[發(fā)明專利]模型生成方法及裝置、電子設(shè)備和存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202011273240.0
• 申請日: 2020-11-13
• 公開（公告）號: CN112348188B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計）人: 次元政;林宸;歐陽萬里;孫明
• 申請（專利權(quán)）人: 北京市商湯科技開發(fā)有限公司
• 主分類號: G06N3/0985
• 分類號: G06N3/0985;G06N3/04;G06V10/82
• 代理公司: 廣州三環(huán)專利商標代理有限公司 44202
• 代理人: 熊永強;董文俊

1.一種目標檢測方法，其特征在于，所述方法包括：

獲取第一網(wǎng)絡(luò)模型的第一搜索空間，所述第一搜索空間包括所述第一網(wǎng)絡(luò)模型的m層的每一層的K個候選采樣模塊；

獲取第二搜索空間，所述第二搜索空間包括所述第一搜索空間中滿足預(yù)設(shè)條件的候選采樣模塊，所述第二搜索空間的規(guī)格與所述第一搜索空間的規(guī)格相同；

對所述第二搜索空間進行超網(wǎng)訓練，以得到N個第二參考網(wǎng)絡(luò)模型；

根據(jù)所述N個第二參考網(wǎng)絡(luò)模型的性能參數(shù)和預(yù)設(shè)性能參數(shù)，從所述N個第二參考網(wǎng)絡(luò)模型中確定出所述第一網(wǎng)絡(luò)模型；所述第一網(wǎng)絡(luò)模型為對人物進行檢測的網(wǎng)絡(luò)模型；

獲取對人物進行檢測的待檢測圖像；

基于所述第一網(wǎng)絡(luò)模型對所述待檢測圖像進行目標檢測，得到目標檢測結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取第二搜索空間，包括：

對所述第一搜索空間進行超網(wǎng)訓練，以得到N個第一參考網(wǎng)絡(luò)模型；

根據(jù)所述N個第一參考網(wǎng)絡(luò)模型的性能參數(shù)和預(yù)設(shè)性能參數(shù)，從所述N個第一參考網(wǎng)絡(luò)模型中確定出M個滿足所述預(yù)設(shè)性能的第一參考網(wǎng)絡(luò)模型，M為小于或等于N的正整數(shù)；

獲取所述M個滿足所述預(yù)設(shè)性能的第一參考網(wǎng)絡(luò)模型的采樣模塊；

從所述搜索空間池中獲取第一數(shù)量的候選采樣模塊；

將所述第一數(shù)量的候選采樣模塊和所述M個滿足所述預(yù)設(shè)性能的第一參考網(wǎng)絡(luò)模型的采樣模塊的并集確定為第二搜索空間，所述第二搜索空間包括所述第一網(wǎng)絡(luò)模型的m層的每一層的K個候選采樣模塊。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)所述N個第一參考網(wǎng)絡(luò)模型的性能參數(shù)和預(yù)設(shè)性能參數(shù)，從所述N個第一參考網(wǎng)絡(luò)模型中確定出M個滿足所述預(yù)設(shè)性能的第一參考網(wǎng)絡(luò)模型，包括：

根據(jù)所述預(yù)設(shè)性能參數(shù)，確定帕累托邊界；

將所述N個第一參考網(wǎng)絡(luò)模型中性能參數(shù)在所述帕累托邊界上的M個第一參考網(wǎng)絡(luò)模型，確定為滿足所述預(yù)設(shè)性能的第一參考網(wǎng)絡(luò)模型。

4.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，對所述第二搜索空間進行超網(wǎng)訓練，以得到N個第二參考網(wǎng)絡(luò)模型，包括：

從所述第一網(wǎng)絡(luò)模型的m層的每一層的K個候選采樣模塊中獲取A個候選采樣模塊；

對所述m層的每一層的A個候選采樣模塊進行組合，以得到N個第二參考網(wǎng)絡(luò)模型的采樣模塊，A的m次冪大于或等于N；

獲取超網(wǎng)權(quán)重值；

根據(jù)所述超網(wǎng)權(quán)重值對所述N個第二參考網(wǎng)絡(luò)模型的采樣模塊進行訓練，以得到所述N個第二參考網(wǎng)絡(luò)模型。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述獲取超網(wǎng)權(quán)重值，包括：

獲取所述第一網(wǎng)絡(luò)模型的交叉熵損失函數(shù)；

根據(jù)所述交叉熵損失函數(shù)和預(yù)設(shè)參數(shù)化網(wǎng)絡(luò)，獲取所述超網(wǎng)權(quán)重值。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述從所述第一網(wǎng)絡(luò)模型的m層的每一層的K個候選采樣模塊中獲取A個候選采樣模塊，包括：

獲取所述K個候選采樣模塊中的每個候選采樣模塊的選取概率；

根據(jù)所述選取概率從所述第一網(wǎng)絡(luò)模型的m層的每一層的K個候選采樣模塊中獲取A個候選采樣模塊。

7.根據(jù)權(quán)利要求1-6任一項所述的方法，其特征在于，所述獲取第一網(wǎng)絡(luò)模型的第一搜索空間，包括：

從搜索空間池中隨機采樣獲取包括所述第一網(wǎng)絡(luò)模型的m層的每一層的K個候選采樣模塊，以得到所述第一搜索空間。

8.根據(jù)權(quán)利要求1-7任一項所述的方法，其特征在于，所述性能參數(shù)至少包括模型大小和訓練時間中的一種。