[发明专利]基于NAS网络的目标检测方法及系统

说明书

本发明公开了一种基于NAS网络的目标检测方法及系统，涉及机器学习和目标检测技术领域，解决了目标检测计算量大且准确率低的技术问题，其技术方案要点是通过FPN网络对图像的特征图自上而下进行特征融合，生成第一特征金字塔。然后再通过NAS网络中的连接模式对第一特征金字塔中的任意两个特征图进行特征融合得到新的特征金字塔。由于NAS网络的连接模式有多种，因此可以选择参数适合的连接模式进行特征融合，既能提高特征融合的效果，也能减少特征融合的计算量，从而使整个目标检测过程的计算量都能有所减少，提高目标检测的效率和准确率。

技术领域

本公开涉及机器学习和目标检测技术领域，尤其涉及一种基于NAS网络的目标检测方法及系统。

背景技术

目标检测是计算机视觉中最具挑战性的任务之一尽管各种神经网络模型架构层出不穷，但往往模型性能越高，对超参数的要求也越来越严格，而网络结构作为一种特殊的超参数，在深度学习的整个环节中扮演着举足轻重的角色。超参数主要可为两类：一类是训练参数(如learning rate(学习率)，batch size(批尺寸)，weight decay(权重衰减)等)；另一类是定义网络结构的参数(比如卷积中的滤波器尺寸等)，它具有维度高，离散且相互依赖等特点。训练参数的自动调优仍是HO(Hyperparameter optimization，超参数优化)的范畴，而网络结构相关参数的自动调优一般称为NAS(Neural Architecture Search，网络架构搜索)。

NAS本质上是高维空间的最优参数搜索问题，NAS的目的是针对某一任务和数据集自动搜索出一种高效的神经网络结构，从而使人类专家从设计网络的劳动中解放出来。NAS一般是先定义搜索空间，然后通过搜索策略找出候选网络结构，对它们进行评估，根据反馈进行下一轮的搜索。首先搜索空间定义基本是和DNN(Deep Neural Networks，深度神经网络)的发展相应，从起初的链式结构逐渐发展到多叉结构。NAS的搜索策略比如基于强化学习，将NAS建模成马尔可夫决策过程，使用RL(Reinforcement Learning，强化学习)方法；又或者基于梯度的方法，将搜索空间变成了连续空间，目标函数成为了可微函数，这样就可以用基于梯度的优化方法找寻最优结构。搜索结束后，这些混合的操作会被权重最大的操作替代，形成最终的结果网络。

NAS在探索图像分类问题的体系结构方面取得了很大的成功，其分类简单直观，计算量少，训练过程快。但若输入图像的分辨率较高且训练时间较长时，目标检测的计算量就会增加很多，仅通过改变NAS的搜索体系结构的方法不适用于所有数据集，且基于搜索的方法通常需要对候选架构进行大量的重复训练和评估，因此即使在低分辨率的图像分类数据集上，计算量也非常大。

发明内容

本公开提供了一种基于NAS网络的目标检测方法及系统，其技术目的是降低目标检测的计算量并提高目标检测的准确率。

本公开的上述技术目的是通过以下技术方案得以实现的：

一种基于NAS网络的目标检测方法，包括：

通过FPN网络对图像进行处理，生成所述图像的第一特征图；

通过FPN网络对所述第一特征图自上而下进行特征融合，得到第二特征图，直至所述第二特征图形成第一特征金字塔；其中，所述第二特征图包括激活层、卷积层和归一化层；

将所述第一特征金字塔输入到NAS网络中，所述NAS网络包括至少两个第一连接模式，根据每个第一连接模式对所述第一特征金字塔中的任意两个特征进行融合得到至少两个第二特征金字塔；

判断所述第二特征金字塔的性能是否达到要求；

若所述第二特征金字塔的性能达到要求，则选择所述第二特征金字塔对应的第一连接模式；

根据所述NAS网络对选择的所述第一连接模式进行参数调节，得到第二连接模式；