CN114266953A - 一种基于深度学习的目标检测流程自优化方法 - Google Patents
一种基于深度学习的目标检测流程自优化方法 Download PDFInfo
- Publication number
- CN114266953A CN114266953A CN202111601306.9A CN202111601306A CN114266953A CN 114266953 A CN114266953 A CN 114266953A CN 202111601306 A CN202111601306 A CN 202111601306A CN 114266953 A CN114266953 A CN 114266953A
- Authority
- CN
- China
- Prior art keywords
- target detection
- model
- self
- training
- optimization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000005457 optimization Methods 0.000 title claims abstract description 46
- 238000013135 deep learning Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 230000000694 effects Effects 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 230000007306 turnover Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 6
- 238000011161 development Methods 0.000 description 2
- 244000141353 Prunus domestica Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种基于深度学习的目标检测流程自优化方法，包括以下步骤：步骤S1：定义目标检测的标准流程以及目标检测流程可能用到的模块，确定可通过神经网络模块来优化的目标检测流程自优化空间；步骤S2：确定与自优化空间相关的限制条件以及所需参数配置，配置目标检测流程的自优化限制参数；步骤S3：将步骤S1的自优化空间与步骤S2的限制参数送入流程优化器，产生优化后的模型组及其相关配置；步骤S4：对步骤S3得到的模型组进行标准化完全训练，统计效果并输出最终模型组；本发明用于计算机视觉目标检测训练，能够有效的降低计算机视觉目标检测训练所需的人工时间成本，提升目标检测模型的综合能力。
Description
技术领域
本发明涉及计算机视觉技术领域，尤其是一种基于深度学习的目标检测流程自优化方法。
背景技术
随着科学技术的发展，计算机视觉已经成为一个十分成熟的领域，并已在许多成熟的应用场景落地。而目标检测更是一个热门的研究领域。传统的目标检测流程较为繁杂，需要算法工程师编写神经网络并进行训练调参，才能确定一个模型的最优效果。而且不同的硬件设备对于模型要求也不同，在结合实际条件的情况下快速选取出符合要求的模型还具有很大的挑战。
传统的目标检测流程，需要构建模型并训练调参，且十分依赖算法工程师。一些目标检测框架的出现缓解了这一现象，但是大多都局限于固定的算法模块实现，不便横向比较某一算法模块的效果。且目前的目标检测框架基本都不能进行流程上的优化。随着该领域的不断发展，模型也层出不穷，人工优化流程的方式在庞大的模型数量面前也变得十分低效。而自动化的方式也需要大量的算力支持才能选出符合条件的模型，且时间成本过高。为了解决这一问题，就更需要一种能对目标检测流程进行自优化的方法。
发明内容
本发明提出一种基于深度学习的目标检测流程自优化方法，用于计算机视觉目标检测训练，能够有效的降低计算机视觉目标检测训练所需的人工时间成本，提升目标检测模型的综合能力。
本发明采用以下技术方案。
一种基于深度学习的目标检测流程自优化方法，包括以下步骤：
步骤S1：定义目标检测的标准流程以及目标检测流程可能用到的模块，确定可通过神经网络模块来优化的目标检测流程自优化空间；
步骤S2：确定与自优化空间相关的限制条件以及所需参数配置，配置目标检测流程的自优化限制参数；
步骤S3：将步骤S1的自优化空间与步骤S2的限制参数送入流程优化器，产生优化后的模型组及其相关配置；
步骤S4：对步骤S3得到的模型组进行标准化完全训练，统计效果并输出最终模型组。
所述步骤S1具体为：
步骤S11：确定标准化的目标检测神经网络模块，按照神经网络模块的功能以及标准流程位置的不同划分为若干模块组，并对每一个模块组提出若干种网络模块定义；
步骤S12：确定步骤S11中的目标检测神经网络模块所需围绕的基础模型种类，以确定作为模块化搜索的中心模型簇。
所述步骤S2具体为：
步骤S21：确定自优化方法的基础硬件配置，包括显卡、CPU以及内存的相关参数；
步骤S22：确定自优化方法的运行时间限制、神经网络模块的运行参数以及最终的优化目标；最终优化目标包括平均精确度与时间。
所述步骤S22中的神经网络模块的运行参数，包含与步骤S11中的网络模块相适应的标准化训练与测试参数，还包括其所使用目标检测数据集的相关参数；其中，神经网络模块的标准化训练与测试参数，按照网络模块组的不同，包含网络的类型名称、网络深度、网络连接模块的输入输出通道数、使用的检测头种类以及相关参数；
所述目标检测数据集的相关参数，包含数据集的种类、图像类别、是否进行类别采样以及采样比例、是否进行数据采样以及采样比例、图像规模、是否随机翻转。
所述步骤S3具体为：
步骤S31：按照步骤S1以及步骤S2所述的配置，初始化神经网络的自优化搜索森林；
步骤S32：对搜索森林和训练数据进行采样，并对采样出的模型使用采样数据进行小规模评估训练，并记录模型的平均精确度和图片处理速度；
步骤S33：重复步骤S32，直到搜索森林中的所有模型都被评估完成，或者达到步骤S22中的限制时间，并对结果进行汇总；
步骤S34：对步骤S33中得到的结果进行分析，进行模型效果预估，并对效果不好的流程模型进行剪枝处理，输出若干最优模型组合。
所述步骤S34中的模型效果预估方法具体为：若目标检测模型确定后，模型的图片处理速度是不受到训练规模影响的固定值，则步骤S32中小规模训练得到的模型的图片处理速度是准确的，只需对模型平均精确度进行预测即可，其预测方法分为基于类别的预测和基于数据子集的预测；
所述基于类别的预测，即对于数据集中的每一个物体类别给出一个基础的补正精确度，再计算平均精确度；
所述基于数据子集的预测即缩减训练集图片数量不缩减类别，以小规模评估训练对每一个类别给出补正来进行预测，然后对所有类别进行均值计算。模型最终的预测精精确度的计算方式为：
其中，P为该模型的预测精确度，Pi为第i个类别的小规模训练预测精度，δi为第i个类别的补正精度，n为类别数量。
所述步骤S4具体为：
步骤S41：对S34输出的模型组合进行标准化训练；
步骤S42：统计模型效果，输出最优模型。
本发明所述方法用于计算机视觉目标检测训练，能够有效的降低计算机视觉目标检测训练所需的人工时间成本，提升目标检测模型的综合能力。
本发明与现有技术相比具有以下有益效果：
1、本发明使用了自动化的思想，对于繁杂的目标检测流程选取进行了优化，对于模型进行效果预估，并对低效的模型流程进行剪枝处理，减少了大量模型的训练、测试与选取时间，提升目标检测流程搭建效率；
2、本发明结合了硬件条件限制与时间限制，不同的运行条件产生的最优模型组不同，有效的提升了自优化模型针对不同设备的鲁棒性；
3、本发明的自优化流程在运行过程中会产生全新的模型，这些模型相比于旧模型而言，保证了运行速度的同时，提升了目标检测精确度。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
附图1是本发明的流程示意图。
具体实施方式
如图所示，一种基于深度学习的目标检测流程自优化方法，包括以下步骤：
步骤S1：定义目标检测的标准流程以及目标检测流程可能用到的模块，确定可通过神经网络模块来优化的目标检测流程自优化空间；
步骤S2：确定与自优化空间相关的限制条件以及所需参数配置，配置目标检测流程的自优化限制参数；
步骤S3：将步骤S1的自优化空间与步骤S2的限制参数送入流程优化器，产生优化后的模型组及其相关配置；
步骤S4：对步骤S3得到的模型组进行标准化完全训练，统计效果并输出最终模型组。
所述步骤S1具体为：
步骤S11：确定标准化的目标检测神经网络模块，按照神经网络模块的功能以及标准流程位置的不同划分为若干模块组，并对每一个模块组提出若干种网络模块定义；
步骤S12：确定步骤S11中的目标检测神经网络模块所需围绕的基础模型种类，以确定作为模块化搜索的中心模型簇。
所述步骤S2具体为：
步骤S21：确定自优化方法的基础硬件配置，包括显卡、CPU以及内存的相关参数；
步骤S22：确定自优化方法的运行时间限制、神经网络模块的运行参数以及最终的优化目标；最终优化目标包括平均精确度与时间。
所述步骤S22中的神经网络模块的运行参数，包含与步骤S11中的网络模块相适应的标准化训练与测试参数，还包括其所使用目标检测数据集的相关参数；其中，神经网络模块的标准化训练与测试参数，按照网络模块组的不同，包含网络的类型名称、网络深度、网络连接模块的输入输出通道数、使用的检测头种类以及相关参数；
所述目标检测数据集的相关参数，包含数据集的种类、图像类别、是否进行类别采样以及采样比例、是否进行数据采样以及采样比例、图像规模、是否随机翻转。
所述步骤S3具体为：
步骤S31：按照步骤S1以及步骤S2所述的配置，初始化神经网络的自优化搜索森林；
步骤S32：对搜索森林和训练数据进行采样，并对采样出的模型使用采样数据进行小规模评估训练，并记录模型的平均精确度和图片处理速度；
步骤S33：重复步骤S32，直到搜索森林中的所有模型都被评估完成，或者达到步骤S22中的限制时间，并对结果进行汇总；
步骤S34：对步骤S33中得到的结果进行分析，进行模型效果预估，并对效果不好的流程模型进行剪枝处理，输出若干最优模型组合。
所述步骤S34中的模型效果预估方法具体为：若目标检测模型确定后，模型的图片处理速度是不受到训练规模影响的固定值，则步骤S32中小规模训练得到的模型的图片处理速度是准确的，只需对模型平均精确度进行预测即可，其预测方法分为基于类别的预测和基于数据子集的预测；
所述基于类别的预测，即对于数据集中的每一个物体类别给出一个基础的补正精确度，再计算平均精确度；
所述基于数据子集的预测即缩减训练集图片数量不缩减类别，以小规模评估训练对每一个类别给出补正来进行预测，然后对所有类别进行均值计算。模型最终的预测精精确度的计算方式为：
其中，P为该模型的预测精确度，Pi为第i个类别的小规模训练预测精度，δi为第i个类别的补正精度，n为类别数量。
所述步骤S4具体为：
步骤S41：对S34输出的模型组合进行标准化训练；
步骤S42：统计模型效果，输出最优模型。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (7)
1.一种基于深度学习的目标检测流程自优化方法，其特征在于：包括以下步骤：
步骤S1：定义目标检测的标准流程以及目标检测流程可能用到的模块，确定可通过神经网络模块来优化的目标检测流程自优化空间；
步骤S2：确定与自优化空间相关的限制条件以及所需参数配置，配置目标检测流程的自优化限制参数；
步骤S3：将步骤S1的自优化空间与步骤S2的限制参数送入流程优化器，产生优化后的模型组及其相关配置；
步骤S4：对步骤S3得到的模型组进行标准化完全训练，统计效果并输出最终模型组。
2.根据权利要求1所述的一种基于深度学习的目标检测流程自优化方法，其特征在于：所述步骤S1具体为：
步骤S11：确定标准化的目标检测神经网络模块，按照神经网络模块的功能以及标准流程位置的不同划分为若干模块组，并对每一个模块组提出若干种网络模块定义；
步骤S12：确定步骤S11中的目标检测神经网络模块所需围绕的基础模型种类，以确定作为模块化搜索的中心模型簇。
3.根据权利要求2所述的一种基于深度学习的目标检测流程自优化方法，其特征在于：所述步骤S2具体为：
步骤S21：确定自优化方法的基础硬件配置，包括显卡、CPU以及内存的相关参数；
步骤S22：确定自优化方法的运行时间限制、神经网络模块的运行参数以及最终的优化目标；最终优化目标包括平均精确度与时间。
4.根据权利要求3所述的一种基于深度学习的目标检测流程自优化方法，其特征在于：所述步骤S22中的神经网络模块的运行参数，包含与步骤S11中的网络模块相适应的标准化训练与测试参数，还包括其所使用目标检测数据集的相关参数；
其中，神经网络模块的标准化训练与测试参数，按照网络模块组的不同，包含网络的类型名称、网络深度、网络连接模块的输入输出通道数、使用的检测头种类以及相关参数；
所述目标检测数据集的相关参数，包含数据集的种类、图像类别、是否进行类别采样以及采样比例、是否进行数据采样以及采样比例、图像规模、是否随机翻转。
5.根据权利要求4所述的一种基于深度学习的目标检测流程自优化方法，其特征在于：所述步骤S3具体为：
步骤S31：按照步骤S1以及步骤S2所述的配置，初始化神经网络的自优化搜索森林；
步骤S32：对搜索森林和训练数据进行采样，并对采样出的模型使用采样数据进行小规模评估训练，并记录模型的平均精确度和图片处理速度；
步骤S33：重复步骤S32，直到搜索森林中的所有模型都被评估完成，或者达到步骤S22中的限制时间，并对结果进行汇总；
步骤S34：对步骤S33中得到的结果进行分析，进行模型效果预估，并对效果不好的流程模型进行剪枝处理，输出若干最优模型组合。
6.根据权利要求5所述的一种基于深度学习的目标检测流程自优化方法，其特征在于：所述步骤S34中的模型效果预估方法具体为：若目标检测模型确定后，模型的图片处理速度是不受到训练规模影响的固定值，则步骤S32中小规模训练得到的模型的图片处理速度是准确的，只需对模型平均精确度进行预测即可，其预测方法分为基于类别的预测和基于数据子集的预测；
所述基于类别的预测，即对于数据集中的每一个物体类别给出一个基础的补正精确度，再计算平均精确度；
所述基于数据子集的预测即缩减训练集图片数量不缩减类别，以小规模评估训练对每一个类别给出补正来进行预测，然后对所有类别进行均值计算。模型最终的预测精精确度的计算方式为：
其中，P为该模型的预测精确度，Pi为第i个类别的小规模训练预测精度，δi为第i个类别的补正精度，n为类别数量。
7.根据权利要求1所述的一种基于深度学习的目标检测流程自优化方法，其特征在于：所述步骤S4具体为：
步骤S41：对S34输出的模型组合进行标准化训练；
步骤S42：统计模型效果，输出最优模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111601306.9A CN114266953A (zh) | 2021-12-24 | 2021-12-24 | 一种基于深度学习的目标检测流程自优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111601306.9A CN114266953A (zh) | 2021-12-24 | 2021-12-24 | 一种基于深度学习的目标检测流程自优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114266953A true CN114266953A (zh) | 2022-04-01 |
Family
ID=80829855
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111601306.9A Pending CN114266953A (zh) | 2021-12-24 | 2021-12-24 | 一种基于深度学习的目标检测流程自优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114266953A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110796260A (zh) * | 2019-09-11 | 2020-02-14 | 浙江大学 | 一种基于类扩张学习的神经网络模型优化方法 |
| CN111553199A (zh) * | 2020-04-07 | 2020-08-18 | 厦门大学 | 一种基于计算机视觉的机动车交通违法行为自动检测技术 |
| WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
| WO2021139069A1 (zh) * | 2020-01-09 | 2021-07-15 | 南京信息工程大学 | 自适应注意力指导机制的一般性目标检测方法 |
-
2021
- 2021-12-24 CN CN202111601306.9A patent/CN114266953A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
| CN110796260A (zh) * | 2019-09-11 | 2020-02-14 | 浙江大学 | 一种基于类扩张学习的神经网络模型优化方法 |
| WO2021139069A1 (zh) * | 2020-01-09 | 2021-07-15 | 南京信息工程大学 | 自适应注意力指导机制的一般性目标检测方法 |
| CN111553199A (zh) * | 2020-04-07 | 2020-08-18 | 厦门大学 | 一种基于计算机视觉的机动车交通违法行为自动检测技术 |
Non-Patent Citations (2)
| Title |
|---|
| 侯旋: "雷达目标检测深层自编码器自适应优化算法", 计算机工程与应用, vol. 55, no. 13, 22 January 2019 (2019-01-22), pages 165 - 171 * |
| 柯逍: "一种自适应双码本模型目标检测算法", 小型微型计算机系统, vol. 38, no. 08, 15 August 2017 (2017-08-15), pages 1861 - 1866 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948425B (zh) | 一种结构感知自注意和在线实例聚合匹配的行人搜索方法及装置 | |
| CN109190442B (zh) | 一种基于深度级联卷积神经网络的快速人脸检测方法 | |
| CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
| CN111862213A (zh) | 定位方法及装置、电子设备、计算机可读存储介质 | |
| CN108627798B (zh) | 基于线性判别分析和梯度提升树的wlan室内定位算法 | |
| CN112949408B (zh) | 一种过鱼通道目标鱼类实时识别方法和系统 | |
| CN109284760B (zh) | 一种基于深度卷积神经网络的家具检测方法及装置 | |
| CN111144483A (zh) | 一种图像特征点过滤方法以及终端 | |
| CN112653991A (zh) | 一种基于深度学习的TebNet神经网络模型的WLAN室内定位方法 | |
| CN114169442A (zh) | 基于双原型网络的遥感图像小样本场景分类方法 | |
| CN116229052B (zh) | 一种基于孪生网络的变电站设备状态变化检测方法 | |
| CN115471771A (zh) | 一种基于语义级时序关联建模的视频时序动作定位方法 | |
| CN111507135A (zh) | 人脸检测方法、装置、计算机设备及存储介质 | |
| CN110309727B (zh) | 一种建筑识别模型的建立方法、建筑识别方法和装置 | |
| CN114266953A (zh) | 一种基于深度学习的目标检测流程自优化方法 | |
| CN109558883A (zh) | 叶片特征提取方法及装置 | |
| CN116958724A (zh) | 一种产品分类模型的训练方法和相关装置 | |
| CN112053384B (zh) | 基于边界框回归模型的目标跟踪方法 | |
| CN110750672B (zh) | 基于深度度量学习和结构分布学习损失的图像检索方法 | |
| CN115170793A (zh) | 面向工业产品质检的小样本图像分割自我校准方法 | |
| CN112801013A (zh) | 一种基于关键点识别校验的人脸识别方法、系统及装置 | |
| Li et al. | An Improved YOLO-v4 Algorithm for Recognition and Detection of Underwater Small Targets | |
| CN111738289B (zh) | 计算机视觉cv模型训练方法、装置、电子设备和存储介质 | |
| CN111079775B (zh) | 一种联合区域约束学习的实时跟踪方法 | |
| CN113963022B (zh) | 基于知识蒸馏的多出口全卷积网络的目标跟踪方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |