[發明專利]基于動態結構優化的高精度級聯目標檢測方法與裝置

有效

• 申請號: 201910544949.0
• 申請日: 2019-06-21
• 公開（公告）號: CN110288017B
• 公開（公告）日: 2023-01-10
• 發明（設計）人: 王穎穎;王大亮;王輝;王偉旗
• 申請（專利權）人: 河北數云堂智能科技有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764
• 代理公司: 北京遠創理想知識產權代理事務所(普通合伙) 11513
• 代理人: 衛安樂

1.一種基于動態結構優化的高精度級聯目標檢測裝置，其特征在于，包括：

(1)數據輸入單元，用于對輸入數據集進行訓練、驗證和測試集合的劃分，分別包含圖像及圖像中目標的標注信息，并按照需求輸入數據集；

(2)數據信息采集單元，用于分析數據種類、數據量大小、包含目標類別、目標的相對尺寸及目標的總數量；

(3)初始參數預置單元，用于接收用戶設定的可接受像素差值及貼合度要求；

(4)裝置冷啟動單元，用于綜合數據信息采集單元和初始參數預置單元的信息來估計初始訓練階段數；

(5)級聯網絡框架動態構建單元，用于根據估計的初始訓練階段數生成訓練配置文件，或者根據監測控制單元的反饋信息進一步調整級聯的階段數，動態構建級聯網絡框架；

(6)級聯網絡參數動態調整單元，用于動態調整級聯檢測器中每個階段正負樣本的判定條件，包括級聯網絡訓練子單元和正負樣本選擇子單元；

(7)模型評估單元，用于使用測試集評估檢測器的貼合水平，并反饋給監測控制單元；

(8)監測控制單元，用于接收級聯網絡參數動態調整單元反饋的檢測器訓練階段、IoU閾值、訓練損失函數信息；接收模型評估單元反饋的貼合度信息；繪制貼合度和階段數的函數曲線，通過級聯網絡可視化監控子單元實時監測訓練過程；

(9)最優模型選擇單元；用于選擇保存的所有模型中性能最優的一個作為最終的輸出模型；

(10)模型輸出單元；用于輸出訓練模型文件。

2.根據權利要求1所述的裝置，其特征在于，所述級聯網絡參數動態調整單元的兩個子單元交互過程為：第一階段檢測器訓練完成后將輸出預測框的樣本分布情況反饋給正負樣本選擇子單元，統計預測框和真實框的IoU分布情況，進行數據分析保證每次訓練的正樣本比例在20％以上，將此時正負樣本的判定閾值反饋給級聯網絡訓練子單元繼續訓練下一階段檢測器，兩個子單元在訓練過程中彼此交互，循環進行，直至完成級聯檢測器的訓練。

3.根據權利要求1或2所述的裝置，其特征在于，所述監測控制單元實時監測訓練過程具體包括：當貼合度滿足預設要求時，輸出停止訓練的信號，保存最優模型；當貼合曲線出現波峰并開始下降時，說明訓練已達上限，輸出停止訓練的信號，保存最優模型；當貼合曲線呈上升趨勢時，說明訓練不夠充分，輸出繼續訓練的信號給級聯網絡框架動態構建單元，繼續調整級聯網絡的框架。

4.根據權利要求3所述的裝置，其特征在于，所述監測訓練過程進一步包括：1)求解全局最優解：接收到級聯網絡訓練可視化監控單元反饋的訓練過程曲線后，首先建立貼合度y和階段數x的一元非線性函數y＝f(x)，求解y的極大值，即求解一元非線性方程f(x)＝0的極值點；其次使用牛頓拉夫遜迭代法求解一元非線性方程f(x)＝0：對于一元非線性方程f(x)＝0，對函數f(x)進行泰勒級數展開得f(x)＝f(x0)+f’(x0)(x-x0)，此時方程可寫為f(x0)+f’(x0)(x-x0)＝0，其中x0是給定的已知值；由方程f(x0)+f’(x0)(x-x0)＝0推導出方程的近似解x＝x0-f(x0)/f’(x0)，近似解x比初值x0更靠近真實解，重復進行迭代求近似解的過程，使得到的最終解非常接近準確值；上一步求得的近似解x即為最佳效果模型所對應的級聯階段數；2)作出繼續訓練決策的條件：使用牛頓拉夫遜迭代法計算曲線上每一點的梯度，梯度仍然有逐漸降低的趨勢時，說明模型訓練不夠充分，直觀地理解為當曲線呈現上升趨勢且未達到預定要求時，輸出繼續訓練的信號給級聯網絡框架動態構建單元，繼續調整階段數進行訓練；3)作出停止訓練決策的條件1：使用牛頓拉夫遜迭代法計算曲線中每一點的梯度，當梯度逐漸降低并趨于穩定時，說明模型已經趨于穩定，梯度最小的點對應保存的訓練模型即為最優模型；直觀地理解為當貼合度滿足預定要求時，輸出停止訓練的信號給最優模型選擇單元，保存最優模型權重，終止訓練；4)作出停止訓練決策的條件2：使用牛頓拉夫遜迭代法計算曲線中梯度為0的點，即為局部最優點，該點對應保存的訓練模型即為最優模型；直觀地理解為當曲線已經出現波峰并開始呈現下降趨勢時，輸出停止訓練的信號給最優模型選擇單元，保存最優模型權重，終止訓練。