[发明专利]HarDNet-Lite在嵌入式平台的优化方法

说明书

本发明公开了一种HarDNet‑Lite在嵌入式平台的优化方法，用以解决现有的目标检测网络过于复杂、运算量大、在嵌入式平台推理速度慢与定位精度低的问题。该方法包括以下步骤：1)搭建轻量级的HarDNet‑Lite特征提取网络；2)采用加权FPN结构融合不同尺度的特征图，使丰富的底层细节信息与高层的语义信息充分融合；3)生成YOLO检测头，在不同大小的特征图上面放置通过k‑means聚类生成的锚框，用以检测不同尺度大小的目标；4)使用分类与回归损失函数进行端到端的训练模型；5)将训练完成的模型部署于嵌入式平台，进行目标检测。本发明的有益效果是，提高了HarDNet‑Lite目标检测网络在嵌入式平台的推理速度与目标检测精度。

技术领域

本发明属于目标检测技术领域，具体地说是一种HarDNet-Lite在嵌入式平台的优化方法。

背景技术

目标检测是计算机视觉的一个重要分支，在现实中的应用很广泛，比如视频监控、工业检测、人脸检测等诸多领域，通过计算机视觉可以减少对人力成本的消耗，具有很强的现实应用意义。

自从2012年以来，卷积神经网络开始快速发展，一些性能更强的网络结构不断的被提出来，比如Vgg,GoogleNet,ResNet,ResNext,DenseNet等。为了获得更优的性能，网络的层数不断地增加，参数量也变得越来越大，通过这样的方式，尽管网络的性能得到了提高，但随之而来的就是效率的问题，效率问题主要体现在两个方面：一是模型的存储问题，二是模型进行推理的速度问题。

(1)存储问题:随着网络结构的加深，网络中保存着大量的卷积核权重，让模型本身占用的存储空间变得越来越大，甚至高达几百兆字节，而嵌入式设备本身的存储空间和内存就比较有限，过大的网络模型往往无法载入运行；

(2)速度问题：在实际应用中，一般要求模型的前向推理速度在毫秒数量级，如果网络模型过于复杂，计算量也会增大，而嵌入式设备的计算能力都比较弱，会导致模型前向推理的速度变得很慢，从几秒到十几秒，无法达到接近实时的实用要求。

如果能够解决卷积神经网络的效率问题，就能够让卷积神经网络更广泛地应用于嵌入式设备中，为了减小卷积神经网络模型的大小，提高网络的前向推理速度，现有的方法主要包括模型的蒸馏、压缩、量化等方法，而设计轻量化的模型结构则是另辟蹊径，主要思想是设计更高效、通用的网络结构，使网络的存储空间和参数量减少的同时，不降低网络的性能。

发明内容

本发明的目的在于针对上述现有技术的不足，提供了一种HarDNet-Lite在嵌入式平台的优化方法。

本发明采用如下技术方案来实现的：

HarDNet-Lite在嵌入式平台的优化方法，包括以下步骤：

1)利用HarDNet-Lite网络结构对原始的彩色图片进行特征提取；

2)对提取到的不同层次的特征，采用加权FPN结构进行特征融合；

3)在特征融合后的不同尺度大小的特征图上放置通过聚类生成的锚框，形成检测头；

4)对HarDNet-Lite主干网络结构和检测头，采用分类与回归损失函数进行端到端的训练；

5)训练结束后，将生成的权重文件和HarDNet-Lite网络结构配置文件部署到嵌入式平台，进行目标检测。

本发明进一步的改进在于，步骤1)的具体实现方法如下：

101)HarDNet-Lite网络结构在HarDNet网络结构的基础上，进行网络深度和宽度两个方面同时进行裁剪，形成HarDNet-Lite轻量级的网络结构；

102)原始的彩色图片采用高清摄像头采集的行人、车辆的原始图片，对采集到的样本集进行人工标注并按照9:1的比例，划分为训练集和验证集。