[发明专利]一种物体检测器构建、物体检测方法及系统

说明书

本发明公开一种物体检测器构建、物体检测方法及系统，其中物体检测器构建方法包括：构建主干网络的搜索空间及头部网络的搜索空间，对主干网络和头部网络进行松弛化处理；利用随机梯度下降的方法对松弛化处理后的主干网络和头部网络执行网络结构搜索操作，学习重构其拓扑连接和子网络，得到主干网络和头部网络组成的物体检测器。本发明利用神经网络结构搜索的机制对主干网络和头部网络的结构进行搜索，实现对单次物体检测器的自动网络结构定制。引入头部网络学习重构他们的拓扑连接和子网络，以便挖掘更有效的检测模块进行局部信息和全局信息表达，在执行网络结构搜索时考虑上网络的延迟，实现实时检测任务对模型速度和准确性的权衡。

技术领域

本发明涉及自动机器学习技术领域，具体涉及一种物体检测器构建、物体检测方法及系统。

背景技术

目标搜索(检测与定位)是计算机视觉的基础任务，其目的是根据给出的图片找出图片中的目标物体，并给出其位置及其边界框等信息。在现实生活中可以应用于智慧交通，智能安防等方面。

近年来，随着人工智能与深度学习的发展，传统的目标定位与检测任务在性能与速度上都取得了显著性的成果。然而，传统的目标识别或检测任务都是通过人工设计特征提取网络和检测模块来完成的，这需要耗费大量的人力和时间来设计模块与验证有效性。此外，训练过程一般分为两个阶段，先在分类任务上预训练特征提取网络，然后再在目标识别或检测任务上微调模型。现有的模型主干网络是从分类模型迁移过来的，结构固定无法适应具体检测任务做调整，且基于分类任务的预训练模型在检测任务上存在学习目标的偏差。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中的目标检测模型无法调整网络框架导致检测效果差的缺陷，从而提供一种物体检测器构建、物体检测方法及系统。

为达到上述目的，本发明提供如下技术方案：

第一方面，本发明实施例提供一种物体检测器构建方法，包括：构建主干网络的搜索空间，所述主干网络用于提取物体特征；构建头部网络的搜索空间，所述头部网络用于物体的识别检测；对主干网络和头部网络进行松弛化处理；利用随机梯度下降的方法对松弛化处理后的主干网络和头部网络执行网络结构搜索操作，学习重构其拓扑连接和子网络，得到主干网络和头部网络组成的物体检测器。

进一步地，所述主干网络的搜索空间包括多层卷积模块单元，在预设位置的卷积模块单元进行下采样，并在下采样的卷积模块单元增加一倍或多倍的滤波器数量，进行下采样单元称为“缩减单元”，其他单元称为“常规单元”。

进一步地，所述头部网络搜索空间包括多层卷积模块单元，其中的第一个“常规单元”放置在第一个分类器之前，第二个“缩减单元”负责连接主干网络与级联结构，其余单元依次放置在后续的分类器之前。

进一步地，所述主干网络的搜索空间的每个多层卷积模块单元由N个节点组成，其中前两个节点是输入节点，对于N-3个中间节点，第n个节点将来自前面节点的n+1个输入特征图映射到输出特征图，最后一个输出节点将来自中间节点的输出特征图拼接得到当前模块单元的输出。

进一步地，所述头部网络的搜索空间的每个多层卷积模块单元由N个节点组成，其中前两个节点是输入节点，对于N-3个中间节点，第n个节点将来自前面节点的n+1个输入特征图映射到输出特征图，最后一个输出节点将来自中间节点的输出特征图拼接并进行卷积后得到当前模块单元的输出。

进一步地，主干网络的搜索空间和头部网络的搜索空间操作包括：不同尺度的深度可分卷积、不同尺度的卷积、不同尺度的膨胀卷积、无连接操作以及同等映射连接。

进一步地，所述对主干网络和头部网络进行松弛化处理的步骤，包括：

通过增加一路径权重得到松弛化表达的来近似每个中间节点的操作

其中，为路径权重由结构参数归一化得到，为输出特征；