[发明专利]一种基于通道剪枝的无人机图像实时目标检测方法

权利要求书

1.一种基于通道剪枝的无人机图像实时目标检测方法，其特征在于，包括以下步骤：

(1)使用改进的YOLO网络对无人机数据集进行基础训练，对基础训练完的网络基于批次标准化层的缩放因子重新进行稀疏化训练，产生稀疏化的缩放因子；

(2)为了残差模块的输入输出特征通道匹配，采取保守剪枝策略和全网络剪枝策略，以BN层的尺度缩放因子作为剪枝通道的选择标准进行通道剪枝；

(3)剪枝后采用知识蒸馏策略对剪枝网络和模型进行微调，使得模型的目标识别精度恢复；

(4)从模型压缩效果和目标识别效果两个维度综合分析模型，得到无人机图像实时多目标识别的最优实现模型。

2.根据权利要求1所述的基于通道剪枝的无人机图像实时目标检测方法，其特征在于，所述步骤(1)包括以下步骤：

(11)为每个通道引入一个缩放因子γ，用缩放因子乘以该通道的输出；

(12)共同训练改进的YOLO网络权重和缩放因子，并对缩放因子进行稀疏正则：基于YOLO算法BN层γ系数的通道剪枝方法的损失函数如下：

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

其中，(x,y)表示训练的输入和目标，W表示用于训练的权重，∑_(x，y)l(f(x，W)，y)为卷积神经网络正常训练的损失值，g函数是缩放因子的稀疏性惩罚项，λ是平衡这两项的系数。

3.根据权利要求1所述的基于通道剪枝的无人机图像实时目标检测方法，其特征在于，所述步骤(2)实现过程如下：

(21)对有直连操作的残差块进行保守剪枝，即不进行通道剪枝，避免直连层维度不一致；

(22)对一般特征图做通道剪枝操作，最后再对残差块关联的特征图进行剪枝，即进行全网络剪枝；

(23)对直连的特征张量进行通道剪枝，需要将同样位置的通道的γ因子相加再排序；

(24)以缩放因子阈值为依据对此特征图的通道做剪枝。

4.根据权利要求1所述的基于通道剪枝的无人机图像实时目标检测方法，其特征在于，步骤(2)所述的通道剪枝利用掩码来标记卷积层通道，需要进行剪枝的通道掩码为1，保留的通道掩码为0；逐层地对网络层进行剪枝，根据掩码判断是否删除该通道相连的输入、输出、卷积核以及批次标准化层的参数，将待剪枝通道操作完成后生成新的模型参数文件。

5.根据权利要求1所述的基于通道剪枝的无人机图像实时目标检测方法，其特征在于，所述步骤(3)通过以下公式实现：

其中，p表示真实标签的概率分布，z和r代表学生网络和教师网络的预测输出，T是温度超参数，以使softmax分类器的输出更加平滑，从教师网络的输出中提炼出标签分布的知识。