[發明專利]一種基于通道剪枝的無人機圖像實時目標檢測方法

在審

• 申請號: 202110332571.5
• 申請日: 2021-03-29
• 公開（公告）號: CN113128355A
• 公開（公告）日: 2021-07-16
• 發明（設計）人: 韓玉潔;曹杰;王浩雪;段松漢
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;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

1.一種基于通道剪枝的無人機圖像實時目標檢測方法，其特征在于，包括以下步驟：

(1)使用改進的YOLO網絡對無人機數據集進行基礎訓練，對基礎訓練完的網絡基于批次標準化層的縮放因子重新進行稀疏化訓練，產生稀疏化的縮放因子；

(2)為了殘差模塊的輸入輸出特征通道匹配，采取保守剪枝策略和全網絡剪枝策略，以BN層的尺度縮放因子作為剪枝通道的選擇標準進行通道剪枝；

(3)剪枝后采用知識蒸餾策略對剪枝網絡和模型進行微調，使得模型的目標識別精度恢復；

(4)從模型壓縮效果和目標識別效果兩個維度綜合分析模型，得到無人機圖像實時多目標識別的最優實現模型。

2.根據權利要求1所述的基于通道剪枝的無人機圖像實時目標檢測方法，其特征在于，所述步驟(1)包括以下步驟：

(11)為每個通道引入一個縮放因子γ，用縮放因子乘以該通道的輸出；

(12)共同訓練改進的YOLO網絡權重和縮放因子，并對縮放因子進行稀疏正則：基于YOLO算法BN層γ系數的通道剪枝方法的損失函數如下：

L_bng＝∑_(x，y)l(f(x，W)，y)+λ∑_γ∈τg(γ) (1)

其中，(x,y)表示訓練的輸入和目標，W表示用于訓練的權重，∑_(x，y)l(f(x，W)，y)為卷積神經網絡正常訓練的損失值，g函數是縮放因子的稀疏性懲罰項，λ是平衡這兩項的系數。

3.根據權利要求1所述的基于通道剪枝的無人機圖像實時目標檢測方法，其特征在于，所述步驟(2)實現過程如下：

(21)對有直連操作的殘差塊進行保守剪枝，即不進行通道剪枝，避免直連層維度不一致；

(22)對一般特征圖做通道剪枝操作，最后再對殘差塊關聯的特征圖進行剪枝，即進行全網絡剪枝；

(23)對直連的特征張量進行通道剪枝，需要將同樣位置的通道的γ因子相加再排序；

(24)以縮放因子閾值為依據對此特征圖的通道做剪枝。

4.根據權利要求1所述的基于通道剪枝的無人機圖像實時目標檢測方法，其特征在于，步驟(2)所述的通道剪枝利用掩碼來標記卷積層通道，需要進行剪枝的通道掩碼為1，保留的通道掩碼為0；逐層地對網絡層進行剪枝，根據掩碼判斷是否刪除該通道相連的輸入、輸出、卷積核以及批次標準化層的參數，將待剪枝通道操作完成后生成新的模型參數文件。

5.根據權利要求1所述的基于通道剪枝的無人機圖像實時目標檢測方法，其特征在于，所述步驟(3)通過以下公式實現：

其中，p表示真實標簽的概率分布，z和r代表學生網絡和教師網絡的預測輸出，T是溫度超參數，以使softmax分類器的輸出更加平滑，從教師網絡的輸出中提煉出標簽分布的知識。