[发明专利]一种适用于嵌入式设备的改进目标实时识别网络结构的方法

说明书

本发明公开了一种适用于嵌入式设备的改进目标实时识别网络结构的方法，涉及计算机视觉领域，具体包括：首先，运行正常的目标识别网络模型，计算出各层级的卷积模块的权重参数量的占比；选出占比50％—70％的卷积模块替换为深度可分离卷积模块，完成初次压缩；然后，将每个通道的影响因子引入到损失函数中，并进行稀疏正则化；设定裁剪比例阈值，选出低于该比例阈值的影响因子，将对应的网络通道裁剪掉，完成通道剪枝压缩过程。接着，利用图像增强模块调整图像，输入到加入SENet模块的神经网络中进行训练；最后，对实时采集的图像进行目标识别。本发明将结构压缩方法和通道剪枝方法结合在一起，极大程度的对原网络进行了压缩处理。

技术领域

本发明涉及计算机视觉领域，具体是一种适用于嵌入式设备的改进目标实时识别网络结构的方法。

背景技术

随着人工智能技术的应用越来越广泛，无人机(UAV)结合人工智能将会成为未来热门的研究领域。而目前将目标识别技术移植到无人机上已经有了不少的应用，例如植被施药，灾难搜救和河流测污等，可以想到，让灵活度极高的无人机具备目标识别能力将极大降低人力物力和财力。此外，通过计算机自动识别的结果也往往比人眼识别更为可靠和安全。

但是，在工业界，将目标识别技术移植到无人机的过程依旧充满了挑战。对于无人机这种小型的嵌入式设备而言，它有限的运算资源和内存占用使得目标识别网络很难真正应用到实际中去。具体而言，它的应用主要受限于两个方面。第一是现在流行的目标识别网络的参数量和运算资源耗费往往都很大，因此对于各种嵌入式设备尤其是无人机而言是致命的缺陷。此外，由于运算资源受限，目标识别网络对于一帧图像的处理会花费很长时间，因此无人机很难具备实时性检测的能力。因此，如果想将该技术应用到工业发展中去，急需一种对识别网络进行大幅度删减的压缩模型策略，从而实现小体积网络实时侦测的需求。

发明内容

本发明针对现有网络存在的模型体积庞大等问题，提出了一种适用于嵌入式设备的改进目标实时识别网络结构的方法，基于YOLOv3Tiny目标识别网络的模型优化策略，使用了结构压缩和通道剪枝等模型压缩方法对原有模型的体积和识别时间进行改进，同时为了提升识别性能，在此基础上加入了性能优化模块，在满足识别实时性的前提下提升目标的识别精度。

本发明所述的改进目标实时识别网络结构的方法，包括以下步骤

步骤一、正常运行未经压缩的目标识别网络模型，计算出各层级的卷积模块的权重参数量在总模型所有卷积层权重参数量之和中的占比。

步骤二、选出占比50％—70％的卷积模块并替换为深度可分离卷积模块，完成模型的初次压缩；迭代运行初次压缩模型，直到损失曲线上的损失值波动小于0.01。

步骤三、针对损失值稳定的压缩模型，将每个通道的影响因子引入到损失函数中，并对损失函数进行稀疏正则化；

首先，针对每层卷积网络内的各个通道，将各通道对应的影响因子的理论值γ与每个通道的输出进行乘积，从而将影响因子引入到损失函数中，并加入稀疏惩罚项进行稀疏正则化；

计算公式如下：

其中，x为卷积网络的输入，y为卷积网络的输出，W是网络的权重矩阵。∑_(x,y)l(f(x,W),y)是卷积网络的常规Loss计算式；g(·)采用了L1正则项，为损失函数Loss引入了稀疏性惩罚项；λ为稀疏惩罚项在总体损失函数中所占的比例系数；Γ为各通道对应的影响因子γ集合。

然后，将引入γ后的损失函数进行多次逆向传播训练，得到各影响因子γ的真实值。

当给损失函数加入了稀疏惩罚项之后，随着训练次数的增多，网络权重参数逐渐向着0移动。