[發明專利]一種基于快速神經架構搜索的目標檢測方法

在審

• 申請號: 202011469675.2
• 申請日: 2020-12-14
• 公開（公告）號: CN112464960A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 張艷寧;張世周;高揚;王寧
• 申請（專利權）人: 西北工業大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 金鳳

1.一種基于快速神經架構搜索的目標檢測方法，其特征在于，包括以下步驟：

步驟1：定義目標檢測搜索空間；

步驟1-1：將原始圖像輸入骨干特征提取網絡，輸出c₁、c₂、c₃、c₄、c₅ 5個不同尺度的圖像，其中c₁為原圖像；

步驟1-2：將c₁、c₂、c₃、c₄、c₅輸入多層特征融合模塊，多層特征融合模塊將c₁、c₂、c₃、c₄、c₅進行融合，多層特征融合模塊的輸出表示為P₃、P₄、P₅、P₆、P₇，并且P₃、P₄、P₅、P₆、P₇的尺度與c₁、c₂、c₃、c₄、c₅的5個尺度相同；

步驟1-3：將P₃、P₄、P₅、P₆、P₇分別輸入5個檢測頭模塊，經過檢測頭模塊的分類與回歸，輸出對原始圖像中目標檢測結果，包括類別及位置信息；

步驟2：構建目標檢測搜索算法；

基于假設：搜索得到的結構在不同數據集上應具備遷移能力，使用VOC數據集進行代理搜索；

使用驗證集的平均損失之和作為驅動強化學習迭代訓練的獎勵指標；

使用漸進式搜索解耦大搜索空間：首先固定檢測頭模塊，對多層特征融合模塊進行搜索，得到第一個最佳模塊；然后固定多層特征融合模塊，對檢測頭模塊進行搜索，得到第二個最佳模塊；在最終模型中將兩次搜索得到的最佳模塊進行組合；

步驟3：將步驟2的搜索算法應用在步驟1的搜索空間，對原始圖像進行搜索，檢測得到原始圖像中目標的類別及位置信息。

2.根據權利要求1所述的一種基于快速神經架構搜索的目標檢測方法，其特征在于，所述多層特征融合模塊中設計了基本單元塊，基本單元塊被表征為五元組：x1,x2,x3,x4,x5，支持兩個輸入與一個輸出；其中x1和x2分別代表候選輸入，實現跨層級的輸入選擇；x3和x4為候選變換操作，分別對x1和x2進行變換，增強特征的非線性表征能力；x5對變換后的兩路特征進行加權或通道級別的融合。

3.根據權利要求1所述的一種基于快速神經架構搜索的目標檢測方法，其特征在于，所述檢測頭模塊使用線性串聯模式，添加權重共享起始點index，在index前的操作擁有獨立權重，而index后的操作在不同特征級別間共享權重；借助index起始點，將檢測頭部分解耦成獨立與共享兩部分：獨立的檢測頭是多層特征融合模塊的延伸，共享的檢測頭則繼續實現分類與回歸的功能。

4.根據權利要求1所述的一種基于快速神經架構搜索的目標檢測方法，其特征在于，所述搜索算法使用Adam優化器進行訓練。