【技术实现步骤摘要】
本专利技术属于人工智能目标检测，尤其涉及一种基于轻量化类脑目标检测模型的目标检测方法及设备。
技术介绍
1、大量的试验表明，相对于经典的网络模型，融合了生物学机制的类脑神经网络模型往往具有更强的性能。然而，考虑到网络模型的参数多、运算量大，为了提高模型的运算速度，网络模型的轻量化部署的需求越来越迫切，各种针对神经网络的压缩方法涌现出来，例如：量化、蒸馏、剪枝等。其中剪枝技术因为其对网络结构影响较小，且压缩效果明显的优点而备受青睐。当前主流的剪枝方法只是针对传统的神经网络模型，并不适用于更先进的仿视觉皮层的类脑目标检测模型；因此，如何对现有的目标检测模型进行优化及轻量化部署，使其拥有更高的性能指标成为目标检测领域需要研究的问题。
技术实现思路
1、鉴于上述的分析，本专利技术旨在提供一种基于轻量化类脑目标检测模型的目标检测方法及设备，用于解决现有技术中的目标检测方法计算量大，且在噪声干扰下目标检测性能受限的问题。
2、本专利技术的目的主要是通过以下技术方案实现的：
3、...
【技术保护点】
1.基于轻量化类脑目标检测模型的目标检测方法，其特征在于，包括：
2.根据权利要求1所述的基于轻量化类脑目标检测模型的目标检测方法，其特征在于，所述对所述类脑目标检测模型的卷积层及其相邻层构建耦合关系矩阵，包括：
3.根据权利要求1所述的基于轻量化类脑目标检测模型的目标检测方法，其特征在于，所述类脑目标检测模型中不包含注意力层；则基于稀疏因子对所述类脑目标检测模型进行稀疏化训练；并基于所述耦合关系矩阵，对稀疏化训练后小于剪枝阈值的稀疏因子对应的参数组进行剪枝。
4.根据权利要求3所述的基于轻量化类脑目标检测模型的目标检测方法，其特征...
【技术特征摘要】
1.基于轻量化类脑目标检测模型的目标检测方法，其特征在于，包括：
2.根据权利要求1所述的基于轻量化类脑目标检测模型的目标检测方法，其特征在于，所述对所述类脑目标检测模型的卷积层及其相邻层构建耦合关系矩阵，包括：
3.根据权利要求1所述的基于轻量化类脑目标检测模型的目标检测方法，其特征在于，所述类脑目标检测模型中不包含注意力层；则基于稀疏因子对所述类脑目标检测模型进行稀疏化训练；并基于所述耦合关系矩阵，对稀疏化训练后小于剪枝阈值的稀疏因子对应的参数组进行剪枝。
4.根据权利要求3所述的基于轻量化类脑目标检测模型的目标检测方法，其特征在于，基于所述耦合关系矩阵，对稀疏化训练后小于剪枝阈值的稀疏因子对应的参数组进行剪枝，包括：
5.根据权利要求3所述的基于轻量化类脑目标检测模型的目标检测方法，其特征在于，所述类脑目标检测模型的卷积层包括bn层；
6.根据权利要求1所述的基于轻量化类脑目标检测模型的目标检测方法，其特征在于，所述类脑目标检测模型中包含注意力层，则基于所述耦合关系矩阵，对所述卷积层及其相邻层按预设的剪枝比例通过参数组进行剪枝；所述类脑...
【专利技术属性】
技术研发人员：赵小川，王子彻，史津竹，樊迪，王秉旭，刘全攀，陈路豪，李权，
申请(专利权)人：中国兵器工业计算机应用技术研究所，
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。