(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210254685.7 (22)申请日 2022.03.15 (71)申请人 平安科技 （深圳） 有限公司 地址 518000 广东省深圳市福田区福田街 道福安社区益田路5033号平 安金融中 心23楼 (72)发明人 郑喜民　贾云舒　周成昊　舒畅　 陈又新　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 麦广林 (51)Int.Cl. G06V 10/25(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 目标检测模 型的建立方法、 应用方法、 设备、 装置及介质 (57)摘要 本发明公开了一种目标检测模型的建立方 法、 应用方法、 设备、 装置及介质， 可用于图像识 别领域； 所述建立方法包括： 获取基础目标检测 网络， 将基础目标检测网络的普通卷积层替换为 深度可分离卷积层， 并将多尺度特征融合机制加 入至基础目标检测网络， 得到初始目标检测模 型； 获取预设数字图像， 并将预设数字图像输入 至初始目标检测模型； 通过初始目标检测模型的 深度可分离卷积层对预设数字图像进行特征提 取， 输出特征图； 通过初始目标检测模型的多尺 度特征融合机制对特征图进行目标检测， 得到中 间目标检测模型； 采用NetAdapt算 法和剪枝 算法 对中间目标检测模型进行优化处理， 得到最终目 标检测模型。 本发明能够有效提升嵌入式设备目 标检测效率。 权利要求书3页 说明书14页 附图6页 CN 114627282 A 2022.06.14 CN 114627282 A 1.一种目标检测模型的建立方法， 其特 征在于， 所述方法包括： 获取基础目标检测网络， 将所述基础目标检测网络的普通卷积层替换为深度 可分离卷 积层， 并将多尺度特 征融合机制加入至所述基础目标检测网络， 得到初始目标检测模型； 获取预设数字图像， 并将所述预设数字图像输入至所述初始目标检测模型； 通过所述初始目标检测模型的所述深度可分离卷积层对所述预设数字图像进行特征 提取， 输出 特征图； 通过所述初始目标检测模型的所述多尺度 特征融合机制对所述特征图进行目标检测， 得到中间目标检测模型； 采用NetAdapt算法和剪枝算法对所述中间目标检测模型进行优化处理， 得到最终目标 检测模型。 2.根据权利 要求1所述的目标检测模型的建立方法， 其特征在于， 所述NetAdapt算法对 所述中间目标检测模型的所述深度可分离卷积层的卷积核进 行优化处理； 所述剪枝算法对 所述中间目标检测模型的网络结构进行优化处 理。 3.根据权利要求1所述的目标检测模型的建立方法， 其特征在于， 所述通过所述初始目 标检测模型 的所述深度可分离卷积层对所述预设数字图像进行特征提取， 输出特征图， 包 括： 利用逐点卷积对所述预设数字图像进行通道升维处 理； 利用深度卷积对通道升维后的预设数字图像进行特征提取处理， 得到多个初始特征 图； 利用逐点卷积对所述多个初始特 征图进行通道降维处 理， 并输出最终特 征图。 4.根据权利要求1所述的目标检测模型的建立方法， 其特征在于， 所述通过所述初始目 标检测模型的所述多尺度特 征融合机制对所述特 征图进行目标检测， 包括： 获取第一深度可分离卷积层输出的第一 最终特征图的高度及宽度； 获取并调整第二深度可分离卷积层输出的第二最终特征图的高度及宽度使所述第二 最终特征图的高度及宽度与所述第一 最终特征图的高度及宽度相同； 将调整后的所述第二最终特征图与所述第一最终特征图进行通道拼接和卷积得到融 合特征； 根据所述融合特 征进行目标检测。 5.根据权利 要求1所述的目标检测模型的建立方法， 其特征在于， 所述采用NetAdapt算 法和剪枝算法对所述中间目标检测模型进行优化处 理， 包括： 所述NetAdapt算法对一层原初深度可分离卷积网络的卷积核进行优化， 得到多个第二 深度可分离卷积网络； 所述NetAdapt算法将一个所述第二深度可分离卷积网络与所述第二深度可分离卷积 网络对应的所述原初深度可分离卷积网络进 行时延和精度比较， 并根据比较结果选择最 终 深度可分离卷积网络 。 6.根据权利要求5所述的目标检测模型的建立方法， 其特征在于， 所述根据比较结果选 择最终深度可分离卷积网络， 包括： 当所述第二深度 可分离卷积网络的时延大于所述原初深度 可分离卷积网络的时延和/ 或所述第二深度可分离卷积网络的精度低于所述原初深度可分离卷积网络， 选用所述原初权　利　要　求　书 1/3 页 2 CN 114627282 A 2深度可分离卷积网络为所述 最终深度可分离卷积网络； 当所述第二深度可分离卷积网络的时延小于所述原初深度可分离卷积网络的时延和 所述第二深度可分离卷积网络的精度高于所述原初深度可分离卷积网络， 选用所述第二深 度可分离卷积网络为所述 最终深度可分离卷积网络 。 7.根据权利要求5所述的目标检测模型的建立方法， 其特 征在于， 所述方法还 包括： 所述剪枝算法对所述中间目标检测模型的网络结构进行剪枝处理， 去除所述网络结构 的冗余权 重参数； 所述剪枝算法对剪枝处 理后的所述中间目标检测模型进行微调。 8.根据权利要求7所述的目标检测模型的建立方法， 其特征在于， 所述去除所述网络结 构的冗余权 重参数， 包括： 基于剪枝处理后的所述中间目标检测模型中每层的通道数对所述网络结构进行编码， 得到若干个编码向量； 将所述编码向量输入所述中间目标检测模型后生成剪枝处 理后的网络 权重； 根据所述网络结构、 所述网络权重和预设验证集得到剪枝处理后所述中间目标检测模 型的性能； 利用进化算法筛选所述若干个编码向量得到最终编码向量， 根据 所述最终编码向量得 到所述最终目标检测模型。 9.根据权利要求1所述的目标检测模型的建立方法， 其特征在于， 所述初始目标检测模 型还包括系统损失函数， 所述系统损失函数包括边界框坐标误差函数、 边界框置信度误差 函数、 分类误差函数。 10.一种目标检测模型的应用方法， 其特 征在于， 所述方法包括： 获取实际数字图像， 并将所述实际数字图像输入至目标检测模型； 通过所述目标检测模型的深度 可分离卷积层对所述实际数字图像进行特征提取， 输出 特征图； 通过所述目标检测模型的多尺度特 征融合机制对所述特 征图进行目标检测。 11.一种目标检测模型建立装置， 其特 征在于， 所述装置包括： 网络修改模块， 用于获取基础目标检测网络， 将所述基础目标检测网络的普通卷积层 替换为深度可分离卷积层， 并将多尺度特征融合机制加入至所述基础目标检测网络， 得到 初始目标检测模型； 数字图像获取模块， 用于获取预设数字 图像， 并将所述预设数字 图像输入至所述初始 目标检测模型； 特征提取模块， 用于通过所述初始目标检测模型的所述深度可分离卷积层对所述预设 数字图像进行 特征提取， 输出 特征图； 目标检测模块， 用于通过所述初始目标检测模型的所述多尺度 特征融合机制对所述特 征图进行目标检测， 得到中间目标检测模型； 模型优化模块， 用于采用NetAdapt算法和剪枝算法对所述中间目标检测模型进行优化 处理， 得到最终目标检测模型。 12.一种目标检测装置， 其特 征在于， 所述装置包括： 数字图像获取模块， 用于获取实 际数字图像， 并将所述实 际数字图像输入至目标检测权　利　要　求　书 2/3 页 3 CN 114627282 A 3