[发明专利]目标检测方法、系统及存内计算芯片

说明书

本发明涉及一种目标检测方法、系统及存内计算芯片，方法应用于存内计算芯片，目标检测网络、消息通信神经网络、特征后处理神经网络均部署于存内计算芯片中，所述方法包括：获取待检测图像；将待检测图像输入至目标检测网络，得到目标检测网络输出的待检测图像中的第一锚点特征信息；将第一锚点特征信息输入至消息通信神经网络，以由消息通信神经网络对第一锚点特征信息进行卷积操作处理，得到第二锚点特征信息；将第二锚点特征信息输入至特征后处理神经网络，得到多个锚点各自的目标置信度；根据目标置信度，从多个候选预测框中确定目标框，并将目标框的信息发送至显示装置，以由显示装置对目标框进行显示。如此，降低目标检测系统的复杂度。

技术领域

本发明涉及计算机技术领域，具体地，涉及一种目标检测方法、系统及存内计算芯片。

背景技术

现代计算机系统结构普遍采用冯·诺伊曼架构。在这种架构下，承担计算任务的处理器和负责数据存储的存储器通常是彼此分离的。因此，处理器每次执行运算时都需要将数据从存储器读入到处理器中，等待数据处理完毕再写回到存储器中。以大数据为主的AI计算之下，冯·诺伊曼架构的“存储墙”和“功耗墙”挑战凸显。所谓的“存储墙”问题是指存储器性能与运算器性能日益扩大的差距；而“功耗墙”问题则是指将数据在存储器和运算器之间来回搬运的高昂能量代价。

目标检测是机器视觉领域的基础任务之一，它的核心工作是在图像信息中检测和识别出目标物体，因此也被使用于各种应用场景中，比如视频监控中的目标检测，其效果将会直接影响到后续的跟踪、动作识别和行为描述等效果。相关技术中，目标检测通常需要采用非极大值抑制算法(Non-Maximum Suppression，或NMS)，而从NMS的算法流程可以看出该算法存在大量的循环和排序等操作，需要基于传统冯·诺伊曼架构的CPU去完成。在这种情况下，还需要在基于传统冯·诺伊曼架构的CPU和作为加速器的存内计算芯片之间设计额外的数据总线、驱动程序等，导致系统变得更加复杂。

发明内容

本发明的目的是提供一种目标检测方法、系统及存内计算芯片，以降低目标检测方法的部署复杂度，无需使用CPU，仅在存内计算芯片上即可实现端到端的目标检测，且降低系统功耗。

为了实现上述目的，第一方面，本发明提供一种目标检测方法，所述方法应用于存内计算芯片，目标检测网络、消息通信神经网络、特征后处理神经网络均部署于所述存内计算芯片中，所述方法包括：

获取待检测图像；

将所述待检测图像输入至所述目标检测网络，得到所述目标检测网络输出的所述待检测图像中的第一锚点特征信息，其中，每一锚点对应一候选预测框；

将所述第一锚点特征信息输入至所述消息通信神经网络，以由所述消息通信神经网络对所述第一锚点特征信息进行卷积操作处理，得到第二锚点特征信息；

将所述第二锚点特征信息输入至所述特征后处理神经网络，得到多个锚点各自的目标置信度；

根据所述目标置信度，从多个候选预测框中确定目标框，并将所述目标框的信息发送至显示装置，以由所述显示装置对所述目标框进行显示。

可选地，所述消息通信神经网络是通过如下方式训练得到的：

从训练数据集中获取训练图像；

将所述训练图像输入至所述目标检测网络，得到多个锚点各自的锚点特征信息，其中，多个锚点与多个预测框一一对应，锚点的锚点特征信息包括该锚点对应的预测框中包含训练目标的第一置信度、该锚点对应的预测框的中心点坐标、该锚点对应的预测框的宽度和高度；

将多个锚点各自的锚点特征信息输入至神经网络的卷积核中，以由所述卷积核提取每一锚点的局部特征关系，并计算锚点对应的预测框中包含训练目标的第二置信度；

根据所述第二置信度去除所述多个预测框中的冗余预测框并过滤掉无效预测框，得到训练预测框；