[发明专利]一种检测模型压缩方法、装置和计算机可读存储介质

说明书

本发明实施例公开了一种检测模型压缩方法、装置和计算机可读存储介质，对获取的待检测图片按照预设的图片尺寸进行缩放处理，得到标准图像；将各标准图像输入初始检测模型，计算初始检测模型中特定卷积层中各个通道的损失梯度值。损失梯度值越小，说明通道的表征能力越弱。根据各个通道的损失梯度值以及特定卷积层对应的删除比例，对各所述特定卷积层进行剪枝处理，得到压缩后的检测模型。通过对检测模型进行压缩，大大减少了检测模型对内存的要求，可以使得压缩后的检测模型很方便的移植到存储和计算资源有限的硬件设备中。通过删除检测模型中表征能力较弱的通道，减少了检测模型的网络参数，提升了检测模型的计算效率。

技术领域

本发明涉及图像识别技术领域，特别是涉及一种检测模型压缩方法、装置和计算机可读存储介质。

背景技术

人脸检测是计算机视觉领域的一个重要技术，是人脸对齐、人脸识别、人脸跟踪等技术的基础。

近年来，人脸检测技术发展迅速，然而深度神经网络具有参数多、计算量大的特点，造成了大量的内存需求以及计算负担，使得人脸检测模型难以应用到存储和计算资源有限的硬件设备中，例如手机等。

可见，如何降低检测模型的计算量，是本领域技术人员需要解决的问题。

发明内容

本发明实施例的目的是提供一种检测模型压缩方法、装置和计算机可读存储介质，可以降低模型的计算量。

为解决上述技术问题，本发明实施例提供一种检测模型压缩方法，包括：

对获取的待检测图片按照预设的图片尺寸进行缩放处理，得到标准图像；

将各所述标准图像输入初始检测模型，计算所述初始检测模型中特定卷积层中各个通道的损失梯度值；

根据各个通道的损失梯度值以及特定卷积层对应的删除比例，对各所述特定卷积层进行剪枝处理，得到压缩后的检测模型。

可选的，所述初始检测模型包括候选框生成网络、候选框筛选网络和输出网络；所述特定卷积层包括所述输出网络中的所有卷积层。

可选的，所述根据各个通道的损失梯度值以及特定卷积层对应的删除比例，对各所述特定卷积层进行剪枝处理，得到压缩后的检测模型包括：

将所述输出网络中的所有卷积层按照损失梯度值升序的排列，删除每个卷积层中前70％的通道，得到压缩后的输出网络；

将压缩后的输出网络的第一个全连接层修改为卷积层，得到压缩后的检测模型。

可选的，所述特定卷积层还包括所述候选框筛选网络中的所有卷积层；

相应的，所述根据各个通道的损失梯度值以及特定卷积层对应的删除比例，对各所述特定卷积层进行剪枝处理，得到压缩后的检测模型还包括：

将所述候选框筛选网络中的所有卷积层按照损失梯度值升序的顺序排列，删除每个卷积层中前50％的通道，得到压缩后的候选框筛选网络；

将压缩后的候选框筛选网络的第一个全连接层修改为卷积层，得到压缩后的检测模型。

可选的，在根据各个通道的损失梯度值以及特定卷积层对应的删除比例，对各所述特定卷积层进行剪枝处理，得到压缩后的检测模型之后还包括：

对压缩后的检测模型中的特定参数进行量化，从而实现对所述检测模型的再次压缩。

本发明实施例还提供了一种检测模型压缩装置，包括缩放单元、计算单元和压缩单元；

所述缩放单元，用于对获取的待检测图片按照预设的图片尺寸进行缩放处理，得到标准图像；

所述计算单元，用于将各所述标准图像输入初始检测模型，计算所述初始检测模型中特定卷积层中各个通道的损失梯度值；