[发明专利]一种应用于图像目标检测的模型压缩方法及终端

权利要求书

1.一种应用于图像目标检测的模型压缩方法，其特征在于，包括步骤：

基于预设数据集训练预设目标检测算法，得到收敛后的目标检测算法模型；

在所述目标检测算法模型中需要剪枝的卷积层之后添加独立于原卷积网络的重要性因子层，并对每一所述重要性因子层的重要性因子向量稀疏化；

根据预设剪枝率计算所述重要性因子向量中重要性因子参数的门限值；

判断每一所述重要性因子层的每一重要性因子参数是否小于所述门限值，若是，则将所述重要性因子参数对应的卷积层通道剪除；

基于所述预设数据集对剪枝后的目标检测算法模型进行训练，得到微调模型，判断所述微调模型是否达到预设精度，若是，则停止训练，若否，则继续训练所述微调模型直至达到预设精度；

所述在所述目标检测算法模型中需要剪枝的卷积层之后添加独立于原卷积网络的重要性因子层包括：

判断所述目标检测算法模型需要剪枝的卷积层之后是否包含BatchNorm层，若是，则在所述BatchNorm层之后添加所述重要性因子层，若否，则在卷积层后的其它Norm层之后添加所述重要性因子层；

所述对每一所述重要性因子层的重要性因子向量稀疏化包括：

将每一所述重要性因子层的重要性因子参数组成对应的重要性因子向量S；

通过下式对重要性因子向量进行稀疏化：

；

式中，x表示训练时的输入数据，y表示期望的输出数据，W表示当前卷积层的权重，l()表示训练时的损失函数，f()表示根据所述当前卷积层的权重对所述输入数据进行输出值计算，λ表示平衡系数，表示所有重要性因子层的重要性因子向量的集合，g(S)表示对所述重要性因子向量进行L1正则化，L表示添加了调节因子的损失函数，为添加的调节因子；

将所述重要性因子向量稀疏至稳定状态。

2.根据权利要求1所述的一种应用于图像目标检测的模型压缩方法，其特征在于，所述根据预设剪枝率计算所述重要性因子向量中重要性因子参数的门限值包括：

通过下式计算重要性因子参数的门限值序号threshold_id：

threshold_id = floor( len(sorted_s) * p)；

式中，floor()表示向下取整函数，len()表示获取长度函数，sorted_s表示每一重要性因子层的所有重要性因子参数经过排序后的数组，p表示剪枝率；

根据所述门限值序号threshold_id通过下式计算重要性因子参数的门限值threshold：

threshold = sorted_s[threshold_id]。

3.根据权利要求1或2中任一项所述的一种应用于图像目标检测的模型压缩方法，其特征在于，所述判断所述微调模型是否达到预设精度包括：

基于预设算法评估标准，计算所述微调模型在所述算法评估标准所有评估类别中获得数据的平均数，判断所述平均数是否达到预设精度。