[发明专利]目标检测模型的建立方法、应用方法、设备、装置及介质

说明书

本发明公开了一种目标检测模型的建立方法、应用方法、设备、装置及介质，可用于图像识别领域；所述建立方法包括：获取基础目标检测网络，将基础目标检测网络的普通卷积层替换为深度可分离卷积层，并将多尺度特征融合机制加入至基础目标检测网络，得到初始目标检测模型；获取预设数字图像，并将预设数字图像输入至初始目标检测模型；通过初始目标检测模型的深度可分离卷积层对预设数字图像进行特征提取，输出特征图；通过初始目标检测模型的多尺度特征融合机制对特征图进行目标检测，得到中间目标检测模型；采用NetAdapt算法和剪枝算法对中间目标检测模型进行优化处理，得到最终目标检测模型。本发明能够有效提升嵌入式设备目标检测效率。

技术领域

本发明涉及图像识别领域，特别涉及一种目标检测模型的建立方法、应用方法、设备、装置及介质。

背景技术

目标检测广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域；同时目标检测也是许多视觉任务需要的一个前序算法，对后续的人脸识别、步态识别、人群计数、实例分割等任务起着至关重要的作用。由于深度学习的广泛运用，目标检测算法得到了较为快速的发展。基于深度学习的目标检测算法主要分为(1)两阶段目标检测：第一阶段先产生候选区域，包含目标大概的位置信息，然后第二阶段对候选区域进行分类和位置精修；(2)单阶段目标检测：直接生成物体的类别概率和对应位置坐标值。

现有的目标检测算法的网络参数数量都比较大，实际应用中依赖服务器等大型计算机上才能达到实时检测目标的效果，但是当将网络结构移植到手机等嵌入式设备时却难以达到该效果，因为嵌入式设备的处理器性能远不如服务器。

发明内容

以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

本发明实施例提供了一种目标检测模型的建立方法、应用方法、设备、装置及介质，能够有效提升嵌入式设备目标检测效率。

第一方面，本发明实施例提供了一种目标检测模型的建立方法，包括：获取基础目标检测网络，将所述基础目标检测网络的普通卷积层替换为深度可分离卷积层，并将多尺度特征融合机制加入至所述基础目标检测网络，得到初始目标检测模型；获取预设数字图像，并将所述预设数字图像输入至所述初始目标检测模型；通过所述初始目标检测模型的所述深度可分离卷积层对所述预设数字图像进行特征提取，输出特征图；通过所述初始目标检测模型的所述多尺度特征融合机制对所述特征图进行目标检测，得到中间目标检测模型；采用NetAdapt算法和剪枝算法对所述中间目标检测模型进行优化处理，得到最终目标检测模型。

在一些实施例中，所述NetAdapt算法对所述中间目标检测模型的所述深度可分离卷积层的卷积核进行优化处理；所述剪枝算法对所述中间目标检测模型的网络结构进行优化处理。

在一些实施例中，所述通过所述初始目标检测模型的所述深度可分离卷积层对所述预设数字图像进行特征提取，输出特征图包括：利用逐点卷积对所述预设数字图像进行通道升维处理；利用深度卷积对通道升维后的预设数字图像进行特征提取处理，得到多个初始特征图；利用逐点卷积对所述多个初始特征图进行通道降维处理，并输出最终特征图。

在一些实施例中，所述通过所述初始目标检测模型的所述多尺度特征融合机制对所述特征图进行目标检测包括：获取第一深度可分离卷积层输出的第一最终特征图的高度及宽度；获取并调整第二深度可分离卷积层输出的第二最终特征图的高度及宽度使所述第二最终特征图的高度及宽度与所述第一最终特征图的高度及宽度相同；将调整后的所述第二最终特征图与所述第一最终特征图进行通道拼接和卷积得到融合特征；根据所述融合特征进行目标检测。