[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

本發明公開了一種基于通道裁剪的輕量級無人機目標檢測方法，包括：步驟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2：對模型進行稀疏訓練；步驟3：設定壓縮比；步驟4：對壓縮后模型微調優化；步驟5：輸出對目標的檢測結果。本發明基于通道裁剪，去除網絡中的冗余通道，顯著降低了參數量和權重規模，模型對內存和運算量的消耗??；并通過保留信息傳遞能力強的通道與完整的層結構，保證網絡的檢測精度；實現與全尺寸模型精度接近、參數量和權重規模小、推理速度快的輕量級無人機目標檢測方法。

技術領域

本發明涉及計算機視覺領域，尤其涉及一種基于通道裁剪的輕量級無人機目標檢測方法。

背景技術

在無人機平臺上進行目標檢測是當前計算機視覺領域的一個新興任務。在無人機的常見應用場景，如搜救、監控、勘探中，理解場景并檢測圖像中可能存在的目標具有重要的應用價值。但航拍圖像目標尺度變化大、小目標數量多的特點為準確檢測帶來挑戰。此外，無人機搭載的嵌入式系統的算力、內存、功耗有限，需要參數規模小、運算量少的輕量化模型。因此，實現準確且輕量的模型對無人機平臺上的目標檢測尤為重要。

目前現有的主流通用目標檢測模型，如Faster R-CNN、Cascade R-CNN、Yolo系列等，參數規模大，運算量高，對部署設備的運行內存、計算能力有較高要求，直接部署在無人機上的效果不理想。而針對嵌入式設備設計的輕量化模型通常特征提取能力弱，在目標尺度變化大、小目標多的航拍圖像上檢測精度不足。

發明內容

發明目的：本發明的目的在于提供一種基于通道裁剪的輕量級無人機目標檢測方法，提升檢測精度且參數規模大幅壓縮，內存和算力消耗小，推理速度快，便于在無人機平臺上檢測目標。

技術方案：本發明公開了一種基于通道裁剪的輕量級無人機目標檢測方法，包括操作步驟如下：

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(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。

優選地，步驟(1.1)、包括步驟如下：

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_t＝H_t([C₀，C₁，...，C_t-1]) (1)

C_i表示第i層卷積層的輸入，H_t表示一個非線性變換。