研发人员：汪俊，花诗燕，单忠德，李大伟，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：