[发明专利]HarDNet-Lite在嵌入式平台的优化方法

权利要求书

1.HarDNet-Lite在嵌入式平台的优化方法，其特征在于，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。

2.根据权利要求1所述的HarDNet-Lite在嵌入式平台的优化方法，其特征在于，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。

3.根据权利要求2所述的HarDNet-Lite在嵌入式平台的优化方法，其特征在于，步骤2)的具体实现方法如下：

201)加权FPN结构是在FPN结构的基础上添加了自适应权重结构，生成与原特征图大小一致的权重特征图，权重取值在[0,1]范围之间；

202)特征融合的具体做法是：首先对原始特征图采用加权FPN结构生成权重特征图，下来将原始特征图与权重特征图进行逐元素的乘积，下一步需要将不同尺度的特征图分别进行上采样，并与自身上一层的特征图在通道方向进行拼接，得到融合后的特征图。

4.根据权利要求3所述的HarDNet-Lite在嵌入式平台的优化方法，其特征在于，步骤3)的具体实现方法如下：

301)锚框的生成是采用k-means算法对图片中的标注框进行聚类，一共生成6个不同大小和尺度的锚框；

302)检测头的生成是将6个锚框每3个划分为一组，放置到融合后特征图的每个像素点上面，分辨率大的特征图感受野小对应小尺寸的锚框来检测小物体，分辨率小的特征图感受野大对应大尺寸的锚框来检测大物体。

5.根据权利要求4所述的HarDNet-Lite在嵌入式平台的优化方法，其特征在于，步骤4)的具体实现方法如下：

401)对HarDNet-Lite主干网络结构和检测头进行端到端的训练，采用Darknet深度学习框架来完成，训练的时候分类损失函数采用FocalLoss，回归损失函数采用CIoU Loss来进行训练；

402)此外训练时还包括对训练集的数据进行增强处理，包括随机翻转、裁剪、亮度的变化，目标类别数和初始学习率的设定，学习率衰减的方法以及总的迭代次数。

6.根据权利要求5所述的HarDNet-Lite在嵌入式平台的优化方法，其特征在于，步骤5)的具体实现方法如下：

网络模型优化完成后，将生成的权重文件和HarDNet-Lite网络结构的配置文件部署到NVIDIA的Jetson Nano嵌入式设备上面，并配置运行时环境，利用外接摄像头或者本地图片进行行人、车辆目标的检测。