【技术实现步骤摘要】
一种基于剪枝与知识蒸馏的交通标志检测与识别方法
本专利技术属于智能驾驶
，涉及一种利用剪枝与知识蒸馏来轻量化交通标志检测与识别算法的方法。
技术介绍
交通标志的检测与识别在辅助驾驶或自动驾驶中是一项非常重要的内容，这直接关系到驾驶员或车辆能否根据交通标志及时做出相应的反应，识别错误或识别速度过慢都将可能带来不良的后果。由于交通标志传递了引导、限制、警示或者指示信息，在预示道路状况、减少交通事故方面起着十分重要的作用，因此实时且准确地识别交通标志是智能驾驶技术的重要目标之一。深度卷积神经网络目前已经成功运用在交通标志检测与识别领域，然而深度卷积神经网络庞大的参数量和计算量严重影响了交通标志的检测与识别的实时性。因此，为了保证交通标志检测与识别的速度，需要对检测与识别的算法进行轻量化。交通标志传统的检测与识别方法是依靠其最突出的特征进行的，例如交通标志规则的形状和鲜明的颜色，但由于交通标志处于复杂的道路场景下，容易产生褪色、形变和遮挡等问题，这导致了传统方法的检测与识别准确率低、鲁棒性较差。随着机器学习技术的不断发...
【技术保护点】
1.一种基于剪枝与知识蒸馏的交通标志检测与识别方法，包括下列步骤：/n第一步，准备数据集并进行数据增强。/n第二步，搭建网络并训练/n搭建YOLOV3-SPP网络，加载在数据集ImageNet训练好的预训练模型的参数，将裁剪并经过数据增强的训练集图像分批次输入到YOLOV3-SPP网络中进行正向传播，根据网络预测值与训练集的真实标签值构建损失函数并计算损失，使用Adam优化算法进行反向传播更新网络的参数；经过多次迭代至损失不再减小，此时将网络参数保存为模型，并记录该模型在测试集上的mAP值，称此步骤得到的模型为原始的YOLOV3-SPP网络；/n第三步，稀疏训练/n使用BN...
【技术特征摘要】
1.一种基于剪枝与知识蒸馏的交通标志检测与识别方法，包括下列步骤：
第一步，准备数据集并进行数据增强。
第二步，搭建网络并训练
搭建YOLOV3-SPP网络，加载在数据集ImageNet训练好的预训练模型的参数，将裁剪并经过数据增强的训练集图像分批次输入到YOLOV3-SPP网络中进行正向传播，根据网络预测值与训练集的真实标签值构建损失函数并计算损失，使用Adam优化算法进行反向传播更新网络的参数；经过多次迭代至损失不再减小，此时将网络参数保存为模型，并记录该模型在测试集上的mAP值，称此步骤得到的模型为原始的YOLOV3-SPP网络；
第三步，稀疏训练
使用BN层的缩放系数γ作为衡量通道重要性的参数，在原有的目标函数基础上加入关于γ的L1正则化项，加入L1正则化项后，再次进行训练直至损失收敛，称此过程为稀疏训练；
第四步，根据阈值进行剪枝
设置剪枝接受的精度减少范围，设置全局剪枝阈值初始值和局部安全阈值，根据全局剪枝阈值和局部安全阈值将要剪除的通道记录在剪枝掩模中，并按照记录的所有剪枝掩模对网络进行剪枝；
剪枝完成后，使用训练集再次对剪枝后的网络进行重新训练直至损失不再减小，对比原始mAP与剪枝后模型在测试集上的mAP，若剪枝后的mAP较原始mAP变化不大，小于预定的变化值，则继续增大全局剪枝阈值重新剪枝，若mAP下降超过设置的精度范围，则减小全局剪枝阈值重新剪枝，最后保存mAP下降精度在设置范围的模型，称此步骤得到的模型为剪枝得到的模型；
第五步，使用知识蒸馏得到最终模型
将原始的YOLOV3-SPP网络作为教师网络，将剪枝得到的模型作为学生网络进行知识蒸馏，在该过程中，将学生网络要优化目标函数分为分类损...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。