[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

说明书

本发明公开了一种基于通道剪枝的无人机图像实时目标检测方法，使用预训练完的网络作为初始网络，使用更新的损失函数进行稀疏化训练，将所有批次标准化层的尺度缩放因子按顺序排列，依据稀疏化阈值对通道进行剪枝；通道剪枝过程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；最后使用较小的学习率来微调通道剪枝后的模型，恢复模型的目标识别精度。本发明对硬件资源的要求低、识别速度快，能够实时识别无人机所处场景。

技术领域

本发明属于无人机图像目标识别技术领域，具体是涉及一种基于通道剪枝的无人机图像实时目标检测方法。

背景技术

无人机执行安保防护、集会监控、自然勘探等户外飞行任务时，需要地面站配合实时识别目标来进行监测。部署到具体的硬件资源时要考虑到硬件的资源情况，要进一步提高识别速度才能在性能有限的笔记本设备上实现实时识别。无人机地面站的计算量相对手机等嵌入式设备有剩余，因此我们可以将改进的YOLO网络进行模型压缩来降低参数量，提升识别速度。通道剪枝既可以对各种网络模型实现较好的泛化能力，又不依赖特殊的计算资源，可以对卷积层和全连接层直接操作。

发明内容

发明目的：为了克服现有的目标识别模型对硬件资源的要求高、识别速度慢，难以实时识别无人机所处场景的问题，本发明提供了一种基于通道剪枝的无人机图像实时目标检测方法。

技术方案：本发明所述的一种基于通道剪枝的无人机图像实时目标检测方法，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。

进一步地，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。

进一步地，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。