[發明專利]一種基于通道裁剪的輕量級無人機目標檢測方法

有效

• 申請號: 202011517148.4
• 申請日: 2020-12-21
• 公開（公告）號: CN112580512B
• 公開（公告）日: 2022-08-26
• 發明（設計）人: 張偉;王雪力;陳云芳
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06V20/20
• 分類號: G06V20/20;G06V20/17;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于通道裁剪的輕量級無人機目標檢測方法，其特征在于，包括步驟如下：

步驟(1.1)，將訓練數據集的樣本輸入網絡框架，主干網絡提取樣本的視覺特征，生成特征圖并輸入檢測頭部，通過對目標的位置和種類的回歸獲得預測結果；利用損失函數訓練模型，獲得訓練后的基礎模型，步驟如下：

步驟(1.1.1)、對訓練數據集的樣本進行預處理，將樣本中目標的標注格式整理為(Class,X,Y,W,H)，Class表示該目標所屬的類別，X,Y表示歸一化后目標錨框中心點的坐標值，W,H表示歸一化后目標錨框的寬度和高度；更新模型的配置信息，修改預測向量長度；

步驟(1.1.2)、將樣本輸入主干網絡；主干網絡由5個密集模塊組成，每個密集模塊包含數個卷積層與route層；密集模塊內特征的傳遞方式如式(1)：

C_ι＝H_ι([C₀，C₁，...，C_ι-1]) (1)

C_i表示第i層卷積層的輸入，H_ι表示一個非線性變換；

輸入樣本經過主干網絡的卷積運算、拼接、池化，生成3種不同尺度的特征圖，以檢測航拍圖像中不同尺寸的目標；

步驟(1.1.3)、將特征圖輸入檢測頭部，檢測頭部對目標的位置和種類進行回歸，獲得預測結果，其向量為N*N*3*(4+1+M)，N表示該尺度下的特征圖尺寸，3表示該尺度下的先驗預測框數量，4和1分別表示預測框的坐標和置信度，M表示模型預測的類別數；

步驟(1.1.4)、使用損失函數訓練模型，獲得訓練后的基礎模型；

步驟(1.2)，選取模型中的批歸一化層的尺度因子作為參數，添加到原損失函數中，對模型進行稀疏訓練；

步驟(1.3)，設定壓縮比，對模型中所有通道的尺度因子值進行排序，按照壓縮比對尺度因子值小的通道進行裁剪；

步驟(1.4)，針對壓縮后模型的精度變化情況，對其進行微調優化；

步驟(1.5)，利用輕量級模型對輸入圖像進行檢測，輸出對目標的檢測結果。

2.根據權利要求1所述的一種基于通道裁剪的輕量級無人機目標檢測方法，其特征在于，所述步驟(1.2)包括步驟如下：

步驟(1.2.1)、選取批歸一化處理中線性變換的尺度因子γ作為參數；批歸一化首先求得輸入樣本批次的均值和方差接著對輸入進行歸一化，如式(2)：

其中，x_i表示批歸一化層的輸入，對其使用均值和方差歸一化得到輸出ε是一個極小正數，避免分母為0；

再對歸一化后的進行線性變換得到該卷積層歸一化后的輸出，如式(3)：

其中，y_i表示批歸一化層的最終輸出，通過對進行線性變換得到，線性變換的參數為γ，β是一對可學習參數，γ為尺度因子，β為偏移因子，其值在訓練過程中獲得；

步驟(1.2.2)、將γ加入原損失函數，形成新的目標函數，如式(4)：

L＝∑_(x，y)l(f(x，W)，y)+λ∑_γ∈Γg(γ) (4)

新的目標函數由原網絡的損失函數和尺度因子γ的懲罰函數組成；式(4)的第一項對應網絡的損失函數，(x，y)表示基礎訓練的輸入和目標值，W表示模型權重；第二項中g(·)表示使尺度因子分布稀疏化的懲罰函數，λ作為系數平衡整個目標函數的兩項。

3.根據權利要求1所述的一種基于通道裁剪的輕量級無人機目標檢測方法，其特征在于，所述步驟(1.3)包括步驟如下：

選定模型所需的壓縮比K％，將模型中所有卷積層的通道的尺度因子γ從小到大排列，對于尺度因子γ位于前K％的通道，剪去其本身和與它相連的所有連接，獲得裁剪后的模型。

4.根據權利要求1所述的一種基于通道裁剪的輕量級無人機目標檢測方法，其特征在于，所述步驟(1.4)包括步驟如下：

在驗證數據集上測試剪裁后的模型，如果檢測精度相比剪裁前有下降，若下降幅度小于10％，在訓練數據集上訓練剪裁后的模型，恢復下降的精度；若下降幅度在10％以上，考慮減小步驟(1.3)中的壓縮比重新剪裁模型并隨后在訓練數據集上訓練剪裁后的模型。