[發明專利]基于深度學習的檢測模型生成方法及裝置

在審

• 申請號: 202210139601.5
• 申請日: 2022-02-15
• 公開（公告）號: CN114648671A
• 公開（公告）日: 2022-06-21
• 發明（設計）人: 周卓立;任鵬
• 申請（專利權）人: 成都臻識科技發展有限公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都九鼎天元知識產權代理有限公司 51214
• 代理人: 劉世權

本發明公開了一種基于深度學習的檢測模型生成方法及裝置，該方法包括構建包括第一卷積模塊的深度學習模型；獲取訓練集，并利用訓練集對深度學習模型進行訓練，獲得目標檢測模型；對目標檢測模型進行重參數化，以使目標檢測模型中的第一卷積模塊替換為第二卷積模塊；將替換后的目標檢測模型發送至終端設備，終端設備在接收到待檢測數據時，執行檢測任務。本發明通過在訓練時采用第一卷積模塊執行訓練任務，并在將訓練完成的目標檢測模型部署至終端設備時，將目標檢測模型的第一卷機模塊替換為第二卷積模塊，使得在訓練的時候有比較高的計算量與參數量，但是部署的時候和正常的網絡計算量接近一致，顯著提升了目標檢測模型的性能。

技術領域

本發明涉及圖像識別技術領域，尤其涉及到一種基于深度學習的檢測模型生成方法及裝置。

背景技術

深度學習技術是人工智能的一個重要領域。它是指通過深度學習算法對圖像進行對象識別。深度學習技術的應用非常廣泛，比較典型的應用例如是人臉識別和車牌識別。

深度學習的效果一般受限于網絡參數量和網絡計算量。網絡計算量越大或者網絡參數量越大，相應的擬合效果越好。但是為了保證一些視頻處理的實時性，網絡計算量越大帶來的問題就是部署的時候對于顯卡或者計算設備的要求過高，網絡參數量過大引起的是占用硬盤空間越大。為了維持部署的實時性，通常會設定一定的網絡計算量，但是同比就損失了一定的模型性能。因此，如何提高基于深度學習的檢測模型的檢測性能，是一個亟需解決的技術問題。

上述內容僅用于輔助理解本發明的技術方案，并不代表承認上述內容是現有技術。

發明內容

本發明的主要目的在于提供一種基于深度學習的檢測模型生成方法、裝置、設備及存儲介質，旨在解決目前基于深度學習的檢測模型的檢測性能不高的技術問題。

為實現上述目的，本發明提供一種基于深度學習的檢測模型生成方法，所述方法包括以下步驟：

構建深度學習模型；其中，所述深度學習模型包括第一卷積模塊；

獲取訓練集，并利用所述訓練集對所述深度學習模型進行訓練，獲得目標檢測模型；

對所述目標檢測模型進行重參數化，以使所述目標檢測模型中的第一卷積模塊替換為第二卷積模塊；

將替換后的所述目標檢測模型發送至終端設備，以使所述終端設備在接收到待檢測數據時，執行檢測任務。

可選的，所述第一卷積模塊包括至少一個第一conv+bn模塊，所述第一conv+bn模塊的輸入端為N通道輸入端，所述第一conv+bn模塊的輸出端為N通道輸出端。

可選的，所述第二卷積模塊包括至少一個第二conv+bn模塊和至少一個第三conv+bn模塊，所述第二conv+bn模塊的輸入端為N通道輸入端，所述第二conv+bn模塊的輸出端連接第三conv+bn模塊的輸入端，所述第三conv+bn模塊的輸出端為N通道輸出端。

可選的，所述第一conv+bn模塊和第二conv+bn模塊的尺寸為3×3，所述第三conv+bn模塊的尺寸為1×1。

可選的，所述第二conv+bn模塊的輸出端和第三conv+bn模塊的輸入端為N×4傳輸通道。

可選的，所述深度學習模型采用resnet結構或vgg結構。

可選的，所述訓練集為訓練圖像集，所述待檢測數據為待檢測圖像。

此外，為了實現上述目的，本發明還提供了一種基于深度學習的檢測模型生成裝置，所述基于深度學習的檢測模型生成裝置包括：

構建模塊，用于構建深度學習模型；其中，所述深度學習模型包括第一卷積模塊；

獲取模塊，用于獲取訓練集，并利用所述訓練集對所述深度學習模型進行訓練，獲得目標檢測模型；