基于剪枝卷积神经网络的目标检测方法技术

本发明专利技术公开了一种基于剪枝卷积神经网络的目标检测方法，主要解决现有目标检测方法中卷积神经网络复杂带来的检测速度慢和检测目标精度差的问题。本发明专利技术的具体步骤如下：(1)对卷积神经网络进行敏感度分析；(2)生成剪枝序列；(3)对网络进行剪枝；(4)选择修剪后目标检测卷积神经网络；(5)对网络进行微调；(6)对目标进行检测。本发明专利技术通过多次分层剪枝，选择最优的修剪后目标检测卷积神经网络，克服了现有目标检测方法中卷积神经网络复杂、速度不快和检测目标精度差的问题，使得本发明专利技术不仅检测精度高，也能够实时检测目标。

【技术实现步骤摘要】
基于剪枝卷积神经网络的目标检测方法
本专利技术属于图像处理
，更进一步涉及图像识别
中的一种基于剪枝卷积神经网络的目标检测方法。本专利技术可用于在嵌入式设备上检测自然图像中的静止目标。
技术介绍
现有的大量目标检测方法在公共数据集中获得了非常高的分数，但在现实任务中目标检测仍然存在很多挑战，像在移动端进行部署等。例如，在嵌入式设备中部署网络进行目标检测，将有助于无人机探测或者区域安防。然而，由于现有的深度学习目标检测模型参数庞大，运算消耗时间长，实时内存消耗大，所以现有的目标检测网络并不适用于实际中在移动设备的部署。现有目标检测技术的效率和准确率往往不可兼得。二阶检测模型如FasterR-CNN有着很高的准确性，同时也带来了巨大的计算量；一阶检测模型如SSD虽然计算速度较快，但是准确率不如二阶段检测模型。北京航空航天大学在其申请的专利文献“构建用于目标检测的网络的方法和目标检测方法及系统”(专利申请号CN202010656620.6，公开号CN112036400A)中公开了一种目标检测方法。该方法的步骤为，第一步，使用第一深本文档来自技高网...

【技术保护点】
1.一种基于剪枝卷积神经网络的目标检测方法，其特征在于，对卷积神经网络进行敏感度分析，生成剪枝序列，对网络进行剪枝，选择修剪后目标检测卷积神经网络，该方法的步骤包括如下：/n(1)对卷积神经网络进行敏感度分析：/n(1a)从训练好的原始目标检测卷积神经网络中选取一个未选过的卷积层，利用L1范数公式，计算所选卷积层中每个卷积核的L1范数，对L1范数进行升序排列；/n(1b)设置修剪比例为90％；/n(1c)按照修剪比例依次删除升序排列中L1范数对应的卷积核，得到修剪后的目标检测卷积神经网络；/n(1d)将修剪前的目标检测卷积神经网络所使用的测试集，输入到修剪后的目标检测卷积神经网络中进行目标检测...

【技术特征摘要】
1.一种基于剪枝卷积神经网络的目标检测方法，其特征在于，对卷积神经网络进行敏感度分析，生成剪枝序列，对网络进行剪枝，选择修剪后目标检测卷积神经网络，该方法的步骤包括如下：
(1)对卷积神经网络进行敏感度分析：
(1a)从训练好的原始目标检测卷积神经网络中选取一个未选过的卷积层，利用L1范数公式，计算所选卷积层中每个卷积核的L1范数，对L1范数进行升序排列；
(1b)设置修剪比例为90％；
(1c)按照修剪比例依次删除升序排列中L1范数对应的卷积核，得到修剪后的目标检测卷积神经网络；
(1d)将修剪前的目标检测卷积神经网络所使用的测试集，输入到修剪后的目标检测卷积神经网络中进行目标检测，输出检测结果；
(1e)计算修剪后的目标检测卷积神经网络检测目标的准确率；
(1f)判断准确率是否大于阈值，若是，则将当前的修剪比例作为所选卷积层的敏感度后执行步骤(1g)，否则，将当前的修剪比例减小10％后执行步骤(1c)；
(1g)判断是否选完所有的卷积层，若是，则执行步骤(2)，否则，执行步骤(1a)；
(2)生成剪枝序列：
(2a)对训练好的原始目标检测卷积神经网络中的每个卷积层，在小于或等于该卷积层敏感度的值中随机选取一个值，作为该卷积层的修剪百分比，将所有层的修剪百分比按照卷积层的顺序连接成一个剪枝序列；
(2c)采用与步骤(2a)相同的方法，得到至少1000个剪枝序列；
(3)对网络进行剪枝：
(3a)采用每种剪枝序列分别修剪训练好的原始目标检测卷积神经网络，得到对应每个剪枝序列的目标检测卷积神经网络；<...

【专利技术属性】
技术研发人员：姬红兵，崔媛，张文博，臧博，李林，刘逸竹，李超，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61