(19)中华 人民共和国 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 202111664271.3 (22)申请日 2021.12.31 (71)申请人 上海商汤智能科技有限公司 地址 200233 上海市徐汇区桂平路391号3 号楼1605A室 (72)发明人 王宇川　刘吉豪　刘宇　王晓刚　 (74)专利代理 机构 北京中知恒瑞知识产权代理 事务所(普通 合伙) 11889 代理人 袁忠林 (51)Int.Cl. G06N 3/08(2006.01) (54)发明名称 神经网络生成及目标检测的方法、 装置、 设 备及存储介质 (57)摘要 本公开提供了一种神经网络生成及目标检 测的方法、 装置、 设备及存储介质， 其中， 该方法 包括： 获取包括有至少两个候选神经网络的神经 网络集， 所述至少两个候选神经网络中的每个候 选神经网络包括网络组成模块； 在确定需要对所 述神经网络集中的候选神经网络进行变异的情 况下， 基于预训练的强化学习网络对 所述候选神 经网络包括的至少一个网络组成模块进行变异， 得到变异神经网络； 基于变异神经网络对所述神 经网络集进行更新， 得到更新后的神经网络集； 所述更新后的神经网络集包括的神经网络符合 预设性能要求。 本公开通过 强化学习网络可以学 习到的较好的变异关系， 在快速达到搜索收敛的 同时， 还使得所构建的更新后的神经网络集的网 络性能更佳。 权利要求书2页 说明书12页 附图3页 CN 114330709 A 2022.04.12 CN 114330709 A 1.一种神经网络生成的方法， 其特 征在于， 包括： 获取包括有至少两个候选神经网络的神经网络集， 所述至少两个候选神经网络 中的每 个候选神经网络包括网络组成模块； 在确定需要对所述神经网络集中的候选神经网络进行变异的情况下， 基于预训练的强 化学习网络对所述候选神经网络包括的至少一个网络组成模块进 行变异， 得到变异神经网 络； 基于变异神经网络对所述神经网络集进行更新， 得到更新后的神经网络集； 所述更新 后的神经网络集包括的神经网络符合预设性能要求。 2.根据权利要求1所述的方法， 其特征在于， 所述基于预训练的强化学习网络对所述候 选神经网络包括的至少一个网络组成模块进行变异， 包括： 循环执行以下步骤， 直至神经网络维护序列中的神经网络数量达 到预设数量： 基于预训练的强化学习网络对所述候选神经网络包括的至少一个网络组成模块进行 变异， 得到变异神经网络； 将所述变异神经网络添加到所述神经网络维护序列； 所述基于变异神经网络对所述神经网络集进行 更新， 包括： 在所述神经网络维护序列中的神经网络数量达到预设数量的情况下， 基于所述神经网 络维护序列中的变异神经网络对所述神经网络集进行 更新。 3.根据权利要求2所述的方法， 其特征在于， 所述基于所述神经网络维护序列中的变异 神经网络对所述神经网络集进行 更新， 包括： 对所述神经网络维护序列中的各个变异神经网络进行性 能检测， 确定所述各个变异神 经网络的网络性能； 选取网络性能符合所述预设性能要求的目标变异神经网络； 基于选取出的目标变异神经网络对所述神经网络集进行 更新。 4.根据权利要求3所述的方法， 其特征在于， 所述基于选取出的目标变异神经网络对所 述神经网络集进行 更新， 包括： 按照网络性能由高到低的顺序对选取出的目标变异神经网络和所述神经网络集中的 各个候选神经网络进行排名， 得到排名结果； 基于所述 排名结果符合预设名次的神经网络确定更新后的神经网络集。 5.根据权利要求3或4所述的方法， 其特征在于， 所述选取网络性能符合所述预设性能 要求的目标变异神经网络， 包括： 基于所述神经网络维护序列中的各个变异神经网络的预测准确率、 所需计算量、 以及 存留时长中的至少一项， 选取网络性能符合所述预设性能要求的目标变异神经网络 。 6.根据权利要求1至5任一所述的方法， 其特征在于， 所述基于预训练的强化学习 网络 对所述候选神经网络包括的至少一个网络组成模块进行变异， 得到变异神经网络， 包括： 确定所述 候选神经网络包括的每 个网络组成模块对应的变异概 率； 基于各个网络组成模块分别对应的变异概率从所述候选神经网络的网络组成模块中 确定当前需要 进行变异的至少一个网络组成模块； 针对确定出的每个网络组成模块， 基于预训练的强化学习网络学习到的网络连接关 系， 确定变异后的网络组成模块； 基于确定出的各个 变异后的网络组成模块， 得到变异神经网络 。权　利　要　求　书 1/2 页 2 CN 114330709 A 27.根据权利要求6所述的方法， 其特征在于， 在得到变异神经网络之后， 所述方法还包 括： 在确定所述变异神经网络的网络性 能符合所述预设性能要求的情况下， 基于所述变异 神经网络对所述强化学习网络进行网络更新， 得到所述强化学习网络的更新网络参数值； 所述更新网络参数值指示更新后的网络连接关系。 8.根据权利要求1至7任一所述的方法， 其特 征在于， 所述方法还 包括： 从所述神经网络集中随机选取一个候选神经网络， 并确定 需要对选取的候选神经网络 进行变异； 或， 根据预设顺序从所述神经网络集中选取一个候选神经网络， 并确定 需要对选取的候选 神经网络进行变异。 9.一种目标检测的方法， 其特 征在于， 包括： 获取图像采集装置对目标检测区域进行拍摄得到的视频流； 利用基于权利要求1至8任一项所述方法得到的更新后的神经网络集， 对所述视频流进 行目标检测， 得到目标对象在所述视频流中的检测结果。 10.根据权利要求9所述的方法， 其特 征在于， 所述对所述视频流进行目标检测， 包括： 从所述更新后的神经网络集中选取网络性能最优的目标神经网络； 将所述视频流输入到所述目标神经网络， 得到目标对象在所述视频流中的检测结果。 11.一种神经网络生成的装置， 其特 征在于， 包括： 获取模块， 用于获取包括有至少两个候选神经网络的神经网络集， 所述至少两个候选 神经网络中的每 个候选神经网络包括网络组成模块； 变异模块， 用于在确定需要对所述神经网络集中的候选神经网络进行变异 的情况下， 基于预训练的强化学习网络对所述候选神经网络包括的至少一个网络组成模块进 行变异， 得到变异神经网络； 生成模块， 用于基于变异神经网络对所述神经网络集进行更新， 得到更新后的神经网 络集； 所述更新后的神经网络集包括的神经网络符合预设性能要求。 12.一种目标检测的装置， 其特 征在于， 包括： 获取模块， 用于获取图像采集装置对目标检测区域进行拍摄得到的视频流； 检测模块， 用于利用基于权利要求1至8任一项所述方法得到的更新后的神经网络集， 对所述视频流进行目标检测， 得到目标对象在所述视频流中的检测结果。 13.一种电子设备， 其特征在于， 包括： 处理器、 存储器和总线， 所述存储器存储有所述 处理器可执行 的机器可读指令， 当电子设备运行时， 所述处理器与所述存储器之间通过总 线通信， 所述机器可读指 令被所述处理器执行时执行如权利要求 1至8任一所述的神经网络 生成的方法的步骤或者如权利要求9或10所述的目标检测的方法的步骤。 14.一种计算机可读存储介质， 其特征在于， 该计算机可读存储介质上存储有计算机程 序， 该计算机程序被处理器运行时执行如权利要求1至8任一所述的神经网络生成的方法的 步骤或者如权利要求9或10所述的目标检测的方法的步骤。权　利　要　求　书 2/2 页 3 CN 114330709 A 3