[发明专利]基于脉冲神经网络的目标检测方法、系统及设备

说明书

本发明属于计算机视觉和神经计算领域，具体涉及了一种基于脉冲神经网络的目标检测方法、系统及设备，旨在解决传统的深度学习模型计算量大、占用资源多、难以应用到边缘设备中，因而目标检测无法在保证准确率的同时显著减少资源消耗的问题。本发明包括：将待检测图像的像素点数据转换为脉冲串数据；将预训练的YOLOv3网络的权值转换为适用于脉冲神经网络的权值，并基于该权值构建YOLOv3脉冲神经网络；将脉冲串数据输入YOLOv3脉冲神经网络，获得待检测图像中目标物体的类别和坐标信息。本发明将传统的卷积神经网络转换为脉冲神经网络，在保证检测准确率的前提下，提高了执行效率，降低了能耗，促进了新一代人工智能芯片的研发。

技术领域

本发明属于计算机视觉和神经计算领域，具体涉及了一种基于脉冲神经网络的目标检测方法、系统及设备。

背景技术

目标检测是计算机视觉领域中很重要的研究方向，在自动驾驶、视频监控、工业检测、航空航天等诸多领域都有具体的应用。在深度学习技术兴起之前，科研人员都是手动设计分类器来提取图像中的物体，导致准确率较低。随着深度学习技术和神经网络的发展，以及计算资源的丰富，研究者们提出大量新奇的网络，大大提高了目标检测的准确率，推动该领域的快速发展。其中典型的检测网络有YOLO系列和RCNN系列。YOLO系列直接可以预测出目标的类别和位置信息，该方法速度较快但准确率相对较低；而RCNN系列则是先挑选出建议区域，在建议区域上进一步获取类别和位置信息。相对的，该方法准确率较高但速度相对较低。上述方法都存在一些问题，这类模型往往计算量大，占用资源多，难以应用到边缘设备中。

随着人工智能和神经计算等相关技术的发展，类脑计算受到了科研人员广泛的关注，进而催生出第三代神经网络——脉冲神经网络。传统的深度神经网络虽然也是受到人脑工作机制的启发，但和真实的情况相去甚远。传统的深度神经网络传递的是模拟量，而在人脑中，信息是以脉冲的形式传递的，所以脉冲神经网络更接近人脑的工作机制。

脉冲神经网络由于其计算效率高，能耗低、占用资源少、易于硬件实现等诸多优势，已经成为人工智能领域的研究焦点。通过对脉冲神经网络的研究，可以进一步推动人工智能领域的发展，也能促进非冯·诺伊曼架构的新型人工智能芯片的研发。目前，脉冲神经网络已经在图像分类、图像分割领域取得了成功，但在复杂的视觉任务中的应用还少之又少。其主要问题在于脉冲神经网络的神经元函数不可微，难以用反向传播方法进行训练，也没有其他合理且高效的训练方法，从而导致脉冲神经网络的研究出现了瓶颈。

总的来说，现有的目标检测网络还无法有效利用脉冲神经网络的计算效率高、能耗低、占用资源少和易于硬件实现等诸多优势，从而无法在保证准确率的同时显著减少资源消耗。

发明内容

为了解决现有技术中的上述问题，即传统的深度学习模型计算量大、占用资源多、难以应用到边缘设备中，因而目标检测无法在保证准确率的同时显著减少资源消耗的问题，本发明提供了一种基于脉冲神经网络的目标检测方法，该目标检测方法包括：

步骤S10，获取待检测图像，并将所述待检测图像的像素点数据转换为脉冲串数据；获取预训练的YOLOv3网络的权值，并将所述权值转换为适用于脉冲神经网络的权值；

步骤S20，基于所述适用于脉冲神经网络的权值构建YOLOv3脉冲神经网络；

步骤S30，将所述脉冲串数据输入所述YOLOv3脉冲神经网络，获得待检测图像中目标物体的类别和坐标信息。

在一些优选的实施例中，步骤S10中将所述待检测图像的像素点数据转换为脉冲串数据，其方法为：

将所述待检测图像的像素点数据的理论最大值记为M，当前像素点数据值记为x，获得首个脉冲发射时刻t＝M-x；

进行所述首个脉冲发射时刻的归一化：