基于二值神经网络的快速目标检测网络、训练及应用方法技术

本发明专利技术涉及一种基于二值神经网络的快速目标检测网络、训练及应用方法，提供的基于二值神经网络的目标检测器能够极大地节省存储和计算成本解决上述问题。二值量化方法可以将神经网络的权重与激活参数从32‑bit量化为1‑bit，降低模型访问推理过程中的内存访问时间，并用轻量级的按位XNOR运算和位计数运算来实现推理加速，提升检测效率。但由于参数二值化造成了严重的信息丢失，导致检测的精确度下降，需要相应网络结构设计来丰富信息流，并提出合理的优化方案。为了在精确度和实时性方面达到更好的提升，本发明专利技术提出了一种新的二值化单阶段目标检测模型。

【技术实现步骤摘要】

本专利技术属于计算机视觉目标检测，模型量化压缩，涉及一种基于二值神经网络的快速目标检测网络、训练及应用方法。

技术介绍

1、随着深度学习的发展，深度神经网络在计算机视觉领域取得了长足的进步，目标检测是计算机视觉领域的重要任务之一，它在许多实际应用中起着至关重要的作用。

2、目前主流的目标检测方法分为两阶段算法和单阶段算法。如he等人在文献“faster r-cnn: towards real-time object detection with region proposalnetworks. in proceedings of advances in neural information processingsystems，2015，pp. 91-99.”中公开了一种两阶段的目标检测方法。两阶段网络首先在图像中生成稀疏的候选区域，然后对这些候选区域进行二分类和初步定位。接下来，将筛选后的候选区域送入分类和回归网络，进行更精确的物体分类和定位。这种两阶段的设计可以提高目标检测的准确性和效率。

3、redmon 等人在文献“you o本文档来自技高网...

【技术保护点】

1.一种基于二值神经网络的快速目标检测网络，其特征在于包括顺序连接的骨干网络BackBone，瓶颈网络Neck和检测网络Head；所述骨干网络BackBone先采用全精度的3×3卷积模块进行特征提取，后面跟一个Batch Norm层，然后通过连续的3×3与1×1二值卷积模块进一步调整通道数，所述二值卷积模块后面跟一个Batch Norm层，并使用残差连接；随后连接多个堆叠的Basic-block，Basic-block的构建操作为每个二值卷积模块后面跟一个Batch Norm层，用连续的残差连接包围上述结构，重复四次；最后一个Basic-block后串联SPP结构与CSP结构；所述瓶颈网...

【技术特征摘要】

1.一种基于二值神经网络的快速目标检测网络，其特征在于包括顺序连接的骨干网络backbone，瓶颈网络neck和检测网络head；所述骨干网络backbone先采用全精度的3×3卷积模块进行特征提取，后面跟一个batch norm层，然后通过连续的3×3与1×1二值卷积模块进一步调整通道数，所述二值卷积模块后面跟一个batch norm层，并使用残差连接；随后连接多个堆叠的basic-block，basic-block的构建操作为每个二值卷积模块后面跟一个batch norm层，用连续的残差连接包围上述结构，重复四次；最后一个basic-block后串联spp结构与csp结构；所述瓶颈网络neck采用pan+fpn的结构，以二值卷积替换pan的下采样过程中与其他加强信息提取的卷积处的全精度卷积，骨干网络最后csp结构的输出与瓶颈网络neck的一个二值卷积单元连接，其余的多个堆叠的basic-block的输出端与瓶颈网络neck输入端的concat的连接，瓶颈网络neck的多个csp与多个检测网络head连接。

2.根据权利要求1所述基于二值神经网络的快速目标检测网络，其特征在于：所述瓶颈网络neck部分采用pan+fpn的结构。

3.根据权利要求1所述基于二值神经网络的快速目标检测网络，其特征在于：所述spp结构和csp结构采用全精度权重卷积，以保留特征信息。

4.根据权利要求1所述基于二值神经网络的快速目标检测网络，其特征在于：所述二值卷积模块：在前向传播时:通过1bit卷积操作前，将上层激活值与权重通过sign函数进行二值量化，通过后续的batch norm和prelu层调整二进制卷积的输出分布，接下来使用一个short-cut实现主支路的输入输出融合，输出随后通过一个se支路，se支路通过全局池化和量化全连接层，自适应调整输出分布。

5.一种权利要求1～4任一项所述基于二值神经网络的快速目标检测网络的训练方法...

【专利技术属性】
技术研发人员：王琦，赵学智，李学龙，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：