【技术实现步骤摘要】
层剪枝方法、厨余垃圾检测方法及遥感图像车辆检测方法
[0001]本专利技术属于深度学习检测
,具体涉及一种层剪枝方法、厨余垃圾检测方法及遥感图像车辆检测方法。
技术介绍
[0002]随着深度学习技术的发展,基于人工智能的成果已经广泛应用到了人们的生活当中,包括农业植保、遥感检测、智能交通、灾难救援等场景,深度学习技术已然成为当下的研究热点。目标检测作为计算机视觉中的一项基本任务,已经得到了极大的发展,但对于厨余垃圾检测与无人机平台目标检测而言,仍面临许多挑战。厨余垃圾检测与无人机平台目标检测不同于传统的离线处理,其均需要高速地检测图像中的目标。对于厨余垃圾检测而言,亟需提高垃圾检测的速度,以便于后续垃圾分拣的任务。而对于无人机平台的遥感图像车辆检测,其也需要快速的完成检测过程。因此,常规的基于深度学习的目标检测方法并无法直接应用于厨余垃圾检测或无人机中的遥感图像车辆检测。因此研究如何实现高精度、高速度的厨余垃圾检测与无人机平台的遥感车辆目标检测,就具有重要的意义。
[0003]现阶段,基于深度学习的检测模型存在参数量大、计算量高等问题,针对计算和存储资源受限的无人机平台,需对已有模型研究一系列参数剪枝、量化加速等方法。参数剪枝是一种重要的模型压缩方法,具体包括通道剪枝和层剪枝等。通道剪枝虽然能大幅度减少参数量和计算量,但在边缘设备部署时,由于模型的内存访问成本依然很高,最终模型部署时的速度提升非常有限。层剪枝的加速效果更加理想,通过删除模型的冗余卷积层,同时大幅降低模型的参数量、计算量和内存访问成本,能 ...
【技术保护点】
【技术特征摘要】
1.一种层剪枝方法,包括如下步骤:S1.确定目标网络模型,以及获取训练数据集;S2.采用步骤S1获取的训练数据集,针对步骤S1获取的目标网络模型进行训练,获取基础网络模型;S3.采用步骤S2获取的基础网络模型进行等价替换处理,获取解耦网络模型;S4.采用步骤S1获取的训练数据集,针对步骤S3获取的解耦网络模型再次进行训练,获取训练后的解耦网络模型;S5.采用步骤S4获取的训练后的解耦网路模型进行等价解耦处理,确定卷积层及其参数;S6.采用步骤S5获取的卷积层及其参数进行合并处理,获得层剪枝后的网络模型,完成目标网络模型的层剪枝。2.根据权利要求1所述的层剪枝方法,其特征在于步骤S1所述的获取训练数据集,具体包括:采集训练图片,对获取的图片进行随机处理,所述随机处理包括多尺度数据增强、左右翻转、光照增强和使用补灰度值的方式统一图片大小;将图片目标的标签整理为统一的格式(n,x,y,w,h),其中,n为目标类别,(x,y)是目标的中心坐标,w是目标宽度,h是目标高度。3.根据权利要求2所述的层剪枝方法,其特征在于步骤S3所述的采用步骤S2获取的基础网络模型进行等价替换处理,具体包括:(1)将基础网络模型中的卷积层等价替换为解耦卷积层:将原卷积与单位卷积进行并联处理,单位卷积为1*1核的核卷积,初始权重为单位矩阵;替换前的输入为x
i
,卷积层输出为y
i
,计算过程表示为:y
i
=w
c
*x
i
,其中w
c
为替换前卷积层的参数;等价解耦后,解耦卷积层的计算过程表征如下:y
i
'=α
·
w
c
*x
i
+(1
‑
α)
·
w
e
*x
i
其中,y
i
'为解耦后的卷积层输出,w
e
为解耦后的单位卷积层的参数,学习参数α用于控制两个卷积的比重,且初始设置为α=1.0;(2)将基础网络模型的激活层等价替换为解耦激活层:替换前的输入为x
i
,激活层输出为y
r
,计算过程表述为:式中act()为激活层的函数表达式;等价解耦后,解耦激活层的计算过程表征如下:其中,y
r
′
为解耦后的激活层输出,学习参数β用于控制负轴斜率,且初始设置为β=1.0;当解耦激活层后连接解耦卷积层时,收集相邻解耦层的参数用于构建组成(α,β)对,将所有(α,β)对用于组成集合M。
4.根据权利要求3所述的层剪枝方法,其特征在于步骤S4所述的采用步骤S1获取的训练数据集,针对步骤S3获取的解耦网络模型再次进行训练,获取训练后的解耦网络模型,具体包括:(1)针对步骤S3获取的解耦网络模型进行再次训练处理,训练时采用的所有流程与步骤S2训练流程一致;(2)k为需要被压缩的层的个数,每N个训练批次完成后,变量k的值增加1,直至达到预设的层压缩比K%,其中,N为设定的训练次数;(3)计算集合M中所有(α,β)对的和的值,根据值的大小进行排序;选择前k个最小计算值所对应的(α,β)对组合成集合M',对集合M'施加惩罚梯度,使其在数值上逐渐衰减到0;(4)G为损失函数L对卷积的回传梯度,l为学习率,W'为更新后的参数,则模型参数W的更新方式为:W'=W
‑
lG对于需要被衰减的M'中的α和β,梯度设置为固定值G=0.005,M'中的α和β将在固定梯度影响下逐渐变小,直至趋近于0;对于M'以外的α和β,保留回传梯度G,施加额外的惩罚梯度衰减,以提高压缩效率,采用如下的计算方式进行:W'=W
‑
lG+λP其中,λP为施加的惩罚梯度,λ为惩罚因子,P为符号函数,且满足:5.根据权利要求4所述的层剪枝方法,其特征在于步...
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。