生成单目标检测神经网络的方法和装置与流程
本申请涉及计算机技术领域，具体涉及计算机视觉、深度学习技术等人工智能领域，尤其涉及生成单目标检测神经网络的方法和装置、单目标检测方法和装置、电子设备、计算机可读存储介质。
背景技术：
在标准的目标检测神经网络中，一般采用softmax层负责回归坐标的打分分支，以使得各类目标的得分总和为1，但是softmax层的计算过程中需要进行指数计算，同时该指数计算过程需要多个输出通道的数据，计算量较大。
技术实现要素：
提供了一种生成单目标检测神经网络的方法和装置、单目标检测方法、装置、人脸检测方法、装置、电子设备以及计算机可读介质。
根据第一方面，提供了一种生成单目标检测神经网络的方法，上述方法包括：基于预先训练的单目标检测神经网络的当前分类函数与目标分类函数之间的特征转换关系，计算预先训练的单目标检测神经网络的最后一层卷积层的调整后的参数；基于调整后的参数，对预先训练的单目标检测神经网络的最后一层卷积层的参数进行重新赋值；基于目标分类函数，对预先训练的单目标检测神经网络的分类层进行改进，得到优化的单目标检测神经网络。
根据第二方面，提供了一种单目标检测方法，上述方法包括：获取待检测图像；将待检测图像输入优化的单目标检测神经网络，得到由优化的单目标检测神经网络输出的对待检测图像中单目标的分类结果；其中，优化的单目标检测神经网络基于如第一方面的任一实现方式描述的方法得到。
根据第三方面，提供了一种生成单目标检测神经网络的装置，上述装置包括：计算单元，被配置成基于预先训练的单目标检测神经网络的当前分类函数与目标分类函数之间的特征转换关系，计算预先训练的单目标检测神经网络的最后一层卷积层的调整后的参数；赋值单元，被配置成基于调整后的参数，对预先训练的单目标检测神经网络的最后一层卷积层的参数进行重新赋值；优化单元，被配置成基于目标分类函数，对预先训练的单目标检测神经网络的分类层进行改进，得到优化的单目标检测神经网络。
根据第四方面，提供了一种单目标检测装置，上述装置包括：获取单元，被配置成获取待检测图像；分类单元，被配置成将待检测图像输入优化的单目标检测神经网络，得到由优化的单目标检测神经网络输出的对待检测图像中单目标的分类结果；其中，优化的单目标检测神经网络采用如第三方面任一实现方式描述的优化的单目标检测神经网络。
根据第五方面，提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器，其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面和第二方面中的任一实现方式描述的方法。
根据第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面和第二方面中的任一实现方式描述的方法。
本申请提供的生成单目标检测神经网络的方法和装置，首先基于预先训练的单目标检测神经网络的当前分类函数与目标分类函数之间的特征转换关系，计算预先训练的单目标检测神经网络的最后一层卷积层的调整后的参数；其次，基于调整后的参数，对预先训练的单目标检测神经网络的最后一层卷积层的参数进行重新赋值；最后，基于目标分类函数，对预先训练的单目标检测神经网络的分类层进行改进，得到优化的单目标检测神经网络。由此，基于当前分类函数与目标分类函数之间的特征转换关系，通过调整最后一层卷积层的参数并替换当前分类函数，实现了当前分类函数无损等价转换为目标分类函数，并且优化的单目标检测神经网络具有目标分类函数的特点，可发挥目标分类函数的优势；在目标分类函数的计算量小于当前分类函数时，减少了优化的单目标检测神经网络的计算量以及内存读取耗时。
本申请提供的单目标检测方法和装置，首先获取待检测图像；其次，将待检测图像输入优化的单目标检测神经网络，得到由优化的单目标检测神经网络输出的对待检测图像中单目标的分类结果。由此，采用优化后的单目标检测神经网络进行单目标的分类，发挥了优化后的单目标检测神经网络中目标分类函数的优势，在目标分类函数的计算量小于当前分类函数时，减少了优化的单目标检测神经网络的计算量以及内存读取耗时。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请生成单目标检测神经网络的方法的一个实施例的流程图；
图2是根据本申请计算预先训练的单目标检测神经网络的最后一层卷积层的调整后的参数的方法的流程图；
图3是根据本申请单目标检测方法的一个实施例的流程图；
图4是根据本申请生成单目标检测神经网络的装置的一个实施例的结构示意图；
图5是根据本申请单目标检测装置的一个实施例的结构示意图；
图6是用来实现本申请实施例的生成单目标检测神经网络的方法或单目标检测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1示出了根据本申请生成单目标检测神经网络的方法的一个实施例的流程100。上述生成单目标检测神经网络的方法包括以下步骤：
步骤101，基于预先训练的单目标检测神经网络的当前分类函数与目标分类函数之间的特征转换关系，计算预先训练的单目标检测神经网络的最后一层卷积层的调整后的参数。
本实施例中，预先训练的单目标检测神经网络是用于检测单类别的目标的神经网络模型，其中，单类别是指仅指一种类别，该类别目标可以适用于多种场景，比如该类别为人脸、文本行方向等。
该神经网络模型可以包括：顺序依次连接的输入层、中间层以及分类层，其中，中间层可以包括多个卷积层，多个卷积层的层数可以根据单目标检测需求而设置。当前分类函数以及目标分类函数均是预先训练的单目标检测神经网络的分类层可以采用的分类函数。
本实施例中，当前分类函数与目标分类函数之间具有特征转换关系，并且目标分类函数可以在某些方面(比如，计算量、特征图通道的相关性等)优于当前分类函数的函数。例如，当前分类函数为softmax，目标分类函数为sigmoid，根据softmax公式：softmax[x(i)]＝exp[x(i)]/sum[exp[x(j)]]{i，j＝1…n}与sigmoid的公式sigmoid(z)＝1/[1+exp[-z]]可知，两者的特征可以相互转换，具有特征转换关系，sigmoid相对于softmax计算量更小，且输出的两个特征图通道之间互不相关，互不影响。
可选地，当前分类函数还可以是softmax，目标分类函数为tanh，根据softmax的公式与tanh的公式tanh(z)＝(exp[z]-exp[-z])/(exp[z]+exp[-z])可知，两者的特征可以相互转换，具有特征转换关系，tanh相对于softmax计算量更小，且输出的两个特征图通道之间互不相关，互不影响。
本实施例中，单目标检测神经网络的最后一层卷积层的输出直接作用在分类层的输入，反之将当前分类函数与目标分类函数之间的特征关系转换到单目标检测神经网络的最后一层卷积层的参数变化上，便可以得到最后一层卷积层的调整后的参数。具体地，卷积层的参数包括卷积核参数和偏置参数，而调整参数可以包括调整后的卷积核参数和调整后的偏置参数。
可选地，当当前分类函数为softmax，目标分类函数为sigmoid时，定义softmax输入的用作二分类的双通道特征图分别为f1，f2；双通道特征图f1，f2也是最后一层卷积层输出的特征图，其中，定义
定义s1为f1经过softmax后的结果，有如下公式：
定义s2为f2经过softmax计算后的结果，有如下公式：
上述公式(1)与公式(2)为softmax的常规的计算过程。
进一步地，定义：f3＝f2-f1，k3＝k2–k1，b3＝b2–b1；f4＝f1-f2，k4＝k1–k2，b4＝b1–b2。
以上分别定义了调整后的特征图f3，f4；调整后的卷积核参数包括k3，k4；调整后的偏置参数包括b3，b4。
由公式(3)-(6)表明：将卷积核参数和偏置参数进行线性计算后，使用sigmoid公式得到的结果等价于原softmax结果。
可选地，当当前分类函数为softmax，目标分类函数为tanh时，相当于在某场景下将sigmoid输出结果线性映射到-1～1范围，则会将分类层函数改为tanh，相当于进行了s1′＝2*s1-1；(7)
其中，s1′为tanh分类函数的一个通道特征图。
进一步地，定义：f5＝(f2-f1)/2，k5＝(k2–k1)/2，b5＝(b2–b1)/2，f6＝(f1-f2)/2，k6＝(k1–k2)/2，b6＝(b1–b2)/2。
以上分别定义了调整后的特征图f5，f6；调整后的卷积核参数k5，k6；调整后的偏置参数b5，b6。
原有输出：
根据公式(7)进行映射后
s1′＝2*s1-1＝tan(f5)；(11)
同理，s2′＝2*s2-1＝tan(f6)；(12)
由式(7)-(12)表明：将卷积核参数和偏置参数进行线性计算后，使用tanh公式得到的结果等价于原softmax结果。
步骤102，基于调整后的参数，对预先训练的单目标检测神经网络的最后一层卷积层的参数进行重新赋值。
本实施例中，可以根据调整后的参数与预先训练的单目标检测神经网络的最后一层卷积层的参数之间的偏差，对预先训练的单目标检测神经网络的最后一层卷积层的参数进行调整，从而达到对预先训练的单目标检测神经网络的最后一层卷积层的参数进行重新赋值的目的。
在本实施例的一些可选实现方式中，基于调整后的参数，对预先训练的单目标检测神经网络的最后一层卷积层的参数进行重新赋值，包括：
采用调整后的参数，对预先训练的单目标检测神经网络的最后一层卷积层的参数进行重新赋值。
本可选实现方式中，使用上述得到的调整后的卷积核参数和调整后的偏置参数替换单目标检测神经网络的最后一层卷积层的参数，从而达到对预先训练的单目标检测神经网络的最后一层卷积层的参数进行重新赋值的效果。
本可选实现方式中，采用调整后的参数对预先训练的单目标检测神经网络的最后一层卷积层的参数进行重新赋值，以优化预先训练的单目标检测神经网提供了参数基础，保证了得到优化的单目标检测神经网络的可靠性。
步骤103，基于目标分类函数，对预先训练的单目标检测神经网络的分类层进行改进，得到优化的单目标检测神经网络。
本实施例中，根据目标分类函数的函数式，可以对预先训练的单目标检测神经网络的分类层的当前分类函数进行函数转化，得到目标分类函数。
在本实施例的一些可选实现方式中，基于目标分类函数，对预先训练的单目标检测神经网络的分类层进行改进，包括：将单目标检测神经网络的分类层的当前分类函数替换为目标分类函数。
本可选实现方式中，在预先训练的单目标检测神经网络的最后一层卷积层的参数进行重新赋值的基础上，将单目标检测神经网络的分类层的当前分类函数替换为目标分类函数，可以保证当前分类函数无损替换为目标分类函数。
本可选实现方式中，将单目标检测神经网络的分类层的当前分类函数替换为目标分类函数，实现了当前分类函数与目标分类函数之间的无损转换，得到了计算量较小的优化的单目标检测神经网络。
本实施例中，当当前分类函数为softmax，目标分类函数为sigmoid时，由公式(3)-(6)可知，
在将单目标检测神经网络的分类层的当前分类函数替换为目标分类函数之后，sigmoid输入的双通道特征图分别为f3、f4，其中，f3＝f2-f1，f4＝f1-f2。由此对单目标检测神经网络的最后一层卷积层的参数按调整后参数重新赋值，可以使得单目标检测神经网络的最后一层卷积层同时可以完成特征图提取和特征图相减的任务。
在本实施例的一些可选实现方式中，基于sigmoid的双通道特征图f3、f4的公式，两个通道特征图之间无依赖关系，通过一个通道的特征图便可以有效区分单目标检测神经网络的结果，因此可以去除sigmoid输入的双通道特征图中的任意一个通道特征图，以减小单目标检测神经网络的分类层的计算量。
本可选实现方式中，在单目标检测神经网络的实际应用中常见为只需要最终得分特征图的一个通道，本实施例的当前分类函数替换为目标分类函数可消除得分特征图的两个通道间的依赖关系，通过删除得分特征图的一个输出通道，仅保留另一个输出通道，进一步可以减少计算量。
在本实施例的一些可选实现方式中，上述生成单目标检测神经网络的方法还可以包括：采用优化的单目标检测神经网络识别待检测图像，得到对待检测图像中单目标的分类结果。
本可选实现方式中，单目标是指仅指一种类别的目标，该单目标可以为多种场景中的目标，比如单目标为人脸识别场景的人脸图像，或者单目标为文本行检测场景中的文本行等。
本可选实现方式提供的使用优化的单目标检测神经网络的方式，采用优化的单目标检测神经网络识别待检测图像，可提高对待检测图像中单目标进行分类的分类效率，并且减少了单目标分类过程中的计算量。
在本实施例的一些可选实现方式中，预先训练的单目标检测神经网络以及优化的单目标检测神经网络可以均为人脸检测神经网络，即单目标检测神经网络为人脸检测神经网络，
本可选实现方式中，人脸检测神经网络用于检测待检测图像中的人脸，其是一种人脸检测神经网络模型，人脸检测神经网络模型可以针对不同的人物图像可以给出不同人物图像中的人脸的位置。例如，向人脸检测神经网络模型输入一张1080p(1080*1920)尺寸的人物图像，人脸检测神经网络模型输出为人脸位置坐标，或者输出为用一个矩形框框选出图像中的人脸位置。
本可选实现方式中，当单目标检测神经网络为人脸检测神经网络，先训练的单目标检测神经网络以及优化的单目标检测神经网络的输入可以具有人脸图像的待检测图像，也可以没有人脸图像的待检测图像；对于具有人脸图像的待检测图像，优化的单目标检测神经网络可以输出待检测图像中人脸的位置或人脸在待检测图像中出现的概率；对于没有人脸图像的待检测图像，优化的单目标检测神经网络可以输出待检测图像中人脸出现的概率为0。
本实施例提供的生成单目标检测神经网络的方法结合了图像处理、计算机视觉等人工智能领域。
本可选实现方式中，在单目标检测神经网络为人脸检测神经网络时，提高了人脸识别的分类效率，并且节省了人脸识别过程中的计算量。本申请提供的生成单目标检测神经网络的方法，首先基于预先训练的单目标检测神经网络的当前分类函数与目标分类函数之间的特征转换关系，计算预先训练的单目标检测神经网络的最后一层卷积层的调整后的参数；其次，基于调整后的参数，对预先训练的单目标检测神经网络的最后一层卷积层的参数进行重新赋值；最后，基于目标分类函数，对预先训练的单目标检测神经网络的分类层进行改进，得到优化的单目标检测神经网络。由此，基于当前分类函数与目标分类函数之间的特征转换关系，通过调整最后一层卷积层的参数并替换当前分类函数，实现了当前分类函数无损等价转换为目标分类函数，并且优化的单目标检测神经网络具有目标分类函数的特点，可发挥目标分类函数的优势；在目标分类函数的计算量小于当前分类函数时，减少了优化的单目标检测神经网络的计算量以及内存读取耗时。
当当前分类函数为softmax，目标分类函数为sigmoid时，基于softmax与sigmoid之间的特征转换关系，通过调整预先训练的单目标检测神经网络的最后一层参数，可以将分类层中的softmax函数无损转换为sigmoid函数。本实施例的一些可选实现方式中，图2示出了根据本申请确定预先训练的单目标检测神经网络的最后一层卷积层的调整后的参数的方法的流程200，该确定预先训练的单目标检测神经网络的最后一层卷积层的调整后的参数的方法包括以下步骤：
步骤201，基于softmax输入的双通道特征图、softmax与sigmoid之间的特征转换关系，确定sigmoid输入的双通道特征图。
本可选实现方式中，由于softmax与最后一层卷积层相连接，因此双通道特征图f1，f2可分别定义为：
例如，a为128通道向量，其维度为[1，128，h，w]，其中h为高度，w为宽度。在实际网络中，k1，k2组合在一起，为一个卷积核向量，假设卷积核尺寸为3*3，可得卷积核向量的维度为[2，128，3，3]。实际网络中f1，f2也组合在一起，为一个2通道向量，其维度为[1，2，h，w]。
本可选实现方式中，将softmax与sigmoid之间的特征转换转换在最后一层的卷积层的卷积核和偏置参数上，由此，得到转化后的sigmoid输入的双通道特征图分别为f1和f2，由上述描述可知，f3＝f2-f1，f4＝f1-f2。得到的双通道特征图f3和f4，可以使得最后一层卷积层同时可以完成特征图提取和特征图相减的任务。
步骤202，基于softmax输入的双通道特征图以及sigmoid输入的双通道特征图，确定得到预先训练的单目标检测神经网络的最后一层卷积层的调整后的参数。
本可选实现方式中，softmax输入的双通道特征图
由上可知，f3＝f2-f1，f4＝f1-f2。
计算得到k1的调整后参数为k4＝k1–k2；计算得到b1的调整后参数为b4＝b1–b2；计算得到k2的调整后参数为k3＝k2–k1；计算得到b2的调整后参数为b3＝b2–b1。
本可选实施例提供的确定预先训练单目标检测神经网络的最后一层卷积层的调整后的参数的方法，基于softmax与sigmoid之间的特征转换关系，可以快速、方便地确定预先训练的单目标检测神经网络的最后一层卷积层的调整后的参数，进一步地，通过调整参数调整最后一层卷积层的参数，保证了预先训练的单目标检测神经网络中的分类层的softmax函数被无损替换为优化的单目标检测神经网络的sigmoid函数的可靠性。
进一步地，基于上述实施例提供的生成单目标检测神经网络的方法，本申请还提供了一种单目标检测方法的一个实施例，本申请的单目标检测方法结合了计算机视觉、深度学习等人工智能领域。
参见图3，示出了根据本申请单目标检测方法的一个实施例的流程300，本实施例提供的单目标检测方法包括以下步骤：
步骤301，获取待检测图像。
本实施例中，待检测图像为优化的单目标检测神经网络的即将检测的图像。待检测图像可以包括单目标，也可以不包括单目标。
单目标是指仅指一种类别的目标，该单目标可以为多种场景中的目标，比如单目标为人脸识别场景的人脸图像，或者单目标为文本行检测场景中的文本行等。
步骤302，将待检测图像输入优化的单目标检测神经网络，得到由优化的单目标检测神经网络输出的对待检测图像中的单目标的分类结果。
本实施例中，优化的单目标检测神经网可以基于上述实施例的可选实现方式中生成单目标检测神经网络的方法得到。
本实施例中，优化的单目标检测神经网络用于对待检测图像中的单目标进行分类。例如，优化的单目标检测神经网络用于对待检测图像中的人脸进行分类，向优化的单目标检测神经网络输入一张人物图像，优化的单目标检测神经网络输出为人脸位置坐标，或者输出为用一个矩形框框选出图像中的人脸位置。
本申请提供的单目标检测方法，首先获取待检测图像；其次，将待检测图像输入优化的单目标检测神经网络，得到由优化的单目标检测神经网络输出的对待检测图像中单目标的分类结果。由此，采用优化后的单目标检测神经网络进行单目标的分类，发挥了优化后的单目标检测神经网络中目标分类函数的优势，在目标分类函数的计算量小于当前分类函数时，减少了优化的单目标检测神经网络的计算量以及内存读取耗时。。
进一步参考图4，作为对上述各图所示方法的实现，本申请提供了生成单目标检测神经网络的装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可应用于各种电子设备中。
如图4所示，本实施例提供的生成单目标检测神经网络的装置400包括：计算单元401，赋值单元402，优化单元403。其中，上述计算单元401，可以被配置成基于预先训练的单目标检测神经网络的当前分类函数与目标分类函数之间的特征转换关系，计算预先训练的单目标检测神经网络的最后一层卷积层的调整后的参数。上述赋值单元402，可以被配置成基于调整后的参数，对预先训练的单目标检测神经网络的最后一层卷积层的参数进行重新赋值。上述优化单元403，可以基于目标分类函数，对预先训练的单目标检测神经网络的分类层进行改进，得到优化的单目标检测神经网络。
在本实施例中，生成单目标检测神经网络的装置400中：计算单元401，赋值单元402，优化单元403的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101、步骤102、步骤103的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，赋值单元402还被配置成采用调整后的参数，对预先训练的单目标检测神经网络的最后一层卷积层的参数进行重新赋值。
在本实施例的一些可选的实现方式中，优化单元403包括：替换模块(图中未示出)。替换模块，可以被配置成将单目标检测神经网络的分类层的当前分类函数替换为目标分类函数。
在本实施例的一些可选的实现方式中，当前分类函数为softmax，目标分类函数为sigmoid；计算单元401包括：得到模块(图中未示出)、计算模块(图中未示出)。其中，上述得到模块，可以被配置成基于softmax输入的双通道特征图、softmax与sigmoid之间的特征转换关系，确定sigmoid输入的双通道特征图。上述计算模块，可以被配置成基于softmax输入的双通道特征图以及sigmoid输入的双通道特征图，确定得到预先训练的单目标检测神经网络的最后一层卷积层的调整后的参数。
在本实施例的一些可选的实现方式中，上述装置400还包括：去除单元(图中未示出)。上述去除单元，可以被配置成去除sigmoid输入的双通道特征图中的任意一个通道特征图。
在本实施例的一些可选的实现方式中，上述装置400还包括：识别单元(图中未示出)。上述识别单元，可以被配置成采用优化的单目标检测神经网络识别待检测图像，得到对待检测图像中单目标的分类结果。
在本实施例的一些可选的实现方式中，上述单目标检测神经网络为人脸检测神经网络。
本申请提供的生成单目标检测神经网络的装置，首先计算单元401基于预先训练的单目标检测神经网络的当前分类函数与目标分类函数之间的特征转换关系，计算预先训练的单目标检测神经网络的最后一层卷积层的调整后的参数；其次，赋值单元402基于调整后的参数，对预先训练的单目标检测神经网络的最后一层卷积层的参数进行重新赋值；最后，优化单元403基于目标分类函数，对预先训练的单目标检测神经网络的分类层进行改进，得到优化的单目标检测神经网络。由此，基于当前分类函数与目标分类函数之间的特征转换关系，通过调整最后一层卷积层的参数并替换当前分类函数，实现了当前分类函数无损等价转换为目标分类函数，并且优化的单目标检测神经网络具有目标分类函数的特点，可发挥目标分类函数的优势；在目标分类函数的计算量小于当前分类函数时，减少了优化的单目标检测神经网络的计算量以及内存读取耗时。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了单目标检测装置的一个实施例，该装置实施例与图3所示的方法实施例相对应，该装置具体可应用于各种电子设备中。
如图5所示，本实施例提供的单目标检测装置500包括：获取单元501，分类单元502。其中，上述获取单元501，可以被配置成获取待检测图像。上述分类单元502，可以被配置成将待检测图像输入优化的单目标检测神经网络，得到由优化的单目标检测神经网络输出的对待检测图像中单目标的分类结果；其中，优化的单目标检测神经网络可以采用上述实施例中的优化的单目标检测神经网络。
在本实施例中，单目标检测装置500中：获取单元501，分类单元502的具体处理及其所带来的技术效果可分别参考图3对应实施例中的步骤301、步骤302的相关说明，在此不再赘述。
本申请提供的单目标检测装置，首先获取单元501获取待检测图像；其次，分类单元502将待检测图像输入优化的单目标检测神经网络，得到由优化的单目标检测神经网络输出的对待检测图像中单目标的分类结果。由此，采用优化后的单目标检测神经网络进行单目标的分类，发挥了优化后的单目标检测神经网络中目标分类函数的优势，在目标分类函数的计算量小于当前分类函数时，减少了优化的单目标检测神经网络的计算量以及内存读取耗时。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，是根据本申请实施例的生成单目标检测神经网络的方法或单目标检测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线605互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的生成单目标检测神经网络的方法或单目标检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的生成单目标检测神经网络的方法或单目标检测方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的生成单目标检测神经网络的方法(例如，图4所示的计算单元401、赋值单元402、优化单元403)或单目标检测方法对应的程序指令/模块(例如，图5所示的获取单元501、分类单元502)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的生成单目标检测神经网络的方法或单目标检测方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据生成单目标检测神经网络的方法或单目标检测方法的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至生成单目标检测神经网络的方法或单目标检测方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
生成单目标检测神经网络的方法或单目标检测方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线605连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与生成单目标检测神经网络的方法或单目标检测方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，led)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(lcd)、发光二极管(led)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用asic(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！