基于多阶段动态剪枝与特征补偿的Swin-YOLOv9目标检测方法技术

本发明专利技术公开了一种基于多阶段动态剪枝与特征补偿的Swin‑YOLOv9目标检测方法，其特征在于，包括以下步骤；步骤1：对输入目标图像进行预处理；步骤2：设计目标检测网络，目标检测网络用于对预处理后的目标图像进行特征提取；步骤3：基于注意力机制的多阶段动态Token筛选机制和特征补偿机制对提取后的特征进行训练，动态筛选有意义的token并进行特征补偿；步骤4：对特征补偿后的token进行基于注意力机制的token结构化剪枝，实现目标检测。本发明专利技术在保持甚至提升目标检测性能的前提下，优化剪枝策略，减少模型的冗余参数和计算量，从而提升训练效率，降低对计算资源的需求。

【技术实现步骤摘要】

本专利技术属于目标检测，具体涉及一种基于多阶段动态剪枝与特征补偿的swin-yolov9目标检测方法。

技术介绍

1、目标检测旨在从图像或视频中识别并定位特定的物体类别，是自动驾驶、智能监控、机器人导航等众多应用的基础。近年来，深度学习模型，特别是卷积神经网络(cnn)和注意力机制的引入，大大提升了目标检测的性能。

2、yolo系列模型(you only look once)以其端到端的检测方式和实时检测能力而广受关注。最新版本yolov9进一步提高了检测的精度和速度。然而，随着模型深度和复杂度的增加，其训练和推理的计算成本也显著上升。另一方面，swin transformer作为一种基于transformer架构的视觉模型，通过引入滑动窗口机制，成功应用于多种视觉任务，展现出卓越的特征提取能力。

3、在实际应用中，模型的轻量化和高效性变得越来越重要，特别是在资源受限的环境下，如移动设备和嵌入式系统。

4、因此，如何在保证检测性能的前提下，加速模型的训练和推理，减少模型参数量，成为亟待解决的问题。p>

5、目前，本文档来自技高网...

【技术保护点】

1.一种基于多阶段动态剪枝与特征补偿的Swin-YOLOv9目标检测方法，其特征在于，包括以下步骤；

2.根据权利要求1所述的一种基于多阶段动态剪枝与特征补偿的Swin-YOLOv9目标检测方法，其特征在于，所述步骤1具体为：

3.根据权利要求1所述的一种基于多阶段动态剪枝与特征补偿的Swin-YOLOv9目标检测方法，其特征在于，所述步骤2

4.根据权利要求3所述的一种基于多阶段动态剪枝与特征补偿的Swin-YOLOv9目标检测方法，其特征在于，所述步骤3具体为：分别基于注意力机制的多阶段动态Token筛选模块和特征补偿模块；p>

5.根据权...

【技术特征摘要】

1.一种基于多阶段动态剪枝与特征补偿的swin-yolov9目标检测方法，其特征在于，包括以下步骤；

2.根据权利要求1所述的一种基于多阶段动态剪枝与特征补偿的swin-yolov9目标检测方法，其特征在于，所述步骤1具体为：

3.根据权利要求1所述的一种基于多阶段动态剪枝与特征补偿的swin-yolov9目标检测方法，其特征在于，所述步骤2

4.根据权利要求3所述的一种基于多阶段动态剪枝与特征补偿的swin-yolov9目标检测方法，其特征在于，所述步骤3具体为：分别基于注意力机制的多阶段动态token筛选模块和特征补偿模块；

5.根据权利要求4所述的一种基于多阶段动态剪枝与特...

【专利技术属性】
技术研发人员：牛毅，李会杰，张卫国，马明明，李甫，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：