[发明专利]面向资源受限设备的轻量级目标检测系统及其构建方法

说明书

本发明涉及目标检测技术领域，具体提出了一种面向资源受限设备的轻量级目标检测系统及其构建方法。系统包括算子选择模块、模型设计模块、性能增强模块和适配搜索模块。构建方法包括步骤：基于资源受限设备，选取性能良好的算子；基于选取的算子，设计轻量级目标检测模型；设计训练策略和损失函数；实现训练端的算子向部署端的算子的适配。本发明的轻量级目标检测系统，充分考虑了资源受限设备的计算性能、内存限制和算子支持情况，尽最大限度地利用了有限的硬件资源，降低了目标检测模型在这些设备上的推理时延，满足了实际应用场景下的实时性需求。

技术领域

本发明涉及目标检测技术领域，具体涉及一种面向资源受限设备的轻量级目标检测系统及其构建方法。

背景技术

目标检测是计算机视觉和数字图像处理的一个重要方向，广泛应用于机器人导航、智能视频监控、工业检测等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。它是图像处理和计算机视觉学科的重要分支，也是智能监控系统的核心部分，同时目标检测也是泛身份识别领域的一个基础性的算法，对后续的人脸识别、步态识别、人群计数、实例分割等任务起着至关重要的作用。

随着卷积神经网络的发展，目标检测技术有了巨大的进步。基于卷积神经网络的现代目标检测框架通常采用复杂的体系结构来实现较好的检测性能。然而，这些计算量和参数量巨大的高性能神经网络不适用于资源受限设备，如机器人、智能手机、人工智能芯片等，因为这些设备有着内存和计算能力的限制。为了满足资源受限场景的需要，研究人员已经提出了一些轻量级目标检测模型。一些工作倾向于对原始的大模型进行裁剪使其适配有限的资源，但是原模型在资源受限设备上部署的结构性问题仍然存在，如过多的分支连接结构、部分算子支持较差和复杂的激活函数等。另一些工作专注于将高性能检测网络的标准卷积分解为组卷积或深度可分离卷积以减少模型的参数量和计算量，但是如人工智能芯片这种着眼于工业应用的资源受限设备对标准卷积的支持最好，组卷积或深度可分离卷积需要使用标准卷积对其进行模拟，会损害资源受限设备宝贵的计算性能。

发明内容

本发明所要解决的技术问题是提供了一种面向资源受限设备的轻量级目标检测系统及其构建方法，在保证一定的模型大小和模型检测性能的情况下，实现轻量级目标检测模型在资源受限设备上推理时延低的目标，满足生产生活中实时性检测的需求。

为解决上述技术问题，本发明首先提出了一种面向资源受限设备的轻量级目标检测系统，包括：

算子选择模块，用于对选取的算子在目标部署平台上的推理时延进行测量和评估，以选取资源受限设备支持良好的算子；

模型设计模块，用于设计轻量级目标检测模型，所述模型包括特征提取网络、特征融合网络、分类回归网络；

性能增强模块，主要用于增强所述轻量级目标检测模型的检测性能，包括设计的训练策略和损失函数；所述训练策略用于对轻量级模型进行训练，所述损失函数，用于评估预测值与真实值的差距并进行梯度回传；

适配搜索模块，主要用于实现训练端的算子向部署端的算子的适配。

进一步的，所述模型设计模块还包括用于实现对所述轻量级目标检测模型的检测数据的增强。

本发明同时提出了所述面向资源受限设备的轻量级目标检测系统的构建方法，包括以下步骤：

Ⅰ.基于资源受限设备，选取性能良好的算子；

Ⅱ.基于选取的算子，设计轻量级目标检测模型；

Ⅲ.设计训练策略和损失函数；

Ⅳ.实现训练端的算子向部署端的算子的适配。

进一步的，所述步骤II包括以下子步骤：

Ⅱ-1.设计结构简单直通且参数量少的特征提取网络；