[发明专利]基于隐马尔可夫模型的目标检测模型的搜索方法

说明书

本发明提供了一种基于隐马尔可夫模型的目标检测模型的搜索方法。包括：建立隐马尔可夫模型，对其参数重估后形成重构隐马尔可夫模型；预测得到其观察序列，观察量比较，不相同时，对隐马尔可夫模型参数变异后重复第二步骤；相同时，生成目标检测模型并训练至收敛后进行精度值测定、召回率测定和参数量计算；结果判定，满足预设条件时，判定为搜索到的模型；不满足预设条件时，对所有目标检测模型重新排序后得到观察序列，替换原有观察序列后重复上述步骤。本发明解决了现有技术中的目标检测模型因含带参数量庞大，而导致训练好的目标检测模型在使用中对终端设备的内存和GPU的负荷较大，造成终端设备执行困难的问题，故而存在实用性差的问题的问题。

技术领域

本发明涉及模型搜索技术领域，具体而言，涉及一种基于隐马尔可夫模型的目标检测模型的搜索方法。

背景技术

随着人工智能技术的发展，目标检测作为人工智能的一个重要应用，广泛应用于越来越多的领域。比如人脸识别，行人检测，客流统计，安全防范等。与此同时，各种各样的目标检测算法也应用而生，包括SSD，YOLOv3，Faster R-CNN等。面对不同的检测任务，通常需要构造特定网络结构的目标检测模型，而现有的目标检测模型通常存在含带参数量庞大的问题，这样，训练好的目标检测模型在使用中对终端设备的内存和GPU的负荷较大，易导致终端设备执行困难，故而存在实用性差的问题。

发明内容

本发明的主要目的在于提供一种基于隐马尔可夫模型的目标检测模型的搜索方法，以解决现有技术中的目标检测模型因含带参数量庞大，而导致训练好的目标检测模型在使用中对终端设备的内存和GPU的负荷较大，造成终端设备执行困难的问题，故而存在实用性差的问题。

为了实现上述目的，本发明提供了一种基于隐马尔可夫模型的目标检测模型的搜索方法，包括：步骤S1，根据观察序列O、状态转移矩阵A、概率矩阵B以及初始状态分布概率Π建立用于目标检测模型搜索的隐马尔可夫模型，其中，观察序列O包含n个观察量，每个观察量对应指代一个目标检测模型；步骤S2，利用Baum-Welch算法并基于观察序列O，对隐马尔可夫模型的状态转移矩阵A、概率矩阵B以及初始状态分布概率Π进行参数重估，直至隐马尔可夫模型收敛，保存上述各参数值，形成重构隐马尔可夫模型；步骤S3，利用Viterbi算法和重构隐马尔科夫模型预测得到观察序列O₁，其中，观察序列O₁包含n+1个观察量；步骤S4，判断观察序列O₁中的前n个观察量与观察序列O中的n个观察量是否一一对应相同，当两者不相同时，对隐马尔可夫模型的状态转移矩阵A的参数和/或概率矩阵B的参数进行变异后重复步骤S2；当两者相同时，使用观察序列O₁中的第n+1个观察量生成与其对应的目标检测模型Ω_(n+1)；步骤S5，训练目标检测模型Ω_(n+1)至收敛后，对目标检测模型Ω_(n+1)进行精度值测定、召回率测定和参数量计算，分别获得目标检测模型Ω_(n+1)的精度值、召回率和参数量；步骤S6，对搜索到的目标检测模型Ω_(n+1)进行结果判定，当目标检测模型Ω_(n+1)的精度值、召回率和参数量同时满足预设条件时，判定目标检测模型Ω_(n+1)为搜索输出的目标检测模型；当目标检测模型Ω_(n+1)的精度值或召回率或参数量不满足预设条件时，对观察序列O₁中的所有观察量对应的目标检测模型分别进行精度值测定、召回率测定和参数量计算，利用各目标检测模型的精度值、召回率和参数量计算目标检测模型的排序得分C，根据排序得分C对所有目标检测模型重新排序后得到对应的观察序列O₂，使用观察序列O₂替换观察序列O后重复步骤S1至步骤S5。

进一步地，目标检测模型的排序得分C根据公式(1)计算获得：

C＝k₁·R₁+k₂·P₂+k₃·P₃ (1)