云边协同自适应推理路径规划的目标追踪方法和系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114972429A(43)申请公布日2022.08.30(21)申请号202210581878.3(51)Int.Cl.(22)申请日2022.05.26G06T7/246(2017.01)G06T7/277(2017.01)(71)申请人国网江苏省电力有限公司电力科学G06N3/04(2006.01)研究院G06N3/08(2006.01)地址210000江苏省南京市江宁区帕威尔G06N5/04(2006.01)路1号G06F9/50(2006.01)申请人国网江苏省电力有限公司江苏省电力试验研究院有限公司(72)发明人姚楠刘子全王真秦剑华朱雪琼路永玲胡成博薛海高超吴奇伟(74)专利代理机构南京纵横知识产权代理有限公司32224专利代理师朱远枫权利要求书3页说明书10页附图2页(54)发明名称云边协同自适应推理路径规划的目标追踪方法和系统(57)摘要本发明公开了云边协同自适应推理路径规划的目标追踪方法和系统，云端接收边端上传的图像，基于所述图像利用预先获取的RetinaNet网络模型得到图像中目标的特征图、类别以及位置信息；云端对RetinaNet网络模型的推理路径进行优化获得优化后的RetinaNet网络模型参数；云端将目标的特征图、类别、优化后的RetinaNet网络模型参数以及所述RetinaNet网络模型下发到边端，以使得边端基于获取的图像，利用目标的特征图、类别、优化后的RetinaNet网络模型参数以及RetinaNet网络模型确定目标及其类别。边端结合云端下发的目标位置及追踪场景下背景模型信息，实现对监控场景下目标的实时追踪。CN114972429ACN114972429A权利要求书1/3页1.云边协同自适应推理路径规划的目标追踪方法，其特征在于，包括：云端接收边端上传的图像，基于所述图像利用预先获取的RetinaNet网络模型得到图像中目标的特征图、类别以及位置信息；云端对RetinaNet网络模型的推理路径进行优化获得优化后的RetinaNet网络模型参数；云端将目标的特征图、类别、优化后的RetinaNet网络模型参数以及所述RetinaNet网络模型下发到边端，以使得边端基于获取的图像，利用目标的特征图、类别、优化后的RetinaNet网络模型参数以及RetinaNet网络模型确定目标及其类别。2.根据权利要求1所述的云边协同自适应推理路径规划的目标追踪方法，其特征在于，所述RetinaNet网络模型包括：主干网络、分类子网络和边框预测子网络，所述主干网络包括残差网络和特征金字塔网络FPN，所述残差网络包括第一残差层Res3、第二残差层Res4以及第三层残差层Res5，所述特征金字塔网络FPN包括P3层到P7层的金字塔；其中自下而上设置第一残差层Res3、第二残差层Res4以及第三层残差层Res5、p6层和p7层，由第一残差层Res3、第二残差层Res4以及第三层残差层Res5分别计算得到自下而上的P3层、P4层、P5层；P3层、P4层、P5层、P6层和P7层分别用于生成特征图；将当前滑动窗口的中心在输入图像的映射点作为Anchor，在金字塔的P3层‑P7层设置锚框anchor，锚框anchor的面积分别为32×32、64×64、128×128、256×256、512×512；每个金字塔层，使用三种纵横比(1:2,1:1,2:1)的锚框anchor，并对每种纵横比的anchor应用{2^0,2^1,2^2}3种尺度的缩放，最终每层总共有9个默认anchor；以anchor为中心，在特征金字塔网络FPN的P3层、P4层、P5层、p6层、p7层这5个层每个层生成9个候选区域作为特征图；所述分类子网络和边框预测子网络均输入特征图和其各金字塔层的锚框anchor；所述分类子网络为一个附加在特征金字塔网络FPN上的全卷积网络FCN，在每个层级的特征图上叠加4个3*3卷积，每个卷积层有C个过滤器并且跟随ReLU激活，最终附加一个K*A个过滤器的3*3卷积层，A为锚框anchor的数量，K为类别数据；最后使用交叉熵损失函数进行目标类别的预测；边框预测子网络与分类子网络并行处理，同样是在每个层级的特征图上叠加4个3*3卷积，每个卷积层有C个过滤器并且跟随ReLU激活，最终附加一个4*A个过滤器的3*3卷积层。3.根据权利要求2所述的云边协同自适应推理路径规划的目标追踪方法，其特征在于，所述交叉熵损失函数表示如下：其中CEα为交叉熵损失函数，pi,c表示真实场景下第i个样本属于类别c的概率,N是样本总数，C是类别总数，yi,c表示输出的第i个样本属于类别c的概率，α表示权重。4.根据权利要求2所述的云边协同自适应推理路径规划的目标追踪方法，其特征在于，云端