[发明专利]一种基于YoloV3和双阈值模型压缩的目标检测方法

权利要求书

1.一种基于YoloV3和双阈值模型压缩的目标检测方法，其特征在于，包括如下步骤：

步骤1：构建目标检测数据集，并随机将其中的50％数据设置为训练集，剩余的50％数据设置为验证集；

步骤2：使用YoloV3模型在训练集上面进行训练，直至模型收敛，并将训练好的模型保存为YoloV3_N；

步骤3：使用YoloV3_N对验证集进行测试，并将验证结果标记为Result_N；

步骤4：使用YoloV3_N模型在训练集上面进行稀疏训练，直至模型收敛，并将训练好的模型保存为YoloV3_S；

步骤5：使用双阈值模型压缩方法对YoloV3_S进行模型压缩，并将压缩好的模型保存为YoloV3_C；

步骤6：使用YoloV3_C模型对验证集进行测试，并将测试结果标记为Result_C；

步骤7：使用YoloV3_C模型在目标检测数据集上面进行微调，直至模型收敛，并将最终的模型保存为YoloV3_F；

步骤8：使用YoloV3_F模型对验证集进行测试，并将目标检测的测试结果标记为Result_F。

2.根据权利要求1所述的一种基于YoloV3和双阈值模型压缩的目标检测方法，其特征在于，步骤4所述的稀疏训练按照如下方式进行：

4a)为每一个通道都引入一个缩放因子，然后和通道的输出相乘，接着联合训练网络权重和这些缩放因子，定义目标函数为：

其中，(x,y)代表训练数据和标签，W是网络的可训练参数，γ代表BN层的缩放因子，l(f(x,W),y)是目标检测的训练损失函数，用于确保训练好的目标检测模型具有良好的泛化性，f(x,W)代表目标检测网络的输出结果，λ是平衡因子，g(.)是缩放因子的乘法项，g(γ)＝|γ|，|·|代表l₁范数，从而确保γ参数的稀疏性；

4b)设z_in代表BN层的输入，z_out代表BN层的输出，BN归一化激活层通过如下方式表示：

其中，u_β和σ_β代表当前批中所有输入样本激活值的平均值与标准差值，ε代表一个极小正常量，γ和β是可训练的仿射变换参数，提供了将标准化激活线性转换回任何尺度的可能性，γ代表网络的缩放因子，β代表网络的位移因子；

4c)基于4a)中的目标函数，在训练集上面进行训练，直到模型收敛。

3.根据权利要求2所述的一种基于YoloV3和双阈值模型压缩的目标检测方法，其特征在于，步骤5所述的使用双阈值模型压缩方法对YoloV3_S进行模型压缩的具体方式为：

5a)经过卷积层之后的特征图维度为h×w×c，其中h和w分别代表特征图的长度，c代表特征图的通道数，将其送入BN层，得到归一化后的特征图，特征图的每一个通道都对应一个γ参数；

5b)设置两个γ阈值γ₁和γ₂，分别代表全局阈值以及每一层的阈值；如果γ₁≥γ₂，则本层的阈值设置为γ₂，如果γ₁γ₂，则本层的阈值设置为γ₁；

5c)每一层单独进行通道裁剪操作，小于本层γ阈值的通道被裁剪。