[发明专利]一种基于通道裁剪的轻量级无人机目标检测方法

说明书

本发明公开了一种基于通道裁剪的轻量级无人机目标检测方法，包括：步骤1：将训练数据集的样本输入网络框架，主干网络提取样本的视觉特征，生成特征图并输入检测头部，通过对目标的位置和种类的回归获得预测结果；利用损失函数训练模型，获得训练后的基础模型；步骤2：对模型进行稀疏训练；步骤3：设定压缩比；步骤4：对压缩后模型微调优化；步骤5：输出对目标的检测结果。本发明基于通道裁剪，去除网络中的冗余通道，显著降低了参数量和权重规模，模型对内存和运算量的消耗小；并通过保留信息传递能力强的通道与完整的层结构，保证网络的检测精度；实现与全尺寸模型精度接近、参数量和权重规模小、推理速度快的轻量级无人机目标检测方法。

技术领域

本发明涉及计算机视觉领域，尤其涉及一种基于通道裁剪的轻量级无人机目标检测方法。

背景技术

在无人机平台上进行目标检测是当前计算机视觉领域的一个新兴任务。在无人机的常见应用场景，如搜救、监控、勘探中，理解场景并检测图像中可能存在的目标具有重要的应用价值。但航拍图像目标尺度变化大、小目标数量多的特点为准确检测带来挑战。此外，无人机搭载的嵌入式系统的算力、内存、功耗有限，需要参数规模小、运算量少的轻量化模型。因此，实现准确且轻量的模型对无人机平台上的目标检测尤为重要。

目前现有的主流通用目标检测模型，如Faster R-CNN、Cascade R-CNN、Yolo系列等，参数规模大，运算量高，对部署设备的运行内存、计算能力有较高要求，直接部署在无人机上的效果不理想。而针对嵌入式设备设计的轻量化模型通常特征提取能力弱，在目标尺度变化大、小目标多的航拍图像上检测精度不足。

发明内容

发明目的：本发明的目的在于提供一种基于通道裁剪的轻量级无人机目标检测方法，提升检测精度且参数规模大幅压缩，内存和算力消耗小，推理速度快，便于在无人机平台上检测目标。

技术方案：本发明公开了一种基于通道裁剪的轻量级无人机目标检测方法，包括操作步骤如下：

1、一种基于通道裁剪的轻量级无人机目标检测方法，其特征在于，包括步骤如下：

步骤(1.1)，将训练数据集的样本输入网络框架，主干网络提取样本的视觉特征，生成特征图并输入检测头部，通过对目标的位置和种类的回归获得预测结果；利用损失函数训练模型，获得训练后的基础模型；

步骤(1.2)，选取模型中的批归一化层的尺度因子作为参数，添加到原损失函数中，对模型进行稀疏训练；

步骤(1.3)，设定压缩比，对模型中所有通道的尺度因子值进行排序，按照压缩比对尺度因子值小的通道进行裁剪；

步骤(1.4)，针对压缩后模型的精度变化情况，对其进行微调优化；

步骤(1.5)，利用轻量级模型对输入图像进行检测，输出对目标的检测结果。

优选地，步骤(1.1)、包括步骤如下：

步骤(1.1.1)、对训练数据集的样本进行预处理，将样本中目标的标注格式整理为(Class,X,Y,W,H)，Class表示该目标所属的类别，X,Y表示归一化后目标锚框中心点的坐标值，W,H表示归一化后目标锚框的宽度和高度；更新模型的配置信息，修改预测向量长度；

步骤(1.1.2)、将样本输入主干网络；主干网络由5个密集模块组成，每个密集模块包含数个卷积层与route层；密集模块内特征的传递方式如式(1)：

C_t＝H_t([C₀，C₁，...，C_t-1]) (1)

C_i表示第i层卷积层的输入，H_t表示一个非线性变换。