[发明专利]基于剪枝卷积神经网络的目标检测方法

说明书

本发明公开了一种基于剪枝卷积神经网络的目标检测方法，主要解决现有目标检测方法中卷积神经网络复杂带来的检测速度慢和检测目标精度差的问题。本发明的具体步骤如下：(1)对卷积神经网络进行敏感度分析；(2)生成剪枝序列；(3)对网络进行剪枝；(4)选择修剪后目标检测卷积神经网络；(5)对网络进行微调；(6)对目标进行检测。本发明通过多次分层剪枝，选择最优的修剪后目标检测卷积神经网络，克服了现有目标检测方法中卷积神经网络复杂、速度不快和检测目标精度差的问题，使得本发明不仅检测精度高，也能够实时检测目标。

技术领域

本发明属于图像处理技术领域，更进一步涉及图像识别技术领域中的一种基于剪枝卷积神经网络的目标检测方法。本发明可用于在嵌入式设备上检测自然图像中的静止目标。

背景技术

现有的大量目标检测方法在公共数据集中获得了非常高的分数，但在现实任务中目标检测仍然存在很多挑战，像在移动端进行部署等。例如，在嵌入式设备中部署网络进行目标检测，将有助于无人机探测或者区域安防。然而，由于现有的深度学习目标检测模型参数庞大，运算消耗时间长，实时内存消耗大，所以现有的目标检测网络并不适用于实际中在移动设备的部署。现有目标检测技术的效率和准确率往往不可兼得。二阶检测模型如Faster R-CNN有着很高的准确性，同时也带来了巨大的计算量；一阶检测模型如SSD虽然计算速度较快，但是准确率不如二阶段检测模型。

北京航空航天大学在其申请的专利文献“构建用于目标检测的网络的方法和目标检测方法及系统”(专利申请号CN202010656620.6，公开号CN112036400 A)中公开了一种目标检测方法。该方法的步骤为，第一步，使用第一深度学习网络提取图像的浅层特征图；第二步，使用第二深度学习网络在图像的浅层特征图上识别目标候选区域和目标尺寸分类，该目标尺寸分类指示目标大小与目标候选区域的大小之间的大小关系；第三步，根据目标候选区域和目标尺寸分类，选择最终候选区域对应的浅层特征图；第四步，使用第三深度学习网络从最终候选区域对应的浅层特征图上提取用于目标检测的深层特征图，并根据提取的深层特征图进行目标识别和定位。此方法提高了对图像的目标检测速度。但是，该方法仍然存在的不足之处是：由于该方法通过构建并训练三个深度学习网络进行目标检测，训练时为了使网络的损失函数收敛，使得网络存在参数冗余，运算量大的问题，不满足在嵌入式设备上部署的需求。

北京迈格威科技有限公司在其申请的专利文献“神经网络压缩方法、图像处理方法及装置”(专利申请号CN201910891998.1，公开号CN110717578 A)中公开了一种神经网络压缩方法。该方法的步骤为，第一步，输入训练样本进行特征提取，基于神经网络的每个特征提取层的输出以及特征提取层对应的偏好参数得到调整输出，并正向传播得到网络输出结果，其中，偏好参数与神经网络的多个特征提取层一一对应；第二步，根据训练样本对应的标识以及网络输出结果，通过损失函数得到损失值；第三步，基于损失值，调整神经网络的权重以及偏好参数；第四步，删除小于或等于第一阈值的偏好参数及其对应的特征提取层，得到压缩后的神经网络。通过设置偏好参数，偏好参数较小，说明对应的特征提取层对神经网络精度的提升较小，将该特征提取层删除以精简神经网络。该方法能够减小神经网络模型的大小。但是，该方法仍然存在的不足之处是：删除原始网络中的小于阈值的特征提取层，由此带来的原始网络卷积层总数的改变会影响目标检测精度。

发明内容

本发明的目的在于针对上述现有技术存在的不足，提出一种基于剪枝卷积神经网络的目标检测方法，解决现有目标检测方法中卷积神经网络复杂带来的目标检测速度慢和检测目标精度差的问题。

实现本发明目的的技术思路是，对训练好的卷积神经网络进行剪枝，经过多次的分层删除网络中存在的冗余卷积核，得到优选的修剪后目标检测卷积神经网络，对该网络进行微调，得到微调后的目标检测网络，既保证网络整体的结构不改变，又减小了目标检测卷积神经网络的大小，使得微调后的目标检测网络能够对目标进行快速检测。

本发明的实现的具体步骤如下：

(1)对卷积神经网络进行敏感度分析：