(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 202111637544.5 (22)申请日 2021.12.2 9 (71)申请人 珠海格力电器股份有限公司 地址 519000 广东省珠海市前山金鸡西路 申请人 珠海联云科技有限公司 (72)发明人 王珏　唐光远　罗琴　李润静　 (74)专利代理 机构 北京聿宏知识产权代理有限 公司 11372 专利代理师 施磊　陈超德 (51)Int.Cl. G06V 10/764(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 目标检测器的训练方法、 装置、 存储介质和 电子设备 (57)摘要 本发明涉及目标检测技术领域， 特别地涉及 一种目标检测器的训练方法、 装置、 存储介质和 电子设备， 方法包括： 获取样本数据集和预训练 目标检测器， 所述预训练目标检测器的主干网络 包括稠密的神经网络； 基于所述样 本数据集对所 述预训练目标检测器的主干网络进行训练， 并对 所述预训练目标检测器的主干网络进行剪枝， 以 生成稀疏的神经网络； 对所述稀 疏的神经网络进 行重新训练， 得到稠密的神经网络； 能够不显著 增加目标检测器的计算量的情况下， 增加无锚框 目标检测器的精度。 权利要求书2页 说明书9页 附图1页 CN 114511731 A 2022.05.17 CN 114511731 A 1.一种目标检测器的训练方法， 其特 征在于， 包括： 获取样本数据集和预训练目标检测器， 所述预训练目标检测器的主干网络包括稠密的 神经网络； 基于所述样本数据集对所述预训练目标检测器的主干网络进行训练， 并对所述预训练 目标检测器的主干网络进行剪枝， 以生成稀疏的神经网络； 对所述稀疏的神经网络进行重新训练， 得到稠密的神经网络 。 2.根据权利要求1所述的训练方法， 其特征在于， 所述对所述预训练目标检测器的主干 网络进行剪枝， 以生成稀疏的神经网络， 包括： 获取所述预训练目标检测器的主干网络的所有卷积层参数； 计算每一卷积层参数的重要性得分； 根据卷积层参数的个数和预设剪枝率确定 剪枝阈值； 根据所述剪枝阈值和所述重要性得分进行剪枝， 以生成稀疏的神经网络 。 3.根据权利要求2所述的训练方法， 其特征在于， 所述计算每一卷积层参数的重要性得 分， 包括： 计算每一卷积层参数的权值与反向传播计算梯度的积的L2范数， 以得到每一卷积层参 数的重要性得分。 4.根据权利要求3所述的训练方法， 其特征在于， 通过如下表达式获得反 向传播计算梯 度： 其中， gi表示反向传播计算梯度， L表示目标检测器的总损失值， wi表示卷积层参数的权 值， i表示卷积层参数的索引。 5.根据权利要求2所述的训练方法， 其特征在于， 所述根据 卷积层参数的个数和预设剪 枝率确定 剪枝阈值， 包括： 基于卷积层参数的个数N和预设剪枝率p确定 剪枝数量 N*p； 按照卷积层参数的重要性得分对所述卷积层参数进行排序； 将排序中的第N*p个卷积层参数的重要性得分作为剪枝阈值。 6.根据权利要求2所述的训练方法， 其特征在于， 所述根据 所述剪枝阈值和所述重要性 得分进行剪枝， 以生成稀疏的神经网络， 包括： 遍历每一卷积层参数， 对重要性得分小于所述剪枝阈值的卷积层参数对应的网络连接 进行剪枝。 7.根据权利要求6所述的训练方法， 其特征在于， 所述对重要性得分小于所述剪枝阈值 的卷积层参数对应的网络连接进行剪枝， 包括： 将所述重要性得分小于所述剪枝阈值的卷积层参数置为 零。 8.根据权利要求1所述的训练方法， 其特征在于， 还包括： 使用非极大值抑制策略筛选 边界框。 9.根据权利要求8所述的训练方法， 其特征在于， 所述使用非极大值抑制策略筛选边界 框， 包括： 将置信度最高的边界框作为真实框；权　利　要　求　书 1/2 页 2 CN 114511731 A 2若第一边界框与所述真实框的交并比大于非极大值抑制阈值， 则降低所述第 一边界框 的置信度； 若降低后所述第一 边界框的置信度低于删除阈值， 则 删除所述第一 边界框； 其中， 所述第一 边界框为除所述置信度最高的边界框 外的任一 边界框。 10.根据权利要求1所述的训练方法， 其特征在于， 所述对所述稀疏的神经网络进行重 新训练， 得到稠密的神经网络， 包括： 将已置零的网络连接 重新激活， 得到稠密的神经网络 。 11.一种目标检测器的训练装置， 其特 征在于， 包括： 获取模块， 用于获取样本数据集和预训练目标检测器， 所述预训练目标检测器的主干 网络包括稠密的神经网络； 第一训练模块， 用于基于所述样本数据集对所述预训练目标检测器的主干网络进行训 练， 并对所述预训练目标检测器的主干网络进行剪枝， 以生成稀疏的神经网络； 第二训练模块， 用于对所述稀疏的神经网络进行重新训练， 得到稠密的神经网络 。 12.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时实现权利要求1至10中任一项所述的方法。 13.一种电子设备， 包括处理器和存储器， 其特征在于， 所述存储器上存储有计算机程 序， 所述处 理器执行所述计算机程序时实现权利要求1至10中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114511731 A 3