[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

说明书

本发明公开了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，主要解决现有遥感SAR目标检测方法模型复杂度高和推理速度慢的缺陷。其实现方案为：从公开的遥感SAR目标检测数据集中获取划分好的训练集和测试集，对训练集进行数据扩充；对扩充后的训练集进行数据增强；对现有轻量化网络进行调整，构建基准模型；训练基准模型并计算其性能指标；评估调整后网络中每个特征提取模块的重要性，剪去不重要的模块，再进行滤波器剪枝；设计量化搜索空间，搜索剪枝后模型的混合精度量化方案，得到最终模型，使用该模型进行SAR目标检测。本发明在提高检测精度的同时节省了训练成本，可用于计算资源有限且实时性要求高的目标识别场景。

技术领域

本发明属于计算机视觉技术领域，具体是一种遥感SAR目标检测方法，可用于计算资源有限且实时性要求高的SAR图像识别场景。

背景技术

合成孔径雷达SAR是目前人们对地观测的重要手段之一，其在海洋救援、海洋执法等民用领域，以及海洋实时监视检测等军事领域都有广泛应用。SAR图像数据通常为单通道灰度图，其具有小目标多、目标特征不明显、目标分布不均衡、目标与背景相似度高的特点。近年来，卷积神经网络CNN已广泛应用于SAR图像目标检测。相比需要繁琐的特征设计和建模的传统检测算法，基于CNN的方法凭借其自主学习参数和自动提取特征的能力，展现出比传统方法更好的性能。

当前，基于CNN的目标检测算法主要分为两类。第一类是以RCNN(Region-CNN)系列为代表的两阶段目标检测算法，其在包含目标的边框上先生成候选区域再进行目标检测，该类方法检测精度高但推理速度较慢，难以应对实时性较高的场景。第二类是以SSD(Single Shot MultiBox Detector)和YOLOv3(You Only Look Once)为代表的单阶段目标检测算法。此类算法不生成候选区域，直接通过回归的方式进行目标检测，其计算量小、推理速度快，在资源受限的环境下表现较好，但是该类方法的检测精度通常不如两阶段方法。

卷积神经网络CNN是目标检测算法的核心部分，用来提取图像特征。为了追求更高的精度，研究者通常设计出复杂的、带有大量冗余参数的网络。这样的网络结构无论是在训练阶段或是在推理阶段，均会消耗大量的计算资源与存储资源，因而在实际应用时需要在精度和资源消耗之间进行权衡，其平衡的主要方法就是对设计好的CNN网络进行压缩。这种压缩虽然会产生一些精度损失，但可极大地减少模型的冗余参数，并在提高推理速度的同时，降低模型的复杂度和资源消耗，实现高效地SAR目标检测。

模型压缩最常用的方法是模型剪枝，按照剪枝粒度由细到粗的规则，可将剪枝分为权重剪枝、通道/滤波器剪枝和层剪枝。其中：

权重剪枝，也被称为非结构化剪枝，其思想是将原始的权重矩阵稀疏化，通过减少神经元间的连接来减小推理时的计算量。这种方法不修改网络结构就能减小计算量，但提高推理速度需要实现了稀疏卷积的专用硬件。

通道/滤波器剪枝和层剪枝，也被称为结构化剪枝，这两种方法会改变原始网络结构，容易提高推理速度，但通常也会伴随精度损失。周舟等人在文献“周舟，王海鹏，徐丰，张志俊，王志诚，基于通道剪枝的SAR图像舰船检测优化算法.上海航天(中英文)AEROSPACESHANGHAI(CHINESEENGLISH)第37卷2020年第4期”中，提出在两阶段模型Faster-RCNN上，利用Lasso回归和最小二乘法进行通道剪枝，减少了56％的模型参数，但由于原始网络结构复杂，推理速度仍不理想。