(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 202210694506.1 (22)申请日 2022.06.17 (71)申请人 集美大学 地址 361000 福建省厦门市集美银 江路185 号 (72)发明人 黄斌　蔡国榕　吴仕龙　刘晋明　 (74)专利代理 机构 福建如浩 律师事务所 3 5223 专利代理师 刘开林 (51)Int.Cl. G06V 10/82(2022.01) G06V 10/25(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06V 10/44(2022.01) G06N 3/063(2006.01)G06F 15/78(2006.01) (54)发明名称 目标检测方法、 系统及存内计算芯片 (57)摘要 本发明涉及一种目标检测方法、 系统及存内 计算芯片， 方法应用于存内计算芯片， 目标检测 网络、 消息通信神经网络、 特征后处理神经网络 均部署于存内计算芯片中， 所述方法包括： 获取 待检测图像； 将待检测图像输入至目标检测网 络， 得到目标检测网络输出的待检测图像中的第 一锚点特征信息； 将第一锚点特征信息输入至消 息通信神经网络， 以由消息通信神经网络对第一 锚点特征信息进行卷积操作处理， 得到第二锚点 特征信息； 将第二锚点特征信息输入至特征后处 理神经网络， 得到多个锚点各自的目标置信度； 根据目标置信度， 从多个候选预测框中确定目标 框， 并将目标框的信息发送至显示装置， 以由显 示装置对目标框进行显示。 如此， 降低目标检测 系统的复杂度。 权利要求书2页 说明书8页 附图4页 CN 114998705 A 2022.09.02 CN 114998705 A 1.一种目标检测方法， 其特征在于， 所述方法应用于存内计算芯片， 目标检测网络、 消 息通信神经网络、 特 征后处理神经网络均部署于所述存内计算芯片中， 所述方法包括： 获取待检测图像； 将所述待检测图像输入至所述目标检测网络， 得到所述目标检测网络输出的所述待检 测图像中的第一锚点特 征信息， 其中， 每一锚点对应一 候选预测框； 将所述第一锚点特征信 息输入至所述消息通信神经网络， 以由所述消息通信神经网络 对所述第一锚点特 征信息进行 卷积操作处理， 得到第二锚点特 征信息； 将所述第二锚点特征信 息输入至所述特征后处理神经网络， 得到多个锚点各自的目标 置信度； 根据所述目标置信度， 从多个候选预测框中确定目标框， 并将所述目标框的信息发送 至显示装置， 以由所述显示装置对所述目标框进行显示。 2.根据权利要求1所述的方法， 其特征在于， 所述消息通信神经网络是通过如下方式训 练得到的： 从训练数据集中获取训练图像； 将所述训练图像输入至所述目标检测网络， 得到多个锚点各自的锚点特征信 息， 其中， 多个锚点与多个预测框一一对应， 锚点的锚点特征信息包括该锚点对应的预测框中包含训 练目标的第一置信度、 该锚点对应的预测框的中心点坐标、 该锚点对应的预测框的宽度和 高度； 将多个锚点各自的锚点特征信 息输入至神经网络的卷积核中， 以由所述卷积核提取每 一锚点的局部特 征关系， 并计算锚点对应的预测框中包 含训练目标的第二置信度； 根据所述第 二置信度去除所述多个预测框中的冗余预测框并过滤掉无效预测框， 得到 训练预测框； 根据所述训练预测框中包含训练目标的第二置信度、 所述训练预测框的中心点坐标、 宽度和高度， 以及所述训练图像的真实目标框中包含训练目标的真实置信度、 所述真实目 标框的中心点 坐标、 宽度和高度， 计算损失值； 根据所述损 失值对所述神经网络的卷积核进行迭代训练， 在训练完成的情况下， 得到 所述特征提取神经网络 。 3.根据权利要求1所述的方法， 其特征在于， 所述消息通信神经网络中包括 Concatenate网络， 所述消息通信神经网络用于通过如下 方式得到第二锚点特 征信息： 所述Concatenate网络将经过卷积处理的第一锚点特征信息与如下信息之一进行拼 接： 零矩阵、 消息通信神经网络上一次输出的锚点特 征信息， 以扩大锚点特 征的感受野； 将所述Concatenate网络输出的锚点特征信息进行卷积压缩， 以得到所述第二锚点特 征信息。 4.根据权利要求1 ‑3中任一项所述的方法， 其特征在于， 所述消息通信神经网络为可学 习NMS网络 。 5.一种目标检测系统， 其特征在于， 所述系统部署于存内计算芯片， 所述系统包括的目 标检测网络、 消息通信神经网络、 特 征后处理神经网络均部署于所述存内计算芯片中； 所述目标检测网络， 用于对待检测图像进行处理， 得到所述待检测图像中的第一锚点 特征信息， 其中， 每一锚点对应一 候选预测框；权　利　要　求　书 1/2 页 2 CN 114998705 A 2所述消息通信神经网络， 用于对所述第一锚点特征信息进行卷积操作处理， 得到第二 锚点特征信息； 所述特征后处理神经网络， 用于根据所述第二锚点特征信息， 得到多个锚点各自的目 标置信度； 结果输出模块， 用于根据 所述目标置信度， 从多个候选预测框 中确定目标框， 并将所述 目标框的信息发送至 显示装置， 以由所述显示装置对所述目标框进行显示。 6.根据权利要求5所述的系统， 其特征在于， 所述消息通信神经网络是通过如下方式训 练得到的： 从训练数据集中获取训练图像； 将所述训练图像输入至所述目标检测网络， 得到多个锚点各自的锚点特征信 息， 其中， 多个锚点与多个预测框一一对应， 锚点的锚点特征信息包括该锚点对应的预测框中包含训 练目标的第一置信度、 该锚点对应的预测框的中心点坐标、 该锚点对应的预测框的宽度和 高度； 将多个锚点各自的锚点特征信 息输入至神经网络的卷积核中， 以由所述卷积核提取每 一锚点的局部特 征关系， 并计算锚点对应的预测框中包 含训练目标的第二置信度； 根据所述第 二置信度去除所述多个预测框中的冗余预测框并过滤掉无效预测框， 得到 训练预测框； 根据所述训练预测框中包含训练目标的第二置信度、 所述训练预测框的中心点坐标、 宽度和高度， 以及所述训练图像的真实目标框中包含训练目标的真实置信度、 所述真实目 标框的中心点 坐标、 宽度和高度， 计算损失值； 根据所述损 失值对所述神经网络的卷积核进行迭代训练， 在训练完成的情况下， 得到 所述特征提取神经网络 。 7.根据权利要求5所述的系统， 其特征在于， 所述消息通信神经网络中包括 Concatenate网络： 所述Concatenate网络用于将经过卷积处理的第一锚点特征信息与如 下信息之一进行 拼接： 零矩阵、 消息通信神经网络上一次输出的锚点特 征信息， 以扩大锚点特 征的感受野； 所述消息通信神经网络用于将所述Concaten ate网络输出的锚点特征信息进行卷积压 缩， 以得到所述第二锚点特 征信息。 8.根据权利要求5 ‑7中任一项所述的系统， 其特征在于， 所述消息通信神经网络为可学 习NMS网络 。 9.一种存内计算芯片， 其特 征在于， 包括权利要求5 至8中任一项所述的目标检测系统。权　利　要　求　书 2/2 页 3 CN 114998705 A 3