[发明专利]一种神经网络架构的关键点提取网络构建方法和系统

权利要求书

1.一种神经网络架构的关键点提取网络构建方法，其特征在于，包括以下步骤：

S1，预备图像数据I和图像数据V，图像数据V包括源图像、目标图像以及两者之间真实的单应性变换关系，将图像数据I中的源图像S经单应性变换得到目标图像T，由源图像S和目标图像T组成训练数据；

S2，通过对超网络模型的每个block操作进行均匀采样得到子网络模型A，将训练数据输入到子网络模型A，得到训练数据的关键点得分、关键点位置坐标和关键点对应的描述子并利用上述三者构建损失函数，通过损失函数计算误差，进行反向传播更新超网络模型的网络参数，进行迭代更新直至损失函数不再下降；

S3，利用控制器模型输出超网络模型中每个block里选择的操作数，根据该操作数和S2中迭代更新后的超网络模型的网络参数生成子网络模型B，从图像数据V中抽取一对源图像和目标图像输入子网络模型B，得到该图像对的关键点得分、关键点位置坐标和关键点对应的描述子，再结合图像数据V中单应性变换关系的真实值计算该图像对的评价指标，然后将图像数据V中剩余的图像对一一输入子网络模型B并计算其评价指标，将所有图像对的评价指标作为子网络模型B的评价指标，将子网络模型B的评价指标作为奖励值对控制器模型的参数进行更新；

S4，重复S3，直至达到预设的迭代次数或者子网络模型B的性能不再提高；

S5，利用迭代后控制器模型输出N个子网络模型C，从中挑选出性能最好的作为输出结果。

2.根据权利要求1所述的神经网络架构的关键点提取网络构建方法，其特征在于，所述步骤S2中，损失函数为：

其中α，β，γ，λ是用来平衡不同误差项之间的权重；

L_pos是用于学习关键点位置的误差，表示源图像的关键点warp到目标图像的对应位置，表示目标图像中离最近的关键点，i表示的关键点序号；

L_grad是图像梯度误，I(i，j)表示灰度值，表示图像(i，j)位置在水平方向，垂直方向和对角方向的梯度之和；

L_score是用于学习关键点得分的误差，s_i和分别表示源图像和目标图像中对应关键点的得分，d表示匹配点之间的欧氏距离，L表示匹配的总点数；

L_desc是用于学习描述子的误差，k_i是源图像中的描述子，是目标图像中对应的正样本，是目标图像中的负样本，m是一个阈值，表示在描述子空间中，不相似关键点之间最大距离的限度。

3.根据权利要求1所述的神经网络架构的关键点提取网络构建方法，其特征在于，S3中图像对的评价指标的计算公式如下：

其中，Rep为重复性得分，Loc为定位误差，M_score为匹配分数，H_Cor3为单应性准确率。

4.根据权利要求1所述的神经网络架构的关键点提取网络构建方法，其特征在于，S3中子网络模型的评价指标为所有图像对的评价指标的平均值。

5.根据权利要求1所述的神经网络架构的关键点提取网络构建方法，其特征在于，S5中的N为小于等于10的正整数。

6.根据权利要求1所述的神经网络架构的关键点提取网络构建方法，其特征在于，S3中，得出子网络模型B的评价指标后再进行记录。

7.一种神经网络架构的关键点提取网络构建系统，包含超网络模型和控制器模型，其中超网络模型包含Stem模块、Middle模块和Tail模块；Middle模块是由Convolution Block和Reduction Block组成，Middle模块作为编码器用于提取特征；Stem模块用于数据初始处理；Tail模块作为解码器输出关键点相关信息。

8.根据权利要求7所述的神经网络架构的关键点提取网络构建系统，ConvolutionBlock包含6种并列的不同参数的卷积操作组合，Reduction Block包含3种并列的卷积下采样操作组合。