模型构建方法及目标检测方法技术

本申请涉及机器学习技术领域，提供了一种模型构建方法及目标检测方法，其中，模型构建方法包括：通过融合特征金字塔网络、特征尺度融合网络、高速特征超分模块、三叉检测头网络，构建轻量型的初始检测模型。通过利用预设训练样本集对初始检测模型进行稀疏化训练，得到目标检测模型，进一步地简化目标检测模型的参数量，使得目标检测模型适用于低性能的监控设备，能够较轻松地适应多种复杂情形的线上或线下考场环境。下考场环境。下考场环境。

【技术实现步骤摘要】
模型构建方法及目标检测方法


[0001]本申请涉及机器学习
，尤其涉及一种模型构建方法及目标检测方法。

技术介绍

[0002]随着深度学习技术的飞速发展与计算机硬件性能的提升，基于深度学习的目标检测模型在监考系统中得到了广泛的研究和应用。然而，现有的目标检测模型存在准确率低、计算量大、无法实时监控等问题，无法满足存在多种复杂情形的线上或线下考场环境(如线上考场杂乱的考试环境、低性能的监控设备无法提供现有的目标检测模型需要的算力、考场过亮或过暗的灯光布置等)的监考要求，从而导致现有的目标检测模型适用范围较小。

技术实现思路

[0003]基于此，有必要针对上述技术问题，提供一种模型构建方法及目标检测方法，以解决现有的目标检测方案中存在适用范围较小的问题。
[0004]本申请实施例的第一方面提供了一种模型构建方法，应用于电子设备，所述方法包括：融合特征金字塔网络、特征尺度融合网络、高速特征超分模块、三叉检测头网络，构建初始检测模型；利用预设训练样本集对所述初始检测模型进行稀疏化训练，以令所述初始检测模型对所述预设训练样本集中每一预设训练样本中的目标物体进行预测，得到目标检测模型。
[0005]本申请实施例的第二方面提供一种基于第一方面提供的目标检测模型的目标检测方法，应用于监控设备，所述方法包括：采集监控视频，并对所述监控视频进行预处理，得到待检测图像；利用所述目标检测模型对所述待检测图像进行目标检测，确定出所述待检测图像中的目标物体。
[0006]本申请实施例的第三方面提供了一种模型构建装置，所述模型构建装置包括：设计模块，用于融合特征金字塔网络、特征尺度融合网络、高速特征超分模块、三叉检测头网络，构建初始检测模型；训练模块，用于利用预设训练样本集对所述初始检测模型进行稀疏化训练，以令所述初始检测模型对所述预设训练样本集中每一预设训练样本中的目标物体进行预测，得到目标检测模型。
[0007]本申请实施例的第四方面提供了一种目标检测装置，所述目标检测装置包括：采集模块，用于采集监控视频，并对所述监控视频进行预处理，得到待检测图像；检测模块，用于利用所述目标检测模型对所述待检测图像进行目标检测，确定出所述待检测图像中的目标物体。
[0008]本申请实施例的第五方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述模型构建方法。
[0009]本申请实施例的第六方面提供了一种监控设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可
读指令时实现上述目标检测方法。
[0010]本申请实施例的第七方面提供了一种或多种存储有计算机可读指令的计算机可读存储介质，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如上述模型构建方法或目标检测方法。
[0011]在本申请实施例提供的一种模型构建方法中，电子设备通过融合特征金字塔网络、特征尺度融合网络、高速特征超分模块、三叉检测头网络，构建轻量型的初始检测模型，提高对小目标物体的检测精确度。并通过利用预设训练样本集对初始检测模型进行稀疏化训练，得到目标检测模型，进一步地简化目标检测模型的参数量，使得目标检测模型适用于低性能的监控设备，能够较轻松地适应多种复杂情形的线上或线下考场环境。
附图说明
[0012]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0013]图1是本申请实施例提供的模型构建方法或目标检测方法的应用环境图；
[0014]图2是本申请实施例提供的模型构建方法的实现流程图；
[0015]图3是本申请实施例提供的目标检测模型的结构示例图；
[0016]图4是本申请实施例提供的高速特征超分模块的结构示例图；
[0017]图5是本申请实施例提供的锚框与锚点的示例图；
[0018]图6是本申请实施例提供的锚框配置方法的实现流程示例图；
[0019]图7是本申请实施例提供的数据增强方法的实现流程示例图；
[0020]图8是本申请实施例提供的样本集制作方法的实现流程示例图；
[0021]图9是本申请实施例提供的稀疏化训练中的冗余特征示例图；
[0022]图10是本申请实施例提供的模型剪枝方法的实现流程示例图；
[0023]图11是本申请实施例提供的模型剪枝结果的示例图；
[0024]图12是本申请实施例提供的模型量化的中心点偏移示例图；
[0025]图13是本申请实施例提供的模型量化方法的实现流程示例图；
[0026]图14是本申请实施例提供的模型量化方法的另一实现流程示例图；
[0027]图15是本申请实施例提供的模型量化方法的又一实现流程示例图；
[0028]图16是本申请实施例提供的模型量化方法的再一实现流程示例图；
[0029]图17是本申请实施例提供的模型构建方法的实现流程示例图；
[0030]图18是本申请实施例提供的模型精度的对比图；
[0031]图19是本申请实施例提供的目标检测方法的实现流程图；
[0032]图20是本申请实施例提供的目标检测方法的实现流程示例图；
[0033]图21是本申请实施例提供的模型检测装置的结构示意图；
[0034]图22是本申请实施例提供的目标检测装置的结构示意图；
[0035]图23是本申请实施例提供的电子设备的结构示意图；
[0036]图24是本申请实施例提供的监控设备的结构示意图。
具体实施方式
[0037]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0038]以下列举为本申请实施例涉及的中英文名词解释。
[0039]特征金字塔网络(Feature Pyramid Network，FPN)，是一种基于特征金字塔的神经网络架构。它通过使用空间金字塔池化技术来构建多层特征金字塔，并且在上采样过程中与下采样过程中生成的较高分辨率特征图进行融合，以便在不同尺度上产生具有不同语义信息的特征图。FPN通过在不同的特征层之间进行信息融合，从而将更多的上下文信息引入到模型中，有效地提升了模型的感受野和语义信息表达能力，使得模型在处理多尺度物体时具有更好的鲁棒性和准确度。
[0040]特征尺度融合(Path Aggregation Network，PAN)网络，用于语义分割本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型构建方法，应用于电子设备，其特征在于，所述模型构建方法包括：融合特征金字塔网络、特征尺度融合网络、高速特征超分模块、三叉检测头网络，构建初始检测模型；利用预设训练样本集对所述初始检测模型进行稀疏化训练，以令所述初始检测模型对所述预设训练样本集中每一预设训练样本中的目标物体进行预测，得到目标检测模型。2.如权利要求1所述的模型构建方法，其特征在于，在利用预设训练样本集对所述初始检测模型进行稀疏化训练，以令所述初始检测模型对所述预设训练样本集中每一预设训练样本中的目标物体进行预测，得到目标检测模型之后，所述模型构建方法还包括：将所述目标检测模型部署至监控设备；监测所述监控设备利用所述目标监测模型执行目标检测任务的推理耗时；若所述推理耗时不满足预设实时性要求，返回执行融合特征金字塔网络、特征尺度融合网络、高速特征超分模块、三叉检测头网络，构建初始检测模型的步骤。3.如权利要求1所述的模型构建方法，其特征在于，所述融合特征金字塔网络、特征尺度融合网络、高速特征超分模块、三叉检测头网络，构建初始检测模型，包括：以特征金字塔网络、特征尺度融合网络、高速特征超分模块作为特征编码模块，以三叉检测头网络作为特征解码模块构建所述初始检测模型，所述特征编码模块用于提取目标特征，所述特征解码模块用于还原所述目标特征对应的目标物体。4.如权利要求1所述的模型构建方法，其特征在于，所述利用预设训练样本集对所述初始检测模型进行稀疏化训练，以令所述初始检测模型对所述预设训练样本集中每一预设训练样本中的目标物体进行预测，得到目标检测模型，包括：利用预设训练样本集对所述初始检测模型进行稀疏化训练，压缩模型参数，得到训练好的检测模型；检测所述训练好的检测模型的检测精度；若所述检测精度大于或等于预设精度阈值，对所述训练好的检测模型进行模型剪枝，得到剪枝后的检测模型；检测所述剪枝后的检测模型的模型尺寸；若所述模型尺寸满足预设模型尺寸要求，对所述剪枝后的检测模型进行模型量化，得到所述目标检测模型；若所述模型尺寸不满足预设模型尺寸要求，返回执行利用预设训练样本集对所述初始检测模型进行稀疏化训练，压缩模型参数，得到训练好的目标检测模型的步骤；若所述检测精度小于预设精度阈值，返回执行融合特征金字塔网络、特征尺度融合网络、高速特征超分模块、三叉检测头网络，构建初始检测模型的步骤。5.如权利要求1所述的模型构建方法，其特征在于，所述利用预设训练样本集对所述初始检测模型进行稀疏化训练，以令所述初始检测模型对所述预设训练样本集中每一预设训练样本中的目标物体进行预测，得到目标检测模型，包括：基于锚框自适应算法与所述预设训练样本集确定所述目标检测模型的锚框配置，并对所述预设训练样本集进行数据增强，得...

【专利技术属性】
技术研发人员：李福海，朱龙柏，李凯，刘应斌，
申请(专利权)人：抖动科技深圳有限公司，
类型：发明
国别省市：