基于混合神经网络的用于对象跟踪的学习方法和系统技术方案

公开了基于混合神经网络的用于对象跟踪的学习方法和系统。对象跟踪学习系统包括：第一神经网络模块，将针对输入图像的第一参数从第一类型表示并学习为第二类型，并且将学习的结果输出为第一学习结果；第二神经网络模块，移除并学习针对输入图像的第二参数中的一部分的连接，并且将学习的结果输出为第二学习结果；预测模块，根据通过对第一学习结果和第二学习结果进行求和而获得的求和结果来生成输入图像的对象的预测值；以及优化模块，基于所述预测值更新第一参数和第二参数。述预测值更新第一参数和第二参数。述预测值更新第一参数和第二参数。

【技术实现步骤摘要】
基于混合神经网络的用于对象跟踪的学习方法和系统
[0001]本专利申请要求于2021年11月16日在韩国知识产权局提交的第10
‑
2021
‑
0158035号韩国专利申请和于2022年7月13日在韩国知识产权局提交的第10
‑
2022
‑
0086571号韩国专利申请的优先权，所述韩国专利申请的公开通过引用全部包含于此。


[0002]本公开的实施例涉及用于对象跟踪的学习方法和系统，并且更具体地，涉及基于混合神经网络的用于对象跟踪的学习方法和系统。

技术介绍

[0003]正在积极开发使用神经网络(例如，深度神经网络(DNN))的对象跟踪技术。然而，为了确保对象检测的准确率，DNN所需的参数的数量正在不断增加。例如，ImageNet大规模视觉识别挑战赛(ImageNet Large Scale Visual Recognition Challenge，ILSVRC)的2014年获胜模型以400万个参数具有74.8％的top
‑
1准确率。另一方面，2017本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对象跟踪学习系统，所述学习系统包括：第一神经网络模块，被配置为将针对输入图像的第一参数从第一类型表示并学习为第二类型，并且将学习的结果输出为第一学习结果；第二神经网络模块，被配置为移除并学习针对输入图像的第二参数中的一部分的连接，并且将学习的结果输出为第二学习结果；预测模块，被配置为根据通过对第一学习结果和第二学习结果进行求和而获得的求和结果来生成输入图像的对象的预测值；以及优化模块，被配置为基于所述预测值更新第一参数和第二参数。2.根据权利要求1所述的学习系统，其中，第一神经网络模块包括：第1
‑
1量化单元，被配置为将具有实数类型的第一类型的第一参数量化为具有整数类型的第二类型的第一参数。3.根据权利要求2所述的学习系统，其中，第1
‑
1量化单元基于针对第一类型的第一参数的目标区间的中心和宽度，将具有第一类型的第一参数量化为具有第二类型的第一参数。4.根据权利要求2所述的学习系统，其中，第一神经网络模块还包括：第1
‑
2量化单元，被配置为将具有第一类型的激活值量化为具有第二类型的激活值。5.根据权利要求1所述的学习系统，其中，第二神经网络模块包括：通道修剪单元，被配置为修剪与具有第一类型的第二参数中的一部分对应的通道。6.根据权利要求1所述的学习系统，其中，第一神经网络模块包括：第1
‑
1量化单元，被配置为将具有实数类型的第一类型的第一参数量化为具有整数类型的第二类型的第一参数，并且其中，第二神经网络模块包括：通道修剪单元，被配置为修剪与具有第一类型的第二参数中的一部分对应的通道。7.根据权利要求1所述的学习系统，其中，优化模块包括：损失调整单元，被配置为调整第一学习结果、第二学习结果和所述预测值中的每个的损失；以及反向传播执行单元，被配置为基于调整后的损失来执行反向传播。8.根据权利要求1所述的学习系统，还包括：预训练模块，被配置为用测试图像对第一神经网络模块和第二神经网络模块执行预训练，并且设置针对输入图像的第一参数和第二参数的初始值。9.根据权利要求8所述的学习系统，还包括：在线跟踪模块，被配置为使得第二神经网络模块实时学习作为流式图像的输入图像。10.根据权利要求9所述的学习系统，其中，预测模块包括：学习结果求和单元，被配置为通过将被预训练的第一神经网络模块的第一学习结果与被在线学习的第二神经网络模块的第二学习结果进行求和来生成求和结果。11.根据权利要求1至10中的任一项所述的学习系统，还包括：神经网络设计模块，被配置为基于第一标准不同地设置第一神经网络模块和第二神经...

【专利技术属性】
技术研发人员：车文铉，郑一采，韩葆亨，朴大宁，郑椙旭，
申请(专利权)人：首尔大学校产学协力团，
类型：发明
国别省市：