[發明專利]一種車輛部件檢測模型壓縮方法及系統

在審

• 申請號: 201810310432.0
• 申請日: 2018-04-09
• 公開（公告）號: CN108615049A
• 公開（公告）日: 2018-10-02
• 發明（設計）人: 桑農;張明文;常勤偉;高常鑫
• 申請（專利權）人: 華中科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 李智;曹葆青

本發明公開了一種針對基于Faster R?CNN的車輛部件檢測模型進行壓縮的方法及系統，目的在于減少車輛部件檢測模型對內存空間的占用率以及縮短模型檢測時間，所述方法包括：訓練基本的車輛部件檢測模型，模型通道剪枝，模型量化。本發明在車輛部件檢測模型壓縮過程中，先訓練基本的車輛部件檢測模型M₁，再識別出M₁中的冗余通道并將其刪除得到M₂，最后將M₂進行參數量化得到M₃。通過實施本發明有效地解決了利用Faster R?CNN算法檢測車輛部件速度慢的問題，并減少了模型對內存空間的占用率。

技術領域

本發明屬于模式識別領域，更具體地，涉及一種基于Faster R-CNN的車輛部件檢測模型壓縮的方法及系統，用于減少車輛部件檢測模型對內存空間的占用率以及縮短檢測時間。

背景技術

智能交通系統可以用來幫助解決交通肇事逃逸、交通擁堵、汽車盜竊等社會問題，而車牌、車標、車燈、擋風玻璃等車輛部件的檢測是智能交通系統中極為基礎而又重要的一環。因為它們包含著車輛外觀和結構信息，可以充分反應車輛的屬性特征，并且具有穩定和難以更改的特性。如果這些車輛部件可以準確而迅速地被檢測到，那么整個智能交通系統的功能將會得到有效改善。車輛部件檢測屬于目標檢測的范疇，目標檢測方法同樣適用于車輛部件檢測。目標檢測方法大致可以分為兩類，即傳統方法和基于深度學習的方法。較傳統方法而言，基于深度學習的方法由于神經網絡強大的特征表達能力而可以更準確地檢測到車輛部件，優勢明顯。

目前，由于神經網絡的明顯優勢，基于深度學習的檢測算法已經成為一種主流。目前主要采用Faster R-CNN作為基本檢測算法對車輛部件進行檢測，但由于其基本網絡結構一般由多個卷積層、全連接層等基本結構組成，含有較多的權重參數，因此計算速度會稍慢、模型對內存空間的占用也較多，無法滿足一些計算資源有限或者對實時性要求較高的場合。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種車輛部件檢測模型壓縮方法及系統，由此解決采用Faster R-CNN作為基本檢測算法對車輛部件進行檢測時存在的檢測車輛部件速度慢以及內存空間占用率較高的技術問題。

為實現上述目的，按照本發明的一個方面，提供了一種車輛部件檢測模型壓縮方法，包括：

(1)基于Faster R-CNN算法訓練得到基本的車輛部件檢測模型M₁；

(2)對所述車輛部件檢測模型M₁進行通道剪枝得到車輛部件檢測模型M₂；

通過本發明，M₂中不包括冗余通道，可以大幅減少卷積運算所帶來的時間消耗。另外，M₂的模型大小較M₁也有所減小，一定程度上可以減少模型對內存空間的占用率。

(3)對所述車輛部件檢測模型M₂進行量化處理得到車輛部件檢測模型M₃，以使按P位保存的所述車輛部件檢測模型M₁轉化為按Q位等低精度格式保存的所述車輛部件檢測模型M₃，且所述車輛部件檢測模型M₃的權重參數為2的N次方或者0，其中，Q小于P。

在本發明中，原來按M位保存的模型M₁可以轉化為按N位等低精度格式保存的模型M₃，這樣可以大幅減少模型對內存空間的占用率。另外，M₃的權重參數為2的N次方或者0，這樣可以將復雜的浮點數乘法運算用簡單的定點數移位運算來代替，可以加快模型速度。

優選地，步驟(2)包括：