[发明专利]神经网络模型优化系统及方法

说明书

本发明公开一种神经网络模型优化系统，包括第一分析模块、第二分析模块及反馈模块。第一分析模块用于划分图像的检测结果。第二分析模块用于计算各检测框与对应的标注框的交并比IoU值，根据IoU值与对应的IoU阈值的大小判断正负例，并计算各个目标类别的AP值。反馈模块提供用于接受输入的可视化操作界面，并依据输入信息输出检测图像。通过第一分析模块使得用户可以快速了解各个类别目标的图像检测结果的好坏情况，以对网络模型的检测能力有基本的认知，通过第二分析模块对网络模型进行更深入的挖掘，用户可以参考反馈的结果分析导致网络模型检测结果好坏的可能原因，实现有依据、有方向的改进模型。另，本发明还公开一种神经网络模型优化方法。

技术领域

本发明涉及深度学习目标检测技术领域，尤其涉及一种神经网络模型优化系统及方法。

背景技术

随着深度学习技术的快速发展，基于深度学习的目标检测方法也在多个领域中都得到了广泛应用，在垃圾检测领域更是凸显深度学习的优势。许多研究学者提出了许多经典算法和网络架构，或者基于前人的基础做出有效的改进措施，例如2015年的Shaoqin Ren等人所提出的经典Faster R-CNN网络。

中国专利申请CN108985328A公开了一种用于判别角膜溃烂的深度学习模型的构建方法及其系统，其对角膜测试图像进行处理，利用AlexNet和VGGNet来获取不同的深度学习模型，并在此之后，通过不断调整深度学习模型的各类参数来获取新的深度学习模型，在每次调整后，均以识别率更高的深度学习模型作为基础与下次调整后的进行比较，因此能够针对深度学习模型的各项参数分别进行优化。该专利申请通过训练过程的不断学习模型参数来获取最优网络，从而达到不错的分类效果。

类似于上述专利申请，现有技术中往往是针对模型的检测结果进行参数的修改，通过修改后的模型检测结果若有提高就完成任务，若修改后的检测效果不好则重新修改模型网络结构或参数，并不能进行细致的分析和得出修改方向。以垃圾检测为例子，大部分研究人员只顾着使用当下新兴的技术去提升网络模型的检测结果，虽然大部分情况下检测效果有所提升，但这并不是最好的改进方案。例如，知道残差网络能够提升网络模型的最终检测结果，便在没有充分考虑网络架构和待检测目标的特征的前提下，只顾增加残差结构块的数量，并没有合理的改进思路和方向。

发明内容

本发明的目的在于提供一种神经网络模型优化系统及方法，以给网络模型的改进思路和方向提供参考。

为实现上述目的，本发明提供了一种神经网络模型优化系统，包括第一分析模块、第二分析模块以及反馈模块。其中，所述第一分析模块用于依据神经网络模型输出的检测框预测类别与真实的目标类别的比对结果以及IoU数量划分图像的检测结果。所述第二分析模块用于计算各检测框与对应的标注框的交并比IoU值，根据所述IoU值与对应的IoU阈值的大小判断正负例，并计算各个目标类别的AP值。所述反馈模块提供一用于接受输入的可视化操作界面，并依据输入信息输出对应的检测图像。

与现有技术相比，本发明的神经网络模型优化系统通过第一分析模块划分网络模型的检测结果，使得用户可以快速了解各个类别目标的图像检测结果的好坏情况，能够在最快的时间内对网络模型的检测能力有基本的认知；通过第二分析模块以IoU值为基础对网络模型进行更深入的挖掘，进而使得用户可以参考反馈的结果分析导致网络模型检测结果好坏的可能原因，以实现有依据、有方向的模型改进策略。

具体地，所述检测结果包括检测成功、检测失败、重复检测以及误检；若所述预测类别与目标类别相同，所述检测结果则为检测成功；若无法检测出图像中的目标，所述检测结果则为检测失败；若所述IoU数量过大而导致对目标重复检测，所述检测结果则为重复检测；若所述预测类别与目标类别不同，所述检测结果则为误检。

具体地，所述神经网络模型优化系统还包括输出获取模块，所述输出获取模块用于获取神经网络模型输出的检测框坐标、预测类别以及该预测类别对应的置信度。所述神经网络模型采用非极大值抑制处理后选取置信度较大的几个类别作为该检测框的预测类别。