[发明专利]基于网络剪枝和参数量化结合的遥感SAR目标检测方法

权利要求书

1.一种基于网络剪枝和参数量化结合的遥感SAR目标检测方法，其特征在于，包括：

(1)从公开的遥感SAR目标检测数据集中获取划分好的训练集D_train和测试集D_test，并使用几何变换对训练集中的图像进行数据扩充，获得扩充后的训练集D_exp；

(2)在扩充后训练集D_exp中统计不同大小目标图像、含大量背景的图像的比例，选择其中比例较小的图像作为扩充后训练集中的困难样例，对该样例依次进行线下数据增强和线上数据增强，得到增强后训练集D_aug；

(3)构建SAR目标检测基准模型：

(3a)对现有的轻量化网络结构进行调整，即将原有的分类层改为检测层，并将网络深层中的部分下采样层修改为非下采样层，将调整后的轻量化网络作为特征提取骨干网络N，其包括输入层、隐藏层和检测层，该隐藏层由多个具有相同结构的特征提取模块构成，每个特征提取模块包含一个可能存在的下采样层和多个非下采样层，下采样层采用卷积层或池化层或重排层构成，每个非下采样层采用卷积层或BN层或激活层或连接层构成；

(3b)使用K-Means聚类算法对扩充后训练集D_exp标签的目标框进行聚类，得到针对此数据集的先验锚框，用此锚框作为现有YOLO单阶段检测器的锚框，得到SAR目标检测器，将检测器与骨干网络N连接，构成SAR目标检测的基准模型；

(4)对基准模型的网络权重参数进行更新：

(4a)将YOLO损失函数作为基准模型的损失函数，使用随机数种子S初始化骨干网络N的权重参数；

(4b)将增强后的训练集D_aug输入到初始化后的基准模型中开始训练，用动量随机梯度下降算法SGD优化YOLO损失函数，以更新网络的权重参数，每10个周期保存一次网络权重参数，直到达到设定的最大迭代次数停止训练，得到多个更新后的网络权重参数；

(5)评估基准模型的性能指标：

(5a)使用保存的多个网络权重参数更新基准模型，在测试集D_test中计算更新后的每个基准模型的F1分数，取F1分数的最大值记为F1₀，F1₀对应的网络权重参数用W₀表示；

(5b)计算W₀的参数量P和浮点运算数FLOPs，计算结果分别记为P₀和FLOPs₀；

(6)对骨干网络N进行粗剪枝：

(6a)对骨干网络N中的n个特征提取模块设置模块掩码m，使用模块掩码m对该网络的所有特征提取模块进行One Hot编码，得到n个掩码子网；

(6b)所有n个掩码子网共享权重参数W₀，微调训练每个掩码子网并计算其性能指标F1分数F1_i、参数量P_i和浮点运算数FLOPs_i；

(6c)根据每个掩码子网的性能指标，计算骨干网络N中每个特征提取模块的重要性指标I，将这些重要性指标I分别与设定的重要性指标阈值I_thr进行比较，当I小于I_thr时，剪掉骨干网络N中与此重要性指标I对应的特征提取模块，得到粗剪枝后的骨干网络N_m；

(7)对粗剪枝后的骨干网络N_m进行细剪枝：

(7a)基于Hrank方法评价粗剪枝后骨干网络N_m卷积层中滤波器的重要性，并划分出重要的滤波器和不重要的滤波器，在粗剪枝后的骨干网络N_m的基础上剪去不重要的滤波器，得到细剪枝后的网络N_P；

(7b)使用相同的随机数种子S初始化细剪枝后的网络N_P的网络权重参数，然后使用与(4)中相同的训练方法对细剪枝后网络N_P进行训练，保存F1分数最高的网络权重参数，记为W_P；

(8)对细剪枝后的网络N_P进行参数量化：

(8a)将细剪枝后网络N_P中的特征提取模块修改为量化模块；

(8b)对权重参数和激活输出选取不同精度的量化策略，并根据特征提取模块的重要性指标I设计量化搜索空间；

(8c)在增强后的训练集D_aug上迭代搜索最佳量化方案，将搜索得到的最佳量化方案应用到细剪枝后的网络N_P中，得到最终网络N_Q；

(8d)使用W_P作为最终网络N_Q的预训练权重参数，微调训练得到最终网络权重参数W_Q；

(9)用最终网络N_Q替换基准模型的骨干网络N，并使用最终网络权重参数W_Q更新网络权重参数，得到最终的SAR目标检测模型；

(10)将测试集D_test输入到最终的SAR目标检测模型中，得到准确的SAR目标检测结果。