[发明专利]一种面向目标检测的高效进化神经网络架构搜索方法

说明书

本发明公开了一种面向目标检测的高效进化神经网络架构搜索方法，依靠进化算法机制中的初始种群，建立超网络搜索空间，并通过基于超网络的神经网络架构搜索技术，为特定的目标检测问题自适应的构建主干网络，通过超网络建立神经网络架构的搜索空间，并利用大型图像分类数据集对超网络进行预训练，之后利用进化算法作为搜索策略，在已经预训练完成的超网络中搜索最优的主干网络，避免了每个个体都要利用图像分类数据集做预训练，进而节省了大量的计算成本，提高了搜索效率。

技术领域

本发明属于数字图像处理技术领域，特别涉及一种面向目标检测 的高效进化神经网络架构搜索方法

背景技术

目标检测网络中通常需要利用主干网络对图像进行特征提取。常 用的主干网络大多是基于图像分类任务设计，如VggNet,ResNet, GoogleNet。图像分类任务目标为识别该图片中包含的目标，将不同 的图片，划分到不同的类别。

目标检测需要首先对目标对象定位，之后判断当前目标对象的类 别信息。因此，直接使用基于图像分类任务所设计的神经网络作为主 干网络对于目标检测任务可能不是最优解。此外，主干网络通常需要 在大型数据集上进行预训练。然而传统的神经网络架构搜索技术需要 从搜索空间采样神经网络，接着从头训练其权重，进而评估其性能， 对于大型数据集来说计算成本巨大。

发明内容

本发明的目的是解决上述现有技术中存在的问题，提供一种面向 目标检测的高效进化神经网络架构搜索方法。通过使用本发明的方法， 可以高效的为目标检测任务设计主干网络。

为解决上述技术问题，本发明提供一种面向目标检测的高效进化 神经网络架构搜索方法，其特征在于：包括以下步骤：

步骤S1，给定带有标签的图像分类数据集，将该数据集划分为 训练数据集C_train，验证数据集C_val和测试数据集C_test；给定带有标签 的目标检测数据集，将该数据集划分为训练数据集D_train，验证数据 集D_val和测试数据集D_test；

步骤S2，种群初始化，初始种群中包含M个个体，每个个体包 含输入层，封装数个计算模块，并以全连接层为输出层，M个个体共 同组成一个超网络，所述M为大于1的自然数；

步骤S3，对种群中的个体进行多次随机重复采样，利用训练数 据集C_train对采样的个体进行训练，并为每个个体保留训练权值，所 述C_train遍历完毕之后，超网络获得权值W_A；

步骤S4，所有个体从超网络中继承训练得到的相关权值，基于 验证集C_val评估个体性能，并记录最优个体基于验证集C_val损失值

步骤S5，重复步骤(2)-(4)，直到超网络模型收敛；

步骤S6，为每一个个体融合特征金字塔网络(feature pyramid networks，FPN)，每个个体成为一个目标检测模型，利用D_train，对 所有个体的权值进行微调，直到超网络模型收敛，并保存超网络最优 权值

步骤S7，利用mAP值作为适应度函数，对每个个体进行适应度 评估；

步骤S8，采用轮盘赌选择数个个体，组成父代种群；

步骤S9，采用交叉算子对父代种群中的个体进行两两交叉，得 到M个新个体，组成子代种群；

步骤S10，基于验证数据集D_val，子代个体继承超网络权值计算子代种群中每个个体的适应度值；