申请/专利权人：上海悠络客电子科技股份有限公司

申请日：2021-12-13

公开（公告）日：2024-06-21

公开（公告）号：CN114445674B

主分类号：G06V10/774

分类号：G06V10/774;G06V10/80;G06V10/82;G06N3/0464;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2022.05.24#实质审查的生效;2022.05.06#公开

摘要：本发明公开了基于多尺度融合卷积的目标检测模型搜索方法，本发明提出了一组多尺度融合卷积模块，在单个卷积操作中集成了不同尺寸的卷积核，并利用分组卷积降低参数量，使得多尺度卷积模块在没有增加参数量的前提下，提高了网络的特征处理能力，其中，利用小尺寸的卷积核关注图片中的细节信息和小尺寸目标，利用大尺寸卷积核关注图片中的整体信息和较大目标。输入的特征图由所有卷积核处理完毕之后，将所有卷积核输出的特征图融合作为整个多尺度融合卷积模块的输出。之后，本发明利用NAS技术，将所述多尺度融合卷积模块集成到神经网络架构中，作为目标检测模型的主干网络，可有效的提高所述主干网络的特征提取能力。

主权项：1.一种基于多尺度融合卷积的目标检测模型搜索方法，其特征在于，包括以下步骤：步骤S1，构建模块搜索空间，其中包含一组多尺度融合卷积模块；给定带有标签的目标检测数据集，并将该数据集划分为训练集，验证集和测试集；步骤S2，种群初始化，构建初始种群，初始种群中包含N个个体，每个个体以输入层为第一层，封装数个子网络，每个子网络中封装从操作搜索空间中随机采样数个模块，以全连接层为输出层，并对每个个体进行编码，产生N条染色体，所述N为大于1的自然数；步骤S3，由初始种群中的所有个体组成超网络one-shotmodel，并基于ImageNet数据集，利用采样训练的方法对超网络进行预训练，直到超网络模型收敛，并得到超网络权值W*；步骤S4，为每一个个体融合边界框生成网络RegionProposalNetwork,RPN，使得每个个体成为一个目标检测模型；步骤S5，每个个体Ai从超网络中继承相应的权值之后在训练集上进行训练，直至收敛；步骤S5，基于验证集，利用mAP值作为适应度函数，对每个个体进行适应度评估；步骤S6，利用锦标赛选择法从所述种群中选择数个个体，组成第一种群；步骤S7，根据交叉率pc，利用多点交叉方法对第一种群中的个体染色体进行两两交叉，得到数个个体染色体，组成第二种群；步骤S8，根据变异率pm，对第二种群中的个体染色体的某一模块进行替换或者删除；步骤S9，基于训练集，对第二种群的每个个体进行训练，直至个体收敛；基于验证集，利用mAP值作为适应度函数，对第二种群中进行适应度评估；步骤S10，将第一种群和第二种群中的个体合并，根据适应度值排序，选出适应度排名前N个个体，并反馈至步骤S6，直到达到预设的进化代数，之后输出适应度值最优的个体作为搜索到的目标检测模型；其中，利用所述mAP值作为适应度函数，其表达式为： 其中，P为类别j的准确率，R为类别j的召回率，APj为类别j的AP值，H为数据集中的类别总数。

全文数据：

权利要求：

百度查询： 上海悠络客电子科技股份有限公司 一种基于多尺度融合卷积的目标检测模型搜索方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD