[发明专利]一种基于网络稀疏训练的实时目标检测方法及系统

说明书

本发明提供一种基于网络稀疏训练的实时目标检测方法及系统，首先使用目标检测网络训练模型；接着，对目标检测网络进行稀疏训练，设定一个阈值并对所有权值低于该阈值的神经元进行裁剪；最后，通过微调网络来恢复损失的精度。通过以上步骤，采取网络稀疏训练裁剪的方式来加快网络的运行速度，达到实时的检测目标地物，为自动驾驶提供实时感知结果。

技术领域

本发明涉及神经网络领域，更具体地，涉及一种基于网络稀疏训练的实时目标检测方法及系统。

背景技术

在自动驾驶领域，自动化感知作为自动驾驶中非常重要的要素，对其自动驾驶的发展十分重要。目前，自动化感知是通过摄像头采集到的视频信息，实时得到视频内的地物信息，并及时反馈到终端系统，让计算机对驾驶车辆有一个实时的控制。而在其中，实时自动化感知又是最重要的一环，实时性的感知结果能让计算机实时去控制车辆的行驶，做到自动驾驶。仅仅使用深度学习来实现自动驾驶中的图像感知通常很难达到实时性。

发明内容

本发明针对现有技术中存在的技术问题，提供一种基于网络稀疏训练的实时目标检测方法及系统。

根据本发明的第一方面，提供了一种基于网络稀疏训练的实时目标检测方法，包括：基于训练数据集对构建的目标检测网络进行正常训练，得到正常训练后的初步目标检测网络；对所述初步目标检测网络进行稀疏训练，对所述初步目标检测网络中的部分神经元进行裁剪，得到稀疏训练后的目标检测网络；对稀疏训练后的目标检测网络的网络参数进行微调，以提高稀疏训练后的目标检测网络的识别精度。

在上述技术方案的基础上，本发明还可以作出如下改进。

可选的，对所述初步目标检测网络进行稀疏训练，对所述初步目标检测网络中的部分神经元进行裁剪，得到稀疏训练后的目标检测网络，包括：在正常训练的损失函数的基础上添加正则约束，得到稀疏训练损失函数；基于所述训练数据集，对所述初步目标检测网络进行稀疏训练，直到稀疏训练损失函数趋于稳定，停止训练；获取稀疏训练后每一个神经元的权重参数值，将权重参数值小于设定阈值的神经元裁剪，得到稀疏训练后的目标检测网络。

可选的，所述稀疏训练损失函数的计算公式为：

L＝∑_(x，y)l(f(x，W，B)，y)+λ∑_γ∈Wg(γ)；

其中，∑_(x，y)l(f(x，W，B)，y)为正常训练损失函数，x和y为向目标检测网络的输入数据和数据对应的真实标签，f(x，W，B)为输入数据经过目标检测网络的输出，l(f(x，W，B)，y)为将目标检测网络输出值和真实标签计算得到的loss值，W和B分别目标检测网络的权重参数和偏置参数，W为目标检测网络中每一个神经元的权重参数值之和，B为每一个神经元的偏置参数值之和；λ∑_γ∈Wg(γ)是正则约束项，其中g(γ)＝|γ|，λ是正则系数，γ为每一个神经元的权重参数值。

可选的，所述目标检测网络包括多个神经元，每一个神经元均对应有一个权重参数值γ和偏置参数值β，每一个神经元的计算如下：

其中，Zin表示一批数据的输入，数据的总数为m，Zout为与Zin对应的输出，Z_ini为第i个输入，是经过μ_B和σ_B归一化后的值，是一批训练数据时各神经元输入值的平均值；是一批训练数据时各神经元输入值的标准差，∈是为了防止方差为0产生无效计算，每个神经元中激活大小Zout和权重参数值γ正相关，其中γ，β对应神经元中的权重参数值和偏置参数值。

可选的，所述对稀疏训练后的目标检测网络的网络参数进行微调，以提高稀疏训练后的目标检测网络的识别精度，包括：基于训练数据集对稀疏训练后的目标检测网络进行训练，通过调节稀疏训练后的目标检测网络的网络参数，使稀疏训练后的目标检测网络的识别精度满足预设精度值。