目标检测模型剪枝方法和目标检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114241230A(43)申请公布日2022.03.25(21)申请号202111376597.6G06T7/00(2017.01)(22)申请日2021.11.19G06K9/62(2022.01)G06N3/08(2006.01)(71)申请人南方电网数字电网研究院有限公司地址510700广东省广州市黄埔区中新广州知识城亿创街1号406房之86(72)发明人李鹏黄文琦吴洋曾群生陈佳捷周锐烨梁凌宇戴珍姚森敬(74)专利代理机构华进联合专利商标代理有限公司44224代理人潘宏洲(51)Int.Cl.G06V10/764(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)权利要求书2页说明书16页附图5页(54)发明名称目标检测模型剪枝方法和目标检测方法(57)摘要本申请涉及一种目标检测模型剪枝方法和目标检测方法。所述目标检测模型剪枝方法包括：获取待剪枝目标检测模型，待剪枝目标检测模型根据样本图像集中样本图像训练得到；将样本图像输入待剪枝目标检测模型，得到与样本图像对应的每层神经网络的输出特征图；确定输出特征图的秩，根据输出特征图的秩，对待剪枝目标检测模型中每层神经网络进行分类，得到分类结果；根据分类结果，确定与每层神经网络对应的剪枝率；根据剪枝率，对每层神经网络的网络参数进行剪枝，得到已训练目标检测模型。采用本方法能够减少目标检测模型所需要的计算、存储资源，提高检测效率。CN114241230ACN114241230A权利要求书1/2页1.一种目标检测模型剪枝方法，其特征在于，所述方法包括：获取待剪枝目标检测模型，所述待剪枝目标检测模型根据样本图像集中样本图像训练得到；将所述样本图像输入所述待剪枝目标检测模型，得到与所述样本图像对应的每层神经网络的输出特征图；确定所述输出特征图的秩，根据所述输出特征图的秩，对所述待剪枝目标检测模型中每层神经网络进行分类，得到分类结果；根据分类结果，确定与所述每层神经网络对应的剪枝率；根据所述剪枝率，对所述每层神经网络的网络参数进行更新，得到已训练目标检测模型。2.根据权利要求1所述的方法，其特征在于，所述获取待剪枝目标检测模型包括：获取初始目标检测模型以及携带标注框的样本图像集；将所述样本图像集中样本图像，输入所述初始目标检测模型，得到与所述样本图像对应的预测框；根据所述标注框和所述预测框，得到与所述初始目标检测模型对应的模型损失函数，并获取所述初始目标检测模型的网络参数矩阵；根据所述模型损失函数和所述网络参数矩阵，对所述初始目标检测模型进行稀疏化训练，得到待剪枝目标检测模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述模型损失函数和所述网络参数矩阵，对所述初始目标检测模型进行稀疏化训练，得到待剪枝目标检测模型包括：根据所述模型损失函数和所述网络参数矩阵，计算所述初始目标检测模型中网络参数的更新梯度；根据所述更新梯度，对所述初始目标检测模型中网络参数进行调整；返回所述将所述样本图像集中样本图像，输入所述初始目标检测模型，得到与所述样本图像对应的预测框的步骤，直到最新的模型损失函数满足预设停止迭代条件，得到待剪枝目标检测模型。4.根据权利要求1所述的方法，其特征在于，所述根据所述输出特征图的秩，对所述待剪枝目标检测模型中每层神经网络进行分类，得到分类结果包括：根据所述输出特征图的秩，确定每层神经网络对应的秩；对所述每层神经网络对应的秩进行排序，根据预设类别数以及排序结果，对所述待剪枝目标检测模型中每层神经网络进行分类，得到分类结果。5.根据权利要求1所述的方法，其特征在于，所述根据所述剪枝率，对所述每层神经网络的网络参数进行更新，得到已训练目标检测模型包括：对所述每层神经网络的网络参数进行排序，根据排序结果以及所述剪枝率，确定每层神经网络的待重置网络参数；重置所述待重置网络参数，得到已训练目标检测模型。6.一种目标检测方法，其特征在于，所述方法包括：获取待检测图像以及已训练目标检测模型，所述已训练目标检测模型通过上述权利要求1‑5中任一项所述方法得到；2CN114241230A权利要求书2/2页将所述待检测图像输入所述已训练目标检测模型，得到目标检测结果。7.一种目标检测模型剪枝装置，其特征在于，所述装置包括：模型获取模块，用于获取待剪枝目标检测模型，所述待剪枝目标检测模型根据样本图像集中样本图像训练得到；第一处理模块，用于将所述样本图像输入所述待剪枝目标检测模型，得到与所述样本图像对应的每层神经网络的输出特征图；分类模块，用于确定所述输出特征图的秩，根据所述输出特征图的秩，对所述待剪枝目标检测模型中每层神经网络进行分类，得到分类结果；第二处理模块，用于根据分类结果，