[发明专利]一种目标检测方法、计算机设备及可读存储介质

说明书

本发明公开了一种目标检测方法、计算机设备及可读存储介质，涉及目标检测技术领域。本发明所提供的技术方案，在利用训练样本对目标检测模型进行训练时，分别对卷积权重和激活函数的输入值分别进行量化，并以此构建损失函数，对量化后的卷积权重和量化后的输入值进行调整迭代。本发明所提供的方法在训练过程调整权重值，可以保证精度，并满足各个场景条件下的需求，简化计算过程。

技术领域

本发明涉及目标检测技术领域，具体涉及一种目标检测方法、计算机设备及可读存储介质。

背景技术

目前，深度学习技术发展迅速，在人脸检测、识别等领域取得了关键性的突破，达到甚至超越人类的水平。基于深度学习的各种应用功能层出不穷，并下沉到各行各业中。基于深度学习训练得到的模型，具有较好的效果，但也存在着计算量大的缺点，限制了在嵌入式等低功耗、低计算能力设备上的应用。

现有技术中，通过将权重和激活值量化到预设大小，利用硬件定点运算速度比浮点运算速度快的特性，来解决训练深度学习模型计算量大、功耗高的问题，有利于在嵌入式等低功耗设备上运行。但是，现有技术存在如下缺陷：第一，在实际应用中，场景复杂多变，光照条件不可控，激活的取值范围变化多样，难以统计出一个满足各个场景条件下的量化值；第二，使用非对称量化提升量化后数值的表达精度，但是量化后计算过程变得复杂。

发明内容

为解决前述问题，本发明提供了一种目标检测方法，在训练过程调整权重值，可以保证精度，并满足各个场景条件下的需求，简化计算过程。

为了达到上述目的，本发明采用如下技术方案：

一种目标检测方法，包括如下步骤：

收集训练样本，对收集的训练样本进行预处理；

构建目标检测模型，所述目标检测模型包括若干卷积层，所述卷积层具有激活函数和卷积权重；

利用训练样本对目标检测模型进行训练；

利用训练好的目标检测模型进行目标检测识别；

利用训练样本对目标检测模型进行训练时，对所述卷积权重和所述激活函数的输入值分别进行量化，所述目标检测模型的损失函数为：

其中，minimize_Q(w),Q(x)为目标函数最小值，y为目标，w表示卷积权重，Q(w)表示量化后的卷积权重，x表示输入值，Q(x)表示量化后的输入值；

对量化后的卷积权重Q(w)和量化后的输入值Q(x)进行调整迭代。

可选的，所述卷积层包括Bn层，对所述卷积权重进行量化包括如下步骤：

预设卷积权重需要被量化到的大小；

将Bn层的参数合入到卷积层的参数；

根据公式1添加被训练参数v₁、v₂、v₃

公式1