[发明专利]基于动态结构优化的高精度级联目标检测方法与装置

权利要求书

1.一种基于动态结构优化的高精度级联目标检测装置，其特征在于，包括：

(1)数据输入单元，用于对输入数据集进行训练、验证和测试集合的划分，分别包含图像及图像中目标的标注信息，并按照需求输入数据集；

(2)数据信息采集单元，用于分析数据种类、数据量大小、包含目标类别、目标的相对尺寸及目标的总数量；

(3)初始参数预置单元，用于接收用户设定的可接受像素差值及贴合度要求；

(4)装置冷启动单元，用于综合数据信息采集单元和初始参数预置单元的信息来估计初始训练阶段数；

(5)级联网络框架动态构建单元，用于根据估计的初始训练阶段数生成训练配置文件，或者根据监测控制单元的反馈信息进一步调整级联的阶段数，动态构建级联网络框架；

(6)级联网络参数动态调整单元，用于动态调整级联检测器中每个阶段正负样本的判定条件，包括级联网络训练子单元和正负样本选择子单元；

(7)模型评估单元，用于使用测试集评估检测器的贴合水平，并反馈给监测控制单元；

(8)监测控制单元，用于接收级联网络参数动态调整单元反馈的检测器训练阶段、IoU阈值、训练损失函数信息；接收模型评估单元反馈的贴合度信息；绘制贴合度和阶段数的函数曲线，通过级联网络可视化监控子单元实时监测训练过程；

(9)最优模型选择单元；用于选择保存的所有模型中性能最优的一个作为最终的输出模型；

(10)模型输出单元；用于输出训练模型文件。

2.根据权利要求1所述的装置，其特征在于，所述级联网络参数动态调整单元的两个子单元交互过程为：第一阶段检测器训练完成后将输出预测框的样本分布情况反馈给正负样本选择子单元，统计预测框和真实框的IoU分布情况，进行数据分析保证每次训练的正样本比例在20％以上，将此时正负样本的判定阈值反馈给级联网络训练子单元继续训练下一阶段检测器，两个子单元在训练过程中彼此交互，循环进行，直至完成级联检测器的训练。

3.根据权利要求1或2所述的装置，其特征在于，所述监测控制单元实时监测训练过程具体包括：当贴合度满足预设要求时，输出停止训练的信号，保存最优模型；当贴合曲线出现波峰并开始下降时，说明训练已达上限，输出停止训练的信号，保存最优模型；当贴合曲线呈上升趋势时，说明训练不够充分，输出继续训练的信号给级联网络框架动态构建单元，继续调整级联网络的框架。

4.根据权利要求3所述的装置，其特征在于，所述监测训练过程进一步包括：1)求解全局最优解：接收到级联网络训练可视化监控单元反馈的训练过程曲线后，首先建立贴合度y和阶段数x的一元非线性函数y＝f(x)，求解y的极大值，即求解一元非线性方程f(x)＝0的极值点；其次使用牛顿拉夫逊迭代法求解一元非线性方程f(x)＝0：对于一元非线性方程f(x)＝0，对函数f(x)进行泰勒级数展开得f(x)＝f(x0)+f’(x0)(x-x0)，此时方程可写为f(x0)+f’(x0)(x-x0)＝0，其中x0是给定的已知值；由方程f(x0)+f’(x0)(x-x0)＝0推导出方程的近似解x＝x0-f(x0)/f’(x0)，近似解x比初值x0更靠近真实解，重复进行迭代求近似解的过程，使得到的最终解非常接近准确值；上一步求得的近似解x即为最佳效果模型所对应的级联阶段数；2)作出继续训练决策的条件：使用牛顿拉夫逊迭代法计算曲线上每一点的梯度，梯度仍然有逐渐降低的趋势时，说明模型训练不够充分，直观地理解为当曲线呈现上升趋势且未达到预定要求时，输出继续训练的信号给级联网络框架动态构建单元，继续调整阶段数进行训练；3)作出停止训练决策的条件1：使用牛顿拉夫逊迭代法计算曲线中每一点的梯度，当梯度逐渐降低并趋于稳定时，说明模型已经趋于稳定，梯度最小的点对应保存的训练模型即为最优模型；直观地理解为当贴合度满足预定要求时，输出停止训练的信号给最优模型选择单元，保存最优模型权重，终止训练；4)作出停止训练决策的条件2：使用牛顿拉夫逊迭代法计算曲线中梯度为0的点，即为局部最优点，该点对应保存的训练模型即为最优模型；直观地理解为当曲线已经出现波峰并开始呈现下降趋势时，输出停止训练的信号给最优模型选择单元，保存最优模型权重，终止训练。