[发明专利]用于边缘计算端的目标检测网络处理方法

权利要求书

1.用于边缘计算端的目标检测网络处理方法，其特征在于，所述方法包括：

步骤一：提取目标检测中的卷积操作，使用深度可分离卷积操作对得到的卷积操作进行替换；

步骤二：在上采样操作后添加1×1卷积操作，构成膨胀卷积模块，基于得到的膨胀卷积模块对目标检测中待处理的特征图逐次进行三次膨胀卷积操作，将卷积后的结果与原特征图进行拼接，得到加强后的特征图；

步骤三：设置阈值，将权值低于阈值的网络链接进行删除；

步骤四：将每一层的网络参数分为两部分，一部分作为原始模型的低精度部分进行量化，另一部分进行重训练，重复本步骤操作，直至全部参数被量化；

步骤五：对量化后的权值进行哈夫曼编码。

2.根据权利要求1所述的用于边缘计算端的目标检测网络处理方法，其特征在于，所述步骤一，包括：

1)将一个N×H×W×C的输入分为C组，每一组做一次3×3的卷积操作，然后紧跟一个BN层和Leaky ReLU激活函数；

其中：N代表共有多少张输入图片；H代表输入图片的高；W代表输入图片的宽；C代表输入图片的通道数；BN层为批量归一化层；

a是(1，+∞)区间内的固定参数；

2)对1)后产生的结果，进行k个普通的1×1卷积，收集每个点的特征，然后紧跟一个BN层和Leaky ReLU激活函数；深度可分离卷积模块的输出为N×H×W×k；

其中：k为输出特征的通道数。

3.根据权利要求1所述的用于边缘计算端的目标检测网络处理方法，其特征在于，步骤二所述膨胀卷积操作具体包括：

1)将上采样层与1个普通的1×1卷积构成膨胀卷积模块；其中：上采样层采用离散卷积的方法；

2)在网络进行特征提取后，采用膨胀卷积模块对特征进行特征强化，提高对小物体识别的准确率，在特定的卷积层后面，分别使用1-膨胀卷积，2-膨胀卷积，3-膨胀卷积对提取到的特征进行特征再提取；

3)将2)得到的三个特征图与原特征图进行拼接，得到加强后的特征图。

4.根据权利要求1所述的用于边缘计算端的目标检测网络处理方法，其特征在于，所述步骤三包括：

1)对损失函数引入因子正则化项，同时，设置一个阈值γ，对构造的网络模型进行训练，找到权重小于γ的神经网络连接；

训练过程使用的损失函数为：

其中：f为原先的损失函数，L为引入正则化因子后的损失函数，为正则化项，θ为正则化系数；

2)引入正则化项后的损失函数L，将权重与阈值γ相比较，删除权重小于γ的神经网络连接；

3)对修剪后的神经网络进行重训练；固定未参与修剪的层相对应的权重，其余层保留上一轮训练的结果，再此基础上重新训练模型；

4)将上述操作重复迭代，可得到修剪后的网络模型，修剪后的网络权重为稀疏矩阵；

5)按照列压缩的方式，对剪枝后产生的稀疏结构进行存储，产生的内存开销为2a+n+1；其中：a为非0权重的数量，n为列的数量。

5.根据权利要求1所述的用于边缘计算端的目标检测网络处理方法，其特征在于，所述步骤四包括：

1)对于l层，权重为w_l，需要被量化的权重分组为需要被重新训练的权重分组为设置阈值θ为40％；

2)将w_l从大到小进行排序，在前θ范围内的权重按顺序放入剩余权重放入对这两组参数进行0和1标记；

3)对中的每个元素，计算将中的每个元素用相应的2ⁿ代替，记为M_l，规定α为在M_l中的值，β为在M_l中后一位的值；

4)对中的每个元素进行量化，量化公式为

5)通过随机下降方法对中的值进行补偿。

6.根据权利要求1所述的用于边缘计算端的目标检测网络处理方法，其特征在于，所述步骤五包括：

1)统计量化后每个不重复权值出现的频率，将频率视为叶子结点构造哈夫曼树；

2)定义访问哈夫曼树中的左子树输出0编码，访问哈夫曼树中的右子树输出1编码，哈夫曼树中的叶节点进行访问，保存相对应的输出；

3)将量化后的权值用相应的哈夫曼输出进行替代，得到哈夫曼编码后的网络模型。